Uporaba sistemov strojnega vida pri zaznavanju gnitja sadja

V globalnem dobavnem verigu sadja ostaja gniloba ključni izziv, saj statistike kažejo, da se vsako leto zavrže do 25 % svežega sadja zaradi neopazene gnitnje med razvrščanjem in skladiščenjem. Tradicionalne metode odkrivanja gnitnje sadja, ki temeljijo na ročnem pregledu, so ne le povezane z visokimi stroški dela in časovno zahtevne, temveč so tudi nagnjene k človeškim napakam – zlasti pri velikih količinah pridelkov ali pri zgodnjih stopnjah gnitnje, ki jih vizualno težko opazimo. Za odpravo teh omejitev sistem strojnega vida (MVS) se je izkazal za preobrazno tehnologijo, ki uporablja napredne metode slikanja, računalniškega vida in algoritmov strojnega učenja za hitro, natančno in nenaravno odkrivanje gnitnje.

1. Tehnične osnove sistema za zaznavanje s strojnim vidom

Glavni cilj projekta je razviti sistem, ki samodejno zajame informacije o površini sadja, analizira vidne značilnosti, povezane s plesnijo, in klasificira sadje kot »zdravo« ali »pokvarjeno« z visoko natančnostjo. Arhitektura sistema temelji na treh ključnih komponentah: slikovna strojna oprema , moduli za predobdelavo slik , in algoritmi za klasifikacijo plesnivega sadja .

1.1 Namestitev slikovne strojne opreme

Za zagotovitev celovitega zbiranja podatkov projekt uporablja večsenzorsko slikovno platformo, vključno z:

Visokoločljivimi RGB kamero : Zajemajo barvne informacije, saj se plesniva pogosto kaže kot sprememba barve (npr. rjave madeži na jabolkih, siva plesnivost na jagodah).

Bliskorno infrardeče (NIR) kamere : Zaznavajo notranje gnitje, ki morda ni vidno na površini – na primer gnitje jedra v hruškah ali plesen, povzročena modricami pri breskvah, kar spreminja spektralno odbojnost sadja v NIR območju.

Kontrolirani sistemi osvetlitve : LED plošče z nastavljivo jakostjo in valovno dolžino za zmanjšanje senc, bleščanja in motenj okoljske svetlobe, kar zagotavlja enakomerno kakovost slik pri različnih sortah sadja (npr. sijajne češnje proti matirim avokadom).

1.2 Predobdelava slik: Izboljšanje vidnosti značilnosti

Surove slike pogosto vsebujejo šum (npr. prah na površini sadja, neenakomerna osvetlitev), ki lahko zakrije značilnosti gnilobe. Vodovod predobdelave projekta vključuje tri ključne korake:

Zmanjšanje šuma : Uporaba Gaussovega filtriranja za izglajevanje visokofrekvenčnega šuma ob ohranjanju podrobnosti robov potencialnih mest gnilobe.

Pretvorba barvnega prostora : Pretvorba RGB slik v HSV barvni prostor (Barva-Nasičenost-Vrednost), saj so kanali za barvo in nasičenost bolj občutljivi na barvne spremembe, ki jih povzroča gniloba, kot standardni RGB kanali. Za NIR slike se uporabi pretvorba v sivine in izravnava histograma za izboljšanje kontrasta med zdravim in pokvarjenim tkivom.

Razdelitev : Uporaba pragovnih in algoritmov za zaznavanje robov (npr. Cannyjev detektor robov) za ločevanje sadja od ozadja ter segmentacijo možnih področij gnitja. Na primer, prag v kanalu barvnega odtenka lahko prepozna rjave pege gnitja na zelenih jabolkah tako, da jih razlikuje od zdrave zelene barve sadja.

2. Pot projekta: od vnosa sadja do izhoda razvrščanja

Sistem detekcije s strojnim vidom deluje kot integrirani del linije za pakiranje sadja in sledi neprekinjeni poti dela:

Vnos sadja : Sadje se postavi na tekoči trak, ki ga premika do slikovne postaje s konstantno hitrostjo (prilagodljivo glede na velikost sadja, npr. 0,5 m/s za jabolka, 0,3 m/s za majhne jagode).

Zajem slike : Ko senzor položaja zazna, da sadje vstopi na območje slikanja, zajameta RGB in NIR kamera 3–5 posnetkov sadja iz različnih kotov.

Obdelava v realnem času : Vodovod za predprocesiranje obdela slike v manj kot 0,5 sekunde, klasifikacijski model pa ustvari napoved stanja gnilobe (zdravo/začetna gniloba/huda gniloba) z merilom zaupanja (npr. 98 % zaupanja pri hudi gnilobi).

Razvrščanje : Na podlagi napovedi sistem pošlje signal pneumatskemu aktuatorju ali robotski roki na koncu transportne traku. Zdrave sadje usmerijo na »pakirno« linijo, sadje z začetno gnilobo posredujejo na postajo za »nadzor kakovosti« za ročni pregled (za zmanjšanje števila lažno pozitivnih rezultatov), hudo pokvarjeno sadje pa odpeljejo v zabojnik za »odpad«.

Shranjevanje podatkov : Sistem zabeleži ID vsakega sadja, slike, rezultat klasifikacije in merilo zaupanja v bazi podatkov v oblaku. Ti podatki se redno uporabljajo za ponovno učenje klasifikacijskega modela, kar izboljšuje natančnost ob zbiranju vedno več podatkov.

3. Uporaba v resničnem svetu in zmogljivost: primeri iz prakse

3.1 Zaznavanje gnileče jabolka

Natančnost : Sistem je dosegel natančnost 96,2 % pri zaznavanju gnitnje (v primerjavi s 82,5 % pri ročnih pregledih), pri čemer je stopnja lažno pozitivnih rezultatov znašala le 2,1 % (pri ročnih pregledih je bila 7,8 %).

Hitrost : Sistem je obdelal 120 jabolk na minuto, v primerjavi s 40 jabolki na minuto pri posameznem ročnem pregledovalcu – kar je zmanjšalo stroške dela za 67 %.

Zgodnje zaznavanje : NIR kamera je omogočila zaznavanje notranje gnitnje sredice jabolk 5–7 dni prej kot ročni pregled, kar kmetijam omogoča ločiti okuženo sadje, preden se gnitnjava širi med shranjevanjem.

3.3 Zaznavanje gnitnje jagod

Izziv : Jagode so krhke in nagnjene k površinski plesni (npr. Botrytis cinerea ), ki jo ročni pregledovalci pogosto spregledajo zaradi majhnih dimenzij.

Rezultat : Sistemu so visokoločljive RGB kamere in CNN model omogočile zaznati madeže plesni že s premerom 2 mm, pri čemer je dosegel natančnost 94,8 %. To je zmanjšalo izgube po trženju za 30 % v primerjavi s prejšnjim ročnim razvrščanjem na kmetiji.

3.3 Zaznavanje gnitnje mango

Izziv : Mango pogosto razvijejo "gnitje na mestu izstopa drevesnega stebelčka", ki se začne pri steblu (manj opazno področje med ročnim pregledom) in napreduje navznoter.

Rezultat : Sistemovo večkotno slikanje (vključno s kamero od spodaj, usmerjeno v steber) in NIR analiza sta zaznali gnitje na mestu izstopa stebelčka z natančnostjo 95,5 %, kar je pomagalo obrtni enoti za pakiranje izogniti se zavrnjenim pošiljkam na trge za izvoz (kjer so brezgnitveni mango stroga zahteva).

4. izzivi in prihodnji smeri

Čeprav projekt kaže dobre rezultate, ostaja več izzivov, ki jih je treba rešiti:

Spremenljivost sort sadja : Trenutni model najbolje deluje pri pogostih sortah, težave pa ima pri redkih ali regionalno specifičnih vrstah sadja (npr. durijan, litchi) zaradi omejenih podatkov za učenje. V prihodnje bomo razširili podatkovno zbirko prek sodelovanja z kmetijami po vsem svetu.

Vplivi okolja : Vlaga v skladiščih lahko povzroči kondenzacijo na objektivih kamer, kar vpliva na kakovost slik. Ekipa projekta razvija vodotesne ohišja za kamere z protikondenznimi prevlekami, da bi to težavo odpravila.

Dostopnost po cenah : Začetni stroški namestitve (približno 50.000 USD za strojno in programsko opremo) so lahko previsoki za manjše kmetije. Prihodnje verzije bodo osredotočene na cenejše alternative, kot je uporaba kamer pametnih telefonov v povezavi z robnimi računalniškimi napravami (npr. Raspberry Pi), da bi stroške zmanjšali za 60 %.

5. Zaključek

Projekt sistema strojnega vida za zaznavanje gnitja sadja predstavlja preobrat v kontroli kakovosti po trženju in odpravlja neučinkovitost ter omejitve ročne kontrole. S kombinacijo naprednih slikovnih metod, obdelave slik v realnem času in strojnega učenja sistem omogoča hitro, natančno in nenaravno zaznavanje gnitja – zmanjšuje izgube po trženju, zmanjšuje stroške dela in zagotavlja dosledno kakovost sadja za potrošnike. Ko se tehnologija razvija tako, da postaja dostopnejša in prilagodljivejša različnim sortam sadja, ima potencial, da preoblikuje globalni dobavni verigo sadja, spodbuja trajnostnost in varnost preskrbe z hrano v času naraščajoče povpraševanja po svežih proizvodih.