Avant qu'une balance électronique puisse reconnaître et distinguer les différents fruits et légumes, il faut qu'elle ait «appris» à le faire. Le principe de base est le suivant: des échantillons de fruits et légumes sont présentés à la machine, chacun libellé par sa catégorie (ex. pomme golden, poire william, tomate 84762). Un module de reconnaissance visuelle photographie le produit et en extrait les caractéristiques distinctives (forme, taille, couleurs, texture, etc.). Un programme dit «d'apprentissage» analyse ces caractéristiques pour construire un modèle mathématique de chaque catégorie de produit. A noter que toutes caractéristiques non pertinentes, telles que celles des sacs d'emballage, sont ainsi éliminées. Ces modèles sont intégrés dans les pèse-légumes de pointe.

Au supermarché, les produits posés sur la balance (dans des sacs transparents/translucides) sont photographiés. L'image est alors analysée: ses caractéristiques sont comparées à celles des différents modèles en mémoire, et la catégorie correspondant au modèle le plus proche est sélectionnée.

Bien sûr, les machines, comme les humains, font des erreurs. Et comme les humains, elles mettent ces erreurs à profit pour s'améliorer. C'est pour cela que lorsque la balance affiche la catégorie des produits pesés, elle donne la possibilité de confirmer ou de corriger son diagnostic. Votre réponse est enregistrée, et les milliers de réponses stockées seront de nouveau analysées afin d'ajuster les modèles imprécis.

Les balances électroniques avec système d'identification automatique de fruits et légumes ne sont qu'une des moult applications de recherches en intelligence artificielle, en particulier dans les sous-domaines de «reconnaissance de formes» et d'«apprentissage automatique».

Voici un exemple de balance que vous avez peut-être déjà rencontré :

http://fr.mt.com/fr/fr/home/supportive_content/news/Smart_Vision_II__la_balance_poids-prix_qui_a_l_oeil.html