ফলের পচন ধরার ক্ষেত্রে মেশিন ভিশন সিস্টেমের প্রয়োগ

বৈশ্বিক ফল সরবরাহ চেইনে, পচনের কারণে পোস্ট-হারভেস্ট ক্ষতি এখনও একটি গুরুত্বপূর্ণ চ্যালেঞ্জ, পরিসংখ্যান অনুযায়ী প্রতি বছর সর্টিং এবং সংরক্ষণের সময় অনাবিষ্কৃত পচনের কারণে প্রায় 25% তাজা ফল ফেলে দেওয়া হয়। ঐতিহ্যগত ফল পচন শনাক্তকরণ পদ্ধতি, যা হাতে করে পরীক্ষা নিরীক্ষার উপর নির্ভর করে, শ্রমসাপেক্ষ ও সময়সাপেক্ষ হওয়ার পাশাপাশি মানুষের ভুলের সম্ভাবনা রাখে—বিশেষ করে যখন বড় পরিমাণ ফলের কথা আসে বা প্রাথমিক পর্যায়ের পচন যা দৃশ্যত সূক্ষ্ম হয়। এই সীমাবদ্ধতাগুলি কাটিয়ে উঠতে, মেশিন ভিশন সিস্টেম (MVS) একটি রূপান্তরমূলক প্রযুক্তিতে পরিণত হয়েছে, যা অগ্রসর ইমেজিং, কম্পিউটার ভিশন এবং মেশিন লার্নিং অ্যালগরিদম ব্যবহার করে দ্রুত, সঠিক এবং অ-ধ্বংসাত্মক পচন শনাক্তকরণ সম্ভব করে তোলে।

1. মেশিন ভিশন ডিটেকশন সিস্টেমের প্রযুক্তিগত মৌলিক নীতি

প্রকল্পটির মূল লক্ষ্য হল এমন একটি সিস্টেম তৈরি করা যা ফলের পৃষ্ঠের তথ্য স্বয়ংক্রিয়ভাবে ধারণ করতে পারে, পচনের সাথে সম্পর্কিত দৃশ্যমান বৈশিষ্ট্যগুলি বিশ্লেষণ করতে পারে এবং "সুস্থ" বা "পচা" হিসাবে ফলগুলিকে উচ্চ নির্ভুলতার সাথে শ্রেণীবদ্ধ করতে পারে। সিস্টেমের স্থাপত্য তিনটি প্রধান উপাদানের চারপাশে তৈরি: ইমেজিং হার্ডওয়্যার , ইমেজ প্রি-প্রসেসিং মডিউল , এবং পচন শ্রেণীবিভাগ অ্যালগরিদম .

1.1 ইমেজিং হার্ডওয়্যার সেটআপ

বিস্তৃত তথ্য সংগ্রহ নিশ্চিত করার জন্য, প্রকল্পটি একটি বহু-সেন্সর ইমেজিং প্ল্যাটফর্ম ব্যবহার করে, যার মধ্যে রয়েছে:

উচ্চ-রেজোলিউশন RGB ক্যামেরা : রঙের তথ্য ধারণ করা, কারণ পচন প্রায়শই রঙ পরিবর্তন হিসাবে প্রকাশ পায় (যেমন আপেলের উপর বাদামী দাগ, স্ট্রবেরির উপর ধূসর ছত্রাক)।

নিয়ার-ইনফ্রারেড (NIR) ক্যামেরা : অভ্যন্তরীণ ক্ষয় শনাক্ত করা যা পৃষ্ঠের উপর দৃশ্যমান নাও হতে পারে—উদাহরণস্বরূপ, নাশপাতির কোর রট বা আলুবখড়ায় চোটের কারণে ঘটিত ক্ষয়, যা ফলের NIR রেঞ্জে স্পেকট্রাল রিফ্লেকট্যান্স পরিবর্তন করে।

নিয়ন্ত্রিত আলোক ব্যবস্থা : LED প্যানেল যার তীব্রতা এবং তরঙ্গদৈর্ঘ্য সামঞ্জস্যযোগ্য, ছায়া, ঝলমলে আলো এবং পরিবেশগত আলোর ব্যাঘাত কমাতে, বিভিন্ন ধরনের ফলের জন্য (যেমন, চকচকে চেরি বনাম ম্যাট অ্যাভোকাডো) ধ্রুব ছবির গুণমান নিশ্চিত করতে।

1.2 ছবির প্রাক-প্রক্রিয়াকরণ: বৈশিষ্ট্যের দৃশ্যমানতা বৃদ্ধি

কাঁচা ছবিতে প্রায়শই শব্দ থাকে (যেমন, ফলের পৃষ্ঠে ধুলো, আলোর অসামঞ্জস্য) যা ক্ষয়ের সাথে সম্পর্কিত বৈশিষ্ট্যগুলি ঢেকে রাখতে পারে। প্রকল্পের প্রাক-প্রক্রিয়াকরণ পাইপলাইনে তিনটি গুরুত্বপূর্ণ পদক্ষেপ অন্তর্ভুক্ত রয়েছে:

শব্দ হ্রাস : সম্ভাব্য ক্ষয়ের স্থানগুলির কিনারার বিবরণ সংরক্ষণ করে উচ্চ-ফ্রিকোয়েন্সি শব্দ মসৃণ করার জন্য গাউসিয়ান ফিল্টারিং প্রয়োগ করা।

রঙের স্থান রূপান্তর : রোটের কারণে ঘটিত রঙের পরিবর্তনের প্রতি RGB চ্যানেলগুলির চেয়ে হিউ এবং স্যাচুরেশন চ্যানেলগুলি বেশি সংবেদনশীল বলে আরজিবি ছবিগুলিকে এইচএসভি (হিউ-স্যাচুরেশন-ভ্যালু) রঙের স্থানে রূপান্তর করা। এনআইআর ছবির ক্ষেত্রে, স্বাস্থ্যকর এবং পচা টিস্যুর মধ্যে কনট্রাস্ট বৃদ্ধি করতে গ্রেস্কেলে রূপান্তর করা এবং হিস্টোগ্রাম ইকুয়ালাইজেশন প্রয়োগ করা।

বিভাজন : ফলটিকে পটভূমি থেকে আলাদা করে সম্ভাব্য পচনের অঞ্চলগুলি খুঁজে বার করতে থ্রেশহোল্ডিং এবং এজ ডিটেকশন অ্যালগরিদম (যেমন, ক্যানি এজ ডিটেক্টর) ব্যবহার করা। উদাহরণস্বরূপ, হিউ চ্যানেলে একটি থ্রেশহোল্ড সবুজ আপেলের উপর বাদামি পচনের দাগগুলি শনাক্ত করতে পারে, যা ফলের সবুজ রঙ থেকে তাদের আলাদা করে।

2. প্রকল্পের কাজের ধারা: ফল ইনপুট থেকে শুরু করে সর্টিং আউটপুট পর্যন্ত

মেশিন ভিশন ডিটেকশন সিস্টেমটি ফলের প্যাকিং লাইনের একটি সমন্বিত অংশ হিসাবে কাজ করে, যা একটি মসৃণ কাজের ধারার অনুসরণ করে:

ফলের খাদ্য : ফলগুলি কনভেয়ার বেল্টে লোড করা হয়, যা তাদের ধ্রুব গতিতে (ফলের আকারের উপর ভিত্তি করে সমন্বয়যোগ্য, উদাহরণস্বরূপ আপেলের জন্য 0.5 m/s, ছোট স্ট্রবেরির জন্য 0.3 m/s) ইমেজিং স্টেশনে নিয়ে যায়।

ছবি ধারণ : যখন একটি পজিশন সেন্সর ইমেজিং অঞ্চলে প্রবেশ করা ফল শনাক্ত করে, তখন RGB এবং NIR ক্যামেরা বিভিন্ন কোণ থেকে ফলটির 3–5টি ছবি তোলে।

রিয়েল-টাইম প্রসেসিং : প্রি-প্রসেসিং পাইপলাইন < 0.5 সেকেন্ডের মধ্যে ছবিগুলি প্রক্রিয়া করে, এবং শ্রেণীবিভাগ মডেলটি পচনের অবস্থা (সাউন্ড/প্রাথমিক পচন/গুরুতর পচন) এবং আত্মবিশ্বাসের স্কোর (উদাহরণস্বরূপ, গুরুতর পচনের জন্য 98% আত্মবিশ্বাস) সহ একটি ভবিষ্যদ্বাণী তৈরি করে।

সর্টিং ক্রিয়াকলাপ : ভবিষ্যদ্বাণীর উপর ভিত্তি করে, সিস্টেমটি কনভেয়ার বেল্টের শেষ প্রান্তে একটি প্নিউমেটিক অ্যাকচুয়েটর বা রোবটিক বাহুতে একটি সংকেত পাঠায়। ভালো ফলগুলি "প্যাকিং" লাইনে পাঠানো হয়, প্রাথমিক পচনযুক্ত ফলগুলি হাতে পুনরায় পরীক্ষার জন্য "গুণগত নিয়ন্ত্রণ" স্টেশনে পাঠানো হয় (মিথ্যা ইতিবাচক ফলাফল কমাতে), এবং গুরুতর পচনযুক্ত ফলগুলি "বর্জ্য" বাক্সে পাঠানো হয়।

ডেটা লগিং : সিস্টেমটি ক্লাউড-ভিত্তিক ডাটাবেসে প্রতিটি ফলের আইডি, ছবি, শ্রেণীবিভাগের ফলাফল এবং আত্মবিশ্বাসের স্কোর রেকর্ড করে। আরও ডেটা সংগ্রহের সাথে সাথে নির্ভুলতা উন্নত করার জন্য এই ডেটা পর্যায়ক্রমে শ্রেণীবিভাগের মডেল পুনঃপ্রশিক্ষণের জন্য ব্যবহৃত হয়।

3. বাস্তব জীবনের প্রয়োগ এবং কর্মক্ষমতা: কেস স্টাডি

3.1 আপেলের পচন শনাক্তকরণ

সঠিকতা : ম্যানুয়াল পরীক্ষকদের তুলনায় (82.5%) পচন শনাক্তকরণে সিস্টেমটি 96.2% নির্ভুলতা অর্জন করেছে, যেখানে মাত্র 2.1% ছিল মিথ্যা ইতিবাচক হার (ম্যানুয়াল পরীক্ষায় এটি ছিল 7.8%)।

গতি : ম্যানুয়াল পরীক্ষক প্রতি মিনিটে 40টি আপেল পরীক্ষা করার তুলনায় সিস্টেমটি প্রতি মিনিটে 120টি আপেল প্রক্রিয়া করেছে—শ্রম খরচ 67% হ্রাস করেছে।

প্রথম ধাপে নির্ণয় : সঞ্চয়াগারে পচন ছড়ানোর আগেই খামারগুলিকে আক্রান্ত ফল আলাদা করতে সক্ষম করে ম্যানুয়াল পরীক্ষার চেয়ে 5–7 দিন আগে আপেলের অভ্যন্তরীণ কোর রট শনাক্ত করতে এনআইআর ক্যামেরা সক্ষম হয়েছিল।

3.2 স্ট্রবেরি পচন শনাক্তকরণ

চ্যালেঞ্জ : স্ট্রবেরি নাজুক এবং পৃষ্ঠের ছত্রাকের (যেমন, Botrytis cinerea ) প্রবণ যা আকারের ক্ষুদ্রতার কারণে প্রায়শই ম্যানুয়াল পরীক্ষকদের দ্বারা লক্ষ্য করা হয় না।

ফলাফল : সিস্টেমের উচ্চ-রেজোলিউশন RGB ক্যামেরা এবং CNN মডেল 2 মিমি ব্যাসের ছোট ছোট ছত্রাকের দাগ শনাক্ত করতে সক্ষম হয়েছিল, 94.8% নির্ভুলতা অর্জন করে। এটি খামারের পূর্বের হাতে করা শ্রেণীবিভাগের তুলনায় ফসল কাটার পরের ক্ষতি 30% হ্রাস করেছে।

3.3 আমের পচন শনাক্তকরণ

চ্যালেঞ্জ : আমগুলি প্রায়শই "কাণ্ড-প্রান্তীয় পচন" দেখা দেয়, যা কাণ্ডের স্থানে শুরু হয় (হাতে পরিদর্শনের সময় কম দৃশ্যমান অঞ্চল) এবং ভিতরের দিকে ছড়িয়ে পড়ে।

ফলাফল : সিস্টেমের বহু-কোণের ইমেজিং (কাণ্ডের উপর ফোকাস করা নীচের ক্যামেরাসহ) এবং NIR বিশ্লেষণ 95.5% নির্ভুলতায় কাণ্ড-প্রান্তীয় পচন শনাক্ত করেছিল, রপ্তানি বাজারে (যেখানে পচনমুক্ত আম একটি কঠোর প্রয়োজনীয়তা) পাঠানো পণ্য প্রত্যাখ্যান এড়াতে প্যাকিং সুবিধাটিকে সাহায্য করেছিল।

4. চ্যালেঞ্জ এবং ভবিষ্যতের দিকনির্দেশ

যদিও প্রকল্পটি শক্তিশালী কার্যকারিতা দেখিয়েছে, এখনও কয়েকটি চ্যালেঞ্জ রয়েছে যা সমাধান করা বাকি:

ফলের প্রকারভেদের বৈচিত্র্য : বর্তমান মডেলটি সাধারণ প্রকারের ফলের ক্ষেত্রে ভালো কাজ করে, কিন্তু প্রশিক্ষণের তথ্যের অভাবে দুর্লভ বা অঞ্চলভিত্তিক ফল (যেমন ডুরিয়ান, লিচু) চিনতে ব্যর্থ হয়। ভবিষ্যতে বিশ্বব্যাপী খামারগুলির সাথে সহযোগিতার মাধ্যমে তথ্যসেট প্রসারিত করা হবে।

পরিবেশগত হস্তক্ষেপ : প্যাকিং সুবিধাগুলিতে আর্দ্রতা ক্যামেরার লেন্সে ঘনীভবন সৃষ্টি করতে পারে, যা ছবির গুণমানকে প্রভাবিত করে। এই সমস্যা কমাতে প্রকল্প দলটি কুয়াশা-প্রতিরোধী আবরণযুক্ত জলরোধী ক্যামেরা আবরণ তৈরি করছে।

খরচের দিক থেকে সহজলভ্যতা : হার্ডওয়্যার ও সফটওয়্যারের জন্য প্রাথমিক সেটআপ খরচ (প্রায় 50,000 মার্কিন ডলার) ছোট পরিসরের খামারগুলির জন্য অসামর্থ্যের কারণ হতে পারে। ভবিষ্যতের সংস্করণগুলি কম খরচের বিকল্পগুলির উপর ফোকাস করবে, যেমন খরচ 60% কমাতে রাস্পবেরি পাই-এর মতো এজ কম্পিউটিং ডিভাইসের সাথে স্মার্টফোনের ক্যামেরা ব্যবহার করা।

5। সিদ্ধান্ত

ফলের পচন শনাক্তকরণের জন্য মেশিন ভিশন সিস্টেম প্রকল্পটি পোস্ট-হার্ভেস্ট গুণগত নিয়ন্ত্রণে একটি প্যারাডাইম পরিবর্তন ঘটায়, যা হাতে করা পরিদর্শনের অদক্ষতা এবং সীমাবদ্ধতা কাটিয়ে উঠে। উন্নত ইমেজিং, রিয়েল-টাইম ইমেজ প্রসেসিং এবং মেশিন লার্নিং একত্রিত করে, এই সিস্টেমটি দ্রুত, নির্ভুল এবং অ-ধ্বংসাত্মক পচন শনাক্তকরণ প্রদান করে—পোস্ট-হার্ভেস্ট ক্ষতি কমায়, শ্রম খরচ হ্রাস করে এবং ভোক্তাদের জন্য ফলের গুণগত মান নিশ্চিত করে। প্রযুক্তি যত বেশি বিভিন্ন ফলের প্রকারভেদে ব্যবহারযোগ্য ও অভিযোজ্য হবে, ততই এটি বৈশ্বিক ফল সরবরাহ শৃঙ্খলকে রূপান্তরিত করার সম্ভাবনা রাখে, তাজা পণ্যের চাহিদা বৃদ্ধির যুগে টেকসই উন্নয়ন এবং খাদ্য নিরাপত্তা প্রচার করে।