Aplikasi Sistem Penglihatan Mesin dalam Mengesan Kerosakan Buah

Dalam rantaian bekalan buah-buahan global, kehilangan selepas penuaian akibat kerosakan masih merupakan cabaran utama, dengan statistik menunjukkan sehingga 25% buah-buahan segar dibuang setiap tahun disebabkan oleh reput yang tidak dikesan semasa proses pengisihan dan penyimpanan. Kaedah tradisional untuk mengesan kerosakan buah, yang bergantung kepada pemeriksaan manual, bukan sahaja memerlukan tenaga kerja yang tinggi dan memakan masa, malah juga mudah melakukan kesilapan manusia—terutamanya apabila menangani jumlah hasil yang besar atau kerosakan peringkat awal yang sukar dikesan secara visual. Untuk mengatasi keterbatasan ini, sistem penglihatan mesin (MVS) telah muncul sebagai teknologi transformasional, menggunakan imbasan maju, penglihatan komputer, dan algoritma pembelajaran mesin untuk membolehkan pengesanan kerosakan yang cepat, tepat, dan tidak merosakkan.

1. Asas Teknikal Sistem Pengesanan Penglihatan Mesin

Objektif utama projek ini adalah untuk membangunkan sistem yang boleh secara automatik merakam maklumat permukaan buah, menganalisis ciri-ciri visual yang berkaitan dengan kerosakan, dan mengklasifikasikan buah sebagai "elok" atau "rosak" dengan ketepatan tinggi. Arkitektur sistem ini dibina berdasarkan tiga komponen utama: perkakasan pengimejan , modul pra-pemprosesan imej , dan algoritma pengkelasan kerosakan .

1.1 Tetapan Perkakasan Pengimejan

Untuk memastikan pengumpulan data yang lengkap, projek ini menggunakan platform pengimejan pelbagai sensor, termasuk:

Kamera RGB resolusi tinggi : Merakam maklumat warna, kerana kerosakan biasanya bermanifestasi sebagai perubahan warna (contohnya, tompok coklat pada epal, kulat kelabu pada strawberi).

Kamera infra-merah dekat (NIR) : Mengesan reput dalaman yang mungkin tidak kelihatan pada permukaan—sebagai contoh, reput teras pada pir atau kerosakan akibat lelasan pada buah persik, yang mengubah pantulan spektrum buah dalam julat NIR.

Sistem pencahayaan terkawal : Panel LED dengan keamatan dan panjang gelombang boleh laras untuk meminimumkan bayang-bayang, silau, dan gangguan cahaya sekitar, memastikan kualiti imej yang konsisten merentasi pelbagai jenis buah (contohnya, ceri berkilat berbanding avocado pudar).

1.2 Pra-pemprosesan Imej: Meningkatkan Ketampakan Ciri

Imej mentah sering mengandungi hingar (contohnya, habuk pada permukaan buah, ketidakrataan pencahayaan) yang boleh menyembunyikan ciri reput. Paip pra-pemprosesan projek ini termasuk tiga langkah utama:

Pengurangan bunyi bising : Menggunakan penapisan Gaussian untuk melicinkan hingar frekuensi tinggi sambil mengekalkan butiran tepi tompok reput yang berpotensi.

Penukaran Ruang Warna : Menukar imej RGB kepada ruang warna HSV (Hue-Saturation-Value), kerana saluran hue dan saturation lebih peka terhadap perubahan warna yang disebabkan oleh kereputan berbanding saluran RGB piawai. Untuk imej NIR, menukar kepada skala kelabu dan menggunakan penyamarataan histogram untuk meningkatkan kontras antara tisu yang sihat dan mereput.

Pengelasan : Menggunakan algoritma penentukurungan dan pengesanan tepi (contohnya, pengesan tepi Canny) untuk mengasingkan buah daripada latar belakang dan mensegmenkan kawasan reput yang berpotensi. Sebagai contoh, penentukurungan pada saluran rona boleh mengenal pasti tompokan perubahan perang pada epal hijau dengan membezakannya daripada warna hijau segar buah tersebut.

2. Alur Kerja Projek: Daripada Input Buah kepada Output Pengisihan

Sistem pengesanan penglihatan mesin beroperasi sebagai sebahagian daripada garisan pengepakan buah yang terintegrasi, mengikut alur kerja yang lancar:

Pemberian Buah : Buah-buahan dimuatkan ke atas tali sawat penghantar, yang menggerakkannya ke stesen pengimejan pada kelajuan malar (boleh dilaraskan berdasarkan saiz buah, contohnya 0.5 m/s untuk epal, 0.3 m/s untuk strawberi kecil).

Tangkap Imej : Apabila sensor kedudukan mengesan buah memasuki zon pengimejan, kamera RGB dan NIR akan merakam 3–5 imej buah dari pelbagai sudut.

Pemprosesan Secara Nyata : Paip pra-pemprosesan memproses imej dalam masa < 0.5 saat, dan model pengkelasan menghasilkan ramalan status reput (elok/reput awal/reput teruk) bersama skor keyakinan (contohnya, 98% keyakinan untuk reput teruk).

Tindakan Pengisihan : Berdasarkan ramalan tersebut, sistem menghantar isyarat kepada aktuator pneumatik atau lengan robotik di hujung tali sawat. Buah yang elok dihala ke garisan "pengepakan", buah yang reput awal dihala ke stesen "kawalan kualiti" untuk semakan manual (untuk meminimumkan kes positif palsu), dan buah yang reput teruk dialihkan ke tong "sisa".

Penyimpanan data : Sistem merekodkan ID setiap buah, imej, keputusan pengkelasan, dan skor keyakinan dalam pangkalan data berasaskan awan. Data ini digunakan untuk melatih semula model pengkelasan secara berkala, meningkatkan ketepatan seiring dengan penambahan data.

3. Aplikasi dan Prestasi Dunia Sebenar: Kajian Kes

3.1 Pengesanan Reput Epal

Ketepatan : Sistem ini mencapai ketepatan 96.2% dalam mengesan kerosakan (berbanding 82.5% untuk pemeriksaan manual), dengan kadar positif palsu hanya 2.1% (pemeriksaan manual mempunyai kadar positif palsu 7.8%).

Kelajuan : Sistem ini memproses 120 biji epal setiap minit, berbanding 40 biji epal setiap minit oleh seorang pemeriksa manual—mengurangkan kos buruh sebanyak 67%.

Pengesanan Awal : Kamera NIR membolehkan pengesanan kerosakan dalaman pada teras epal 5–7 hari lebih awal daripada pemeriksaan manual, membolehkan ladang mengasingkan buah yang terjejas sebelum kerosakan merebak semasa penyimpanan.

3.2 Pengesanan Kerosakan Strawberi

Cabaran : Strawberi adalah rapuh dan mudah dijangkiti kulat permukaan (contohnya, Botrytis cinerea ) yang kerap terlepas daripada pemeriksaan manual disebabkan saiznya yang kecil.

Keputusan : Kamera RGB resolusi tinggi dan model CNN sistem ini dapat mengesan tompokan kulat sekecil 2 mm dalam diameter, mencapai ketepatan 94.8%. Ini mengurangkan kehilangan selepas tuai sebanyak 30% berbanding proses pengisihan manual sebelumnya di ladang tersebut.

3.3 Pengesanan Kerosakan Mangga

Cabaran : Mangga kerap mengalami "reput hujung batang" yang bermula pada batang (kawasan yang kurang ketara semasa pemeriksaan manual) dan merebak ke dalam.

Keputusan : Sistem imej berbilang sudut (termasuk kamera bawah yang difokuskan pada bahagian batang) dan analisis NIR berjaya mengesan reput hujung batang dengan ketepatan 95.5%, membantu kemudahan pengepakan mengelakkan penghantaran yang ditolak ke pasaran eksport (di mana mangga tanpa kereputan merupakan keperluan ketat).

4. Cabaran dan Arah Perkembangan Masa Depan

Walaupun projek ini telah menunjukkan prestasi yang baik, terdapat beberapa cabaran yang masih perlu diselesaikan:

Kepelbagaian Jenis Buah : Model semasa memberi prestasi terbaik untuk jenis buah yang biasa, tetapi menghadapi kesukaran dengan buah-buahan yang jarang atau khusus mengikut kawasan (contohnya durian, laici) disebabkan oleh data latihan yang terhad. Kerja-kerja masa depan akan melibatkan pengembangan set data melalui kerjasama dengan ladang-ladang global.

Gangguan Alam Sekitar : Kelembapan di kemudahan pengepakan boleh menyebabkan kondensasi pada kanta kamera, yang menjejaskan kualiti imej. Pasukan projek sedang membangunkan pelindung kamera kalis air dengan salutan anti-kabut untuk mengurangkan isu ini.

Kos Aksesibiliti : Kos pemasangan awal (≈ $50,000 untuk perkakasan dan perisian) mungkin terlalu tinggi bagi ladang berskala kecil. Versi masa depan akan memberi fokus kepada alternatif berkos rendah, seperti menggunakan kamera telefon pintar yang dipadankan dengan peranti komputing pinggir (contohnya, Raspberry Pi) untuk mengurangkan kos sebanyak 60%.

5. Kesimpulan

Projek sistem penglihatan mesin untuk pengesanan reput buah mewakili perubahan paradigma dalam kawalan kualiti selepas tuai, menangani ketidakefisienan dan batasan pemeriksaan secara manual. Dengan menggabungkan pengimejan lanjutan, pemprosesan imej masa nyata, dan pembelajaran mesin, sistem ini memberikan pengesanan reput yang cepat, tepat, dan bukan merosakkan—mengurangkan kehilangan hasil selepas tuai, menurunkan kos buruh, dan memastikan kualiti buah yang konsisten kepada pengguna. Seiring dengan perkembangan teknologi ini menjadi lebih mudah diakses dan boleh disesuaikan dengan pelbagai jenis buah, ia berpotensi untuk mengubah suai rantaian bekalan buah global, mempromosikan kelestarian dan keselamatan makanan pada era permintaan yang semakin meningkat terhadap hasil segar.