تطبيق أنظمة الرؤية الآلية في اكتشاف تعفن الفواكه

في سلسلة توريد الفواكه العالمية، يظل الفقد بعد الحصاد بسبب التعفن تحديًا حيويًا، حيث تشير الإحصائيات إلى رفض ما يصل إلى 25٪ من الفواكه الطازجة سنويًا بسبب التحلل غير المكتشف أثناء الفرز أو التخزين. تعتمد الطرق التقليدية لاكتشاف تعفن الفواكه على الفحص اليدوي، وهي طريقة تستهلك الكثير من العمل والوقت، كما أنها عرضة للخطأ البشري — خاصة عند التعامل مع كميات كبيرة من المنتجات أو مراحل التعفن المبكرة التي تكون خفية بصريًا. وللتغلب على هذه القيود، أنظمة الرؤية الآلية (MVS) ظهرت كتكنولوجيا مُحوِّلة، تعتمد على التصوير المتقدم وخوارزميات الرؤية الحاسوبية والتعلم الآلي لتمكين الكشف السريع والدقيق وغير التدميري عن التعفن.

1. المبادئ التقنية لنظام كشف الرؤية الآلية

الهدف الأساسي من المشروع هو تطوير نظام يمكنه التقاط معلومات سطح الفاكهة تلقائيًا، وتحليل الخصائص البصرية المرتبطة بالتعفن، وتصنيف الفواكه على أنها "سليمة" أو "فاسدة" بدقة عالية. ويُبنى هيكل النظام حول ثلاث مكونات رئيسية: أجهزة التصوير , وحدات ما قبل معالجة الصور , و خوارزميات تصنيف التعفن .

1.1 إعداد أجهزة التصوير

لضمان جمع بيانات شاملة، يستخدم المشروع منصة تصوير متعددة المستشعرات، تشمل:

كاميرات RGB عالية الدقة : والتي تلتقط المعلومات اللونية، حيث غالبًا ما يظهر التعفن على هيئة تغير في اللون (مثل البقع البنية على التفاح، والعفن الرمادي على الفراولة).

كاميرات الأشعة تحت الحمراء القريبة (NIR) : اكتشاف التحلل الداخلي الذي قد لا يكون مرئيًا على السطح، مثل تعفن اللب في الكمثرى أو التعفن الناتج عن الكدمات في الخوخ، والذي يُغيّر انعكاسية الفاكهة الطيفية في نطاق الأشعة تحت الحمراء القريبة.

أنظمة إضاءة خاضعة للتحكم : ألواح LED قابلة للتعديل من حيث الشدة والمدى الموجي لتقليل الظلال والوهج والتداخل الناتج عن الإضاءة المحيطة، مما يضمن جودة صورة متسقة عبر أنواع مختلفة من الفواكه (مثل الكرز اللامع مقابل الأفوكادو غير اللامعة).

1.2 ما قبل معالجة الصور: تحسين وضوح الخصائص

غالبًا ما تحتوي الصور الأولية على ضوضاء (مثل الغبار على أسطح الفاكهة، أو عدم اتساق الإضاءة) يمكن أن تُخفي الخصائص المرتبطة بالتعفن. تتضمن خطوة ما قبل المعالجة في المشروع ثلاث خطوات أساسية:

الحد من الضوضاء : تطبيق تصفية غاوسية لتنعيم الضوضاء عالية التردد مع الحفاظ على تفاصيل الحواف للبقع المحتملة المتأثرة بالتعفن.

تحويل فضاء اللون : تحويل صور RGB إلى فضاء الألوان HSV (اللون-التشبع-القيمة)، لأن قنوات اللون والتشبع تكون أكثر حساسية للتغيرات اللونية الناتجة عن التلف مقارنة بقنوات RGB القياسية. بالنسبة للصور القريبة من تحت الحمراء (NIR)، يتم التحويل إلى التدرج الرمادي وتطبيق معادلة الهستوغرام لتعزيز التباين بين الأنسجة السليمة والتالفة.

تقسيم : استخدام خوارزميات العتبة وكشف الحواف (مثل كاشف حافة كاني) لعزل الثمرة عن الخلفية وتقسيم المناطق المشبوهة بالتلف. على سبيل المثال، يمكن لعتبة تُطبَّق على قناة اللون (Hue) أن تميز بقع التلف البنية على التفاح الأخضر من خلال التفريق بينها وبين لون الثمرة الأخضر الصحي.

2. سير العمل في المشروع: من إدخال الثمار إلى مخرج الفرز

يعمل نظام كشف الرؤية الآلية كجزء متكامل من خط تعبئة الثمار، وفقًا لسير عمل سلس:

إدخال الثمار : يتم تحميل الفواكه على حزام النقل، الذي ينقلها إلى محطة التصوير بسرعة ثابتة (قابلة للتعديل حسب حجم الفاكهة، على سبيل المثال 0.5 م/ث للتفاح، و0.3 م/ث للتوت الصغير).

التقاط الصورة : عندما يستشعر مستشعر الموقع دخول فاكهة إلى منطقة التصوير، تقوم كاميرات الأشعة فوق البنفسجية والضوء المرئي بالتقاط 3–5 صور للفاكهة من زوايا مختلفة.

المعالجة الفورية : تعالج خطوة المعالجة المبدئية الصور في أقل من 0.5 ثانية، ويُنتج نموذج التصنيف تنبؤًا بحالة التعفن (سليم/تعفن مبكر/تعفن شديد) مع درجة ثقة (على سبيل المثال، 98% ثقة في حالة التعفن الشديد).

إجراء الفرز : بناءً على التنبؤ، يرسل النظام إشارة إلى مشغل هوائي أو ذراع روبوتية في نهاية حزام النقل. تُوجَّه الفواكه السليمة إلى خط "التعبئة"، وتُوجَّه الفواكه المصابة بتعفن مبكر إلى محطة "مراقبة الجودة" لإعادة الفحص اليدوي (لتقليل الإيجابيات الخاطئة)، بينما تُحوَّل الفواكه المتعفنة بشدة إلى سلة "النفايات".

تسجيل البيانات : يسجل النظام معرف كل فاكهة، والصور، ونتيجة التصنيف، ودرجة الثقة في قاعدة بيانات قائمة على الحوسبة السحابية. تُستخدم هذه البيانات لإعادة تدريب نموذج التصنيف بشكل دوري، مما يحسن الدقة مع تراكم المزيد من البيانات.

3. التطبيق العملي والأداء: دراسات حالة

3.1 اكتشاف تعفن التفاح

الدقة : حقق النظام دقة بنسبة 96.2٪ في اكتشاف التعفن (مقارنة بـ 82.5٪ للمفتشين اليدويين)، مع معدل إيجابيات كاذبة لا يتجاوز 2.1٪ (كان لدى الفحص اليدوي معدل إيجابيات كاذبة بنسبة 7.8٪).

السرعة : قام النظام بمعالجة 120 تفاحة في الدقيقة، مقارنةً بـ 40 تفاحة في الدقيقة لكل مفتش يدوي — مما خفض تكاليف العمالة بنسبة 67٪.

الكشف المبكر : سمح الكاميرا تحت الحمراء القريبة (NIR) باكتشاف تعفن القلب الداخلي في التفاح قبل 5–7 أيام مقارنة بالفحص اليدوي، مما مكن المزارع من فرز الثمار المصابة قبل انتشار التعفن أثناء التخزين.

3.2 اكتشاف تعفن الفراولة

التحدي : تكون الفراولة هشة وعرضة لنمو العفن السطحي (مثل Botrytis cinerea ) الذي غالبًا ما يغفله المفتشون اليدويون بسبب صغر حجمه.

النتيجة : كشفت الكاميرات ذات الدقة العالية للنظام بالألوان الحمراء والخضراء والزرقاء ونموذج الشبكة العصبية التلافيفية عن بقع العفن التي تصل إلى قطر 2 مم، وحققت دقة بنسبة 94.8%. وقد قلّل هذا من خسائر ما بعد الحصاد بنسبة 30% مقارنةً بالفرز اليدوي السابق الذي كانت المزرعة تستخدمه.

3.3 اكتشاف تعفن المانجو

التحدي : غالبًا ما يُصاب المانجو بـ"تعفن طرف الساق" الذي يبدأ من الساق (وهو منطقة أقل وضوحًا أثناء الفحص اليدوي) ثم ينتشر نحو الداخل.

النتيجة : كشف النظام عن تعفن طرف الساق بدقة 95.5% باستخدام تصوير متعدد الزوايا (بما في ذلك كاميرا سفلية تركز على الساق) وتحليل الأشعة تحت الحمراء القريبة، مما ساعد منشأة التعبئة على تجنب شحنات المرفوضة إلى الأسواق المصدر إليها (حيث يُعد خلو المانجو من التعفن شرطًا صارمًا).

4. التحديات والاتجاهات المستقبلية

على الرغم من أن المشروع أظهر أداءً قويًا، إلا أن هناك عدة تحديات لا تزال بحاجة إلى معالجة:

تباين أصناف الفاكهة : الأداء الحالي للنموذج يكون أفضل على الأنواع الشائعة، لكنه يواجه صعوبات مع الفواكه النادرة أو الخاصة بالمناطق (مثل الفاكهة القنوزية، الليتشي) بسبب محدودية بيانات التدريب. وستشمل الأعمال المستقبلية توسيع مجموعة البيانات من خلال التعاون مع مزارع عالمية.

التدخلات البيئية : يمكن أن تؤدي الرطوبة في مرافق التعبئة إلى تكوّن بخار على عدسات الكاميرات، مما يؤثر على جودة الصورة. ويقوم فريق المشروع بتطوير غلاف كاميرات مقاوم للماء ومزود بطبقات مضادة للضباب للتقليل من هذه المشكلة.

إمكانية التكلفة والوصول : قد تكون تكلفة الإعداد الأولية (حوالي 50,000 دولار أمريكي للعتاد والبرمجيات) باهظة بالنسبة للمزارع الصغيرة الحجم. وستركز الإصدارات المستقبلية على بدائل منخفضة التكلفة، مثل استخدام كاميرات الهواتف الذكية المقترنة بأجهزة حوسبة هوشية (مثل Raspberry Pi) لتقليل التكاليف بنسبة 60%.

5. خلاصة

يمثل مشروع نظام الرؤية الآلية لكشف تعفن الفواكه تحوّلًا جذريًا في مراقبة الجودة بعد الحصاد، حيث يعالج مشكلات عدم الكفاءة والقيود المرتبطة بالتفتيش اليدوي. ومن خلال الجمع بين التصوير المتقدم، ومعالجة الصور في الوقت الفعلي، والتعلم الآلي، يقدّم النظام اكتشافًا سريعًا ودقيقًا وغير مدمر للتعفّن، مما يقلل من خسائر ما بعد الحصاد، ويُخفض تكاليف العمالة، ويكفل جودة فواكه متسقة للمستهلكين. ومع تطور هذه التكنولوجيا لتصبح أكثر سهولة وقابلية للتكيف مع أنواع متعددة من الفواكه، فإن لديها القدرة على تحويل سلسلة توريد الفواكه العالمية، وتعزيز الاستدامة والأمن الغذائي في عصر يتزايد فيه الطلب على المنتجات الطازجة.