Aplikace systémů strojového vidění při detekci hniloby ovoce

Ve světovém obchodním řetězci s ovocem zůstává po sklizni ztráta způsobená hnilobou kritickým problémem, a to až do výše 25 % čerstvého ovoce, které je každoročně vyřazeno kvůli nepozorovanému zkvašení během třídění a skladování. Tradiční metody detekce hniloby ovoce, které spoléhají na ruční prohlídku, jsou nejen náročné na pracovní sílu a čas, ale jsou také náchylné k lidským chybám – zejména při manipulaci s velkými objemy produktů nebo při detekci počátečních stádií hniloby, které jsou vizuálně málo patrné. Pro překonání těchto omezení, systémy strojového vidění (MVS) se ukázaly jako transformační technologie, které využívají pokročilé zobrazování, počítačové vidění a algoritmy strojového učení k rychlému, přesnému a nedestruktivnímu zjišťování hniloby.

1. Technické základy systému detekce pomocí strojového vidění

Hlavním cílem projektu je vyvinout systém, který bude schopen automaticky zachytit informace o povrchu ovoce, analyzovat vizuální znaky spojené s hnilobou a klasifikovat ovoce jako „zdravé“ nebo „zkroucené“ s vysokou přesností. Architektura systému je založena na třech klíčových komponentách: zobrazovací hardware , moduly předzpracování obrazu , a algoritmy klasifikace hniloby .

1.1 Nastavení zobrazovacího hardwaru

Pro zajištění komplexního sběru dat projekt využívá vícesenzorovou zobrazovací platformu, včetně:

Vysokého rozlišení RGB kamery : Zachycení barevné informace, protože hniloba se často projevuje změnou barvy (např. hnědé skvrny na jablkách, šedá plíseň na jahodách).

Kamery v blízkém infračerveném spektru (NIR) : Detekce vnitřního hnití, které nemusí být na povrchu viditelné – například hniloba jádra hrušek nebo modřinami způsobené hniloby broskví, které mění spektrální odrazivost ovoce v NIR oblasti.

Systémy řízeného osvětlení : LED panely s nastavitelnou intenzitou a vlnovou délkou, které minimalizují stíny, odlesky a rušivý vliv okolního světla, čímž zajišťují konzistentní kvalitu obrazu u různých druhů ovoce (např. lesklé třešně versus matné avokáda).

1.2 Předzpracování obrazu: Zvyšování viditelnosti znaků

Syrové obrázky často obsahují šum (např. prach na povrchu ovoce, nerovnoměrnosti osvětlení), který může zakrývat znaky související s hnitím. Předzpracovací kanál projektu zahrnuje tři klíčové kroky:

Snížení hluku : Aplikace Gaussova filtru pro vyhlazení vysokofrekvenčního šumu při zachování detailů hran potenciálních hnisavých míst.

Převod barevného prostoru : Převod RGB obrázků do barevného prostoru HSV (odstín-sytost-jas), protože kanály odstínu a sytosti jsou citlivější na změny způsobené hnilobou než standardní RGB kanály. U NIR obrázků se provádí převod do odstínů šedé a aplikuje se vyrovnání histogramu za účelem zvýšení kontrastu mezi zdravou a zkroucenou tkání.

Segmentace : Použití prahových hodnot a algoritmů detekce hran (např. Cannyho detektor hran) k izolaci ovoce od pozadí a segmentaci potenciálních oblastí hniloby. Například prahová hodnota v kanálu odstínu může identifikovat hnědé skvrny hniloby na zelených jablkách tím, že je odliší od zdravé zelené barvy ovoce.

2. Pracovní postup projektu: od vložení ovoce po třídění

Systém detekce pomocí strojového vidění funguje jako integrovaná součást linky na balení ovoce a sleduje plynulý pracovní postup:

Vložení ovoce : Ovoce je naloženo na pás, který jej přepravuje na místo snímání konstantní rychlostí (nastavitelnou podle velikosti ovoce, např. 0,5 m/s pro jablka, 0,3 m/s pro malá jahodová ovoce).

Zachycení obrázku : Jakmile senzor polohy detekuje vstup ovoce do zóny snímání, kamery RGB a NIR pořizují 3–5 snímků ovoce z různých úhlů.

Zpracování v reálném čase : Zpracování obrazu probíhá v rámci předzpracovacího procesu za méně než 0,5 sekundy a klasifikační model vygeneruje predikci stavu hnití (zdravé / počáteční hnití / vážné hnití) s hodnotou spolehlivosti (např. 98% spolehlivost při vážném hnití).

Třídicí akce : Na základě predikce systém odešle signál na pneumatický aktuátor nebo robotické rameno na konci dopravního pásu. Zdravé ovoce je přesměrováno na linku „balení“, ovoce s počátečním hnitím je nasměrováno na stanici „kontrola kvality“ pro ruční přezkoušení (za účelem minimalizace falešně pozitivních výsledků) a ovoce s vážným hnitím je odvedeno do koše „odpad“.

Záznam dat : Systém zaznamenává ID každého ovoce, obrázky, výsledek klasifikace a míru spolehlivosti do cloudové databáze. Tato data jsou používána k pravidelnému přeškolování modelu klasifikace, čímž se zvyšuje přesnost se zvyšujícím se objemem shromážděných dat.

3. Aplikace a výkon ve skutečném světě: Případové studie

3.1 Detekce hniloby jablek

Přesnost : Systém dosáhl přesnosti 96,2 % při detekci hniloby (ve srovnání s 82,5 % u ruční kontroly), přičemž míra falešně pozitivních výsledků byla pouze 2,1 % (u ruční kontroly 7,8 %).

Rychlost : Systém zpracoval 120 jablek za minutu ve srovnání s 40 jablky za minutu u jednoho ručního kontrolora – snížení pracovních nákladů o 67 %.

Časná detekce : NIR kamera umožnila detekci vnitřní jádrové hniloby jablek o 5–7 dní dříve než ruční kontrola, což pěstitelům umožnilo třídit postižené kusy dříve, než se hniloba rozšíří během skladování.

3.2 Detekce hniloby jahod

Výzva : Jahody jsou křehké a náchylné na povrchovou plíseň (např. Botrytis cinerea ), kterou ruční kontrolóři často přehlédnou kvůli malé velikosti.

Výsledek : Systém s vysokým rozlišením RGB kamer a CNN modelem detekoval plíseň o velikosti pouhých 2 mm v průměru s přesností 94,8 %. Tím došlo ke snížení ztrát po sklizni o 30 % ve srovnání s dřívějším manuálním tříděním na farmě.

3.3 Detekce hniloby mangovníku

Výzva : Mangovníky často vyvíjejí „hnilobu u stopky“, která začíná na stopce (oblast méně viditelná při manuální prohlídce) a postupně se šíří dovnitř.

Výsledek : Systém s víceúhelným snímáním (včetně kamery zespodu zaměřené na stopku) a NIR analýzou detekoval hnilobu u stopky s přesností 95,5 %, čímž pomohl balícímu zařízení vyhnout se odmítnutí dodávek na exportní trhy (kde je požadavek na mangovníky bez hniloby přísný).

4. Výzvy a budoucí směry

I když projekt prokázal vysokou účinnost, stále existují určité výzvy, které je třeba vyřešit:

Variabilita odrůd ovoce : Současný model dosahuje nejlepších výsledků u běžných odrůd, ale má potíže s vzácnými nebo regionálně specifickými ovocnými druhy (např. duriany, litchi) kvůli omezeným trénovacím datům. Budoucí práce budou zahrnovat rozšíření datové sady prostřednictvím spolupráce s farmami po celém světě.

Zásah do životního prostředí : Vlhkost ve skladovacích zařízeních může způsobit orosení objektivů kamer, což negativně ovlivňuje kvalitu obrazu. Tým projektu vyvíjí vodotěsné pouzdra pro kamery s proti-mlhovými povlaky, aby tento problém zmírnil.

Dostupnost nákladů : Počáteční instalační náklady (cca 50 000 USD za hardware a software) mohou být pro malé farmy nepřijatelné. Budoucí verze se budou zaměřovat na levnější alternativy, například použití kamer chytrých telefonů spárovaných s hranovými výpočetními zařízeními (např. Raspberry Pi), čímž se sníží náklady o 60 %.

5. Závěr

Projekt systému strojového vidění pro detekci hniloby ovoce představuje zásadní změnu v kvalitě kontroly po sklizni, která řeší neefektivnost a omezení ruční kontroly. Kombinací pokročilého snímání, zpracování obrazu v reálném čase a strojového učení poskytuje systém rychlou, přesnou a nedestruktivní detekci hniloby – snižuje tak ztráty po sklizni, snižuje náklady na pracovní sílu a zajišťuje konzistentní kvalitu ovoce pro spotřebitele. Jak se technologie bude dále vyvíjet, aby byla dostupnější a lépe přizpůsobitelná různým druhům ovoce, má potenciál transformovat celosvětový obchod s ovocem a podporovat udržitelnost a bezpečnost dodávek potravin v éře rostoucí poptávky po čerstvém ovoci.