Gépi látórendszerek alkalmazása gyümölcshibásodások észlelésében

A globális gyümölcstermelési láncban a romlás miatti posztharvest veszteség továbbra is komoly kihívást jelent, és a statisztikák szerint évente akár a friss gyümölcsök 25%-a is elvész észrevétlenül bekövetkező romlás miatt a válogatás és tárolás során. A hagyományos, kézi szemrevételezésen alapuló gyümölcstromlás-detektálási módszerek nemcsak munkaigényesek és időigényesek, hanem emberi hibákra is hajlamosak – különösen nagy mennyiségű termény vagy vizuálisan alig észrevehető, korai stádiumú romlás esetén. Ezekkel a korlátozásokkal szemben: gépi látórendszerek (MVS) kerültek előtérbe mint átalakító technológia, amely fejlett képalkotó rendszereket, számítógépes látást és gépi tanulási algoritmusokat használ fel a gyors, pontos és nem romboló romlásfelismerés érdekében.

1. A gépi látórendszer detektálási technikai alapjai

A projekt fő célja egy olyan rendszer kifejlesztése, amely automatikusan rögzíti a gyümölcsök felületi információit, elemzi a rothadással kapcsolatos látványjellemzőket, és nagy pontossággal besorolja a gyümölcsöket "egészséges" vagy "rothadt" kategóriába. A rendszer architektúrája három fő komponensre épül: képalkotó hardver , képelőfeldolgozó modulok , és rothadás-osztályozó algoritmusok .

1.1 Képalkotó Hardver Beállítása

A teljeskörű adatgyűjtés biztosítása érdekében a projekt egy többszenzoros képalkotó platformot alkalmaz, beleértve:

Nagy felbontású RGB kamerákat : Színinformáció rögzítése, mivel a rothadás gyakran elszíneződés formájában jelentkezik (például barna foltok az almán, szürke penész a málnán).

Közeli infravörös (NIR) kamerákat : Belső rothadás észlelése, amely a felületen nem látható – például a körték maghéjrothadása vagy a barackok ütödések által okozott rothadása, amely megváltoztatja a gyümölcs spektrális visszaverődését a NIR tartományban.

Szabályozott világítórendszerek : LED panelek állítható intenzitással és hullámhosszal a árnyékok, csillogás és környezeti fényzavar minimalizálása érdekében, így biztosítva az egységes képminőséget különböző gyümölcsfajták esetén (pl. fényes cseresznye vs. matt avokádó).

1.2 Képelőfeldolgozás: A jellemzők láthatóságának javítása

A nyers képek gyakran zajt tartalmaznak (pl. por a gyümölcs felületén, világítási inkonzisztenciák), amely elrejtheti a rothadással kapcsolatos jellemzőket. Az előfeldolgozási folyamat három kulcsfontosságú lépést tartalmaz:

Zajcsökkentés : Gauss-szűrő alkalmazása a magas frekvenciájú zaj simítására, miközben megőrzi a potenciális rothadási pontok széleinek részleteit.

Színtér-átalakítás : Az RGB-képek átalakítása HSV (árnyalat-telítettség-érték) színtérbe, mivel az árnyalat és a telítettség csatornái érzékenyebbek a rothadás okozta színváltozásokra, mint az RGB-csatornák. NIR-képek esetén a képek átalakítása szürkeárnyalatos formába, majd hisztogram-kiegyenlítés alkalmazása, hogy növelje a kontrasztot az egészséges és elhalt szövetek között.

Szegmentálás : Küszöbérték-alapú és élérzékelő algoritmusok (például Canny-élérzékelő) használata a gyümölcs háttérrel szembeni elkülönítéséhez, valamint a lehetséges rothadásos területek szegmentálásához. Például egy színárnyalat-csatornán alkalmazott küszöb segítségével azonosíthatók a barnás rothadásfoltok a zöld almákon, mivel ezek így elkülöníthetők a gyümölcs egészséges zöld színétől.

2. Projekt folyamat: A gyümölcs bemenettől a sortálás kimenetéig

A gépi látáson alapuló érzékelő rendszer egy integrált részeként működik a gyümölcs csomagolósorának, egy folyamatos munkafolyamat szerint:

Gyümölcs betáplálás : A gyümölcsöket a szállítószalagra helyezik, amely állandó sebességgel viszi őket a képalkotó állomás felé (a sebesség a gyümölcs méretétől függően állítható, például almák esetén 0,5 m/s, kis méretű epernél 0,3 m/s).

Képfelvesz : Amikor egy pozícióérzékelő érzékeli, hogy a gyümölcs belép a képalkotó zónába, az RGB és NIR kamerák 3–5 képet készítenek a gyümölcsről különböző szögekből.

Valós idejű feldolgozás : Az előfeldolgozási folyamat kevesebb, mint 0,5 másodperc alatt dolgozza fel a képeket, és az osztályozó modell egy rot állapot-előrejelzést hoz létre (egészséges/kezdeti rothadás/súlyos rothadás) megbízhatósági pontossággal (például 98% biztonsággal súlyos rothadás esetén).

Rendezési művelet : Az előrejelzés alapján a rendszer jelet küld egy pneumatikus működtetőegységnek vagy robotkar-nak a szállítószalag végén. Az egészséges gyümölcsöket a „csomagoló” vonalra irányítják, a kezdeti rothadásúakat egy „minőségellenőrző” állomásra továbbítják újraellenőrzés céljából (a hamis pozitív eredmények minimalizálása érdekében), míg a súlyosan elrothadt gyümölcsöket a „hulladék” rekeszbe terelik.

Adatok rögzítése : A rendszer rögzíti minden gyümölcs azonosítóját, képeit, osztályozási eredményét és a megbízhatósági pontosságot egy felhőalapú adatbázisban. Ezek az adatok időnként újra betanítják az osztályozó modellt, így növelve a pontosságot az adatmennyiség növekedésével.

3. Valódi alkalmazás és teljesítmény: esettanulmányok

3.1 Almáknál fellépő rothadás-felismerés

Pontosság : A rendszer 96,2%-os pontossággal azonosította a rothadást (kézi ellenőrök esetén ez 82,5% volt), miközben a hamis pozitív érték csak 2,1% volt (a kézi ellenőrzésnél ez 7,8% volt).

Sebesség : A rendszer percenként 120 almát dolgozott fel, szemben a kézi ellenőrök által percenként 40 almával – így a munkaerőköltségek 67%-kal csökkentek.

Korai észlelés : Az NIR-kamera lehetővé tette a belső magrothadás kimutatását az almákban 5–7 nappal korábban, mint a kézi ellenőrzés, így a gazdaságok kiválogathatták az érintett gyümölcsöket, mielőtt a rothadás terjedni kezdett volna a tárolás során.

3.2 Szeder rothadás-felismerés

Kihívás : A szedreket nagyon érzékenyek, és hajlamosak a felszíni penészesedésre (például Botrytis cinerea ), amelyet gyakran nem vesznek észre a kézi ellenőrök a kis méretük miatt.

Eredmény : A rendszer nagy felbontású RGB-kamerái és a CNN-modell 2 mm átmérőjű penészfoltokat is képesek voltak észlelni, 94,8%-os pontossággal. Ez 30%-kal csökkentette a betakarítást követő veszteséget a gazdaság korábbi kézi szortírozási eljárásához képest.

3.3 Mango rothadás-felismerés

Kihívás : A mangók gyakran „törzs-végű rothadást” fejlesztenek, amely a szárnál kezdődik (egy kevésbé látható terület manuális vizsgálat során), és befelé terjed.

Eredmény : A rendszer többszögletes képalkotása (beleértve az alján lévő kamerát is, amely a szárra fókuszál) és a közeli infravörös (NIR) analízis 95,5%-os pontossággal észlelte a törzsvég-rot lángot, így segített a csomagolóüzemnek elkerülni a visszautasított szállítmányokat az exportpiacokon (ahol a rothadásmentes mangók szigorú követelményt jelentenek).

4. Kihívások és jövőbeli irányok

Bár a projekt erős teljesítményt mutatott, még mindig számos kihívás maradt, amelyeket kezelni kell:

A gyümölcsfajták változékonysága : A jelenlegi modell a legjobban a gyakori fajtákon működik, de nehézségekbe ütközik a ritka vagy régióspecifikus gyümölcsökkel (pl. durian, licsi) a korlátozott tanítóadatok miatt. A jövőbeni munka globális gazdaságokkal való együttműködés keretében a adatkészlet bővítését foglalja majd magában.

Környezeti interferencia : A páratartalom a csomagolóüzemekben kondenzációt okozhat a kamerák lencséin, ami befolyásolja a képminőséget. A projektcsoport vízálló kamera burkolatokat fejleszt anti-köd bevonattal, hogy enyhítse ezt a problémát.

Költség-hozzáférhetőség : A kezdeti telepítési költség (kb. 50 000 USD hardverre és szoftverre) akadályozó lehet kis méretű gazdaságok számára. A jövőbeli verziók alacsonyabb költségű alternatívákra fognak helyezni hangsúlyt, például okostelefonos kamerák használatára perifériás számítógépes eszközökkel (például Raspberry Pi), amelyekkel a költségek 60%-kal csökkenthetők.

5. Következtetés

A gépi látásrendszer-projekt a gyümölcshibásodás észlelésére paradigmaváltást jelent a betakarítást követő minőségellenőrzés terén, kijavítva a kézi ellenőrzés hatékonysági hiányosságait és korlátait. A fejlett képalkotó rendszerek, a valós idejű képfeldolgozás és a gépi tanulás kombinálásával a rendszer gyors, pontos és nem romboló módon képes kimutatni a rothadást – csökkentve a betakarítást követő veszteségeket, alacsonyabb munkaerőköltségeket biztosítva, és fogyasztói oldalon állandóan magas gyümölcsminezőséget garantálva. Ahogy a technológia egyre elérhetőbbé és változatosabb gyümölcstípusokra alkalmazhatóvá válik, az egész világi gyümölcsgazdaságot átalakíthatja, elősegítve a fenntarthatóságot és az élelmiszer-biztonságot egy olyan korszakban, amikor növekszik az igény a friss termékekre.