RFID-наклейки могут сигнализировать о загрязнении продуктов питания

Если продукт небезопасен для употребления в пищу, лучше выяснить это, прежде чем кто-то его съест. Но ручное тестирование каждой баночки и бутылочки невозможно, даже если известна такая угроза, как недавняя паника по поводу детского питания. Исследователи MIT нашли способ проверять многие предметы мгновенно, неинвазивно и на расстоянии — с помощью RFID-меток, которые уже есть во многих продуктах.

RFID, или радиочастотная идентификация, использует крошечную антенну, встроенную в наклейку или этикетку, которая активируется и питается радиоволнами на очень определенной частоте. Когда трансивер отправляет сигнал частотой 950 МГц, RFID-метка просыпается и повторно передает немного другой сигнал, идентифицируя себя. Продукты, которые заявляют о себе? Удобен для инвентаризации!

Исследователи обнаружили, что на этот обратный сигнал, за пределами фактической части, несущей информацию, может влиять фактическое содержимое продукта, поскольку радиоволны должны проходить через него. Следовательно, банка, полная соуса для пасты, и банка, полная оливок, будут давать разные профили сигналов — так же, как нетронутая банка с детским питанием по сравнению с банкой, загрязненной меламином.

«Это почти как если бы мы превратили дешевые RFID в крошечные радиочастотные спектроскопы», — сказал Фадель Адиб, соавтор статьи, описывающей новую систему, в пресс-релизе MIT.

Проблема в том, что эти различия могут быть очень незначительными и они нигде не документированы — это первый раз, когда кто-то пробовал это. Поэтому, естественно, команда обратилась к машинному обучению. Они создали модель, которая может с уверенностью сказать, чему соответствует профиль сигнала, с небольшими отклонениями, возникающими, скажем, из-за небольших различий в ориентации или ширине стекла.

Прямо сейчас система, которую они называют RFIQ, может отличить чистую детскую смесь от загрязненной меламином, а также между различными фальсификациями чистого этилового спирта. Это почти все, что есть в моем списке покупок, так что я готов, но, очевидно, команда хотела бы, чтобы это применялось ко многим другим продуктам. Теперь, когда метод доказал свою эффективность, план таков.

Задача будет только усложняться, поскольку такие вещи, как переменные окружающей среды (полки) и другие беспроводные помехи, усугубляют проблему. Но алгоритмы машинного обучения хорошо умеют выделять сигнал из шума, поэтому, если повезет, этот метод сработает без особых проблем.

Вы можете прочитать полный документ, документирующий систему RFIQ, здесь (PDF).