Исследование и применение технологии контроля качества фруктов на основе компьютерного зрения
Контроль качества фруктов – важнейшее звено в цепочке современного агропромышленного комплекса, напрямую влияющее на коммерческую ценность и конкурентоспособность фруктов на рынке. Благодаря стремительному развитию технологий компьютерного зрения и искусственного интеллекта, технологии контроля качества фруктов перешли от традиционной ручной сортировки к новому этапу интеллектуальной и автоматизированной обработки. В данной статье систематически рассматривается ход исследований и перспективы применения технологий контроля качества фруктов, основанных на компьютерном зрении.
1. Технические принципы и состав системы визуального осмотра фруктов
Система компьютерного зрения для проверки фруктов получает цифровые изображения фруктов с помощью специального оборудования. Затем алгоритмы обработки изображений или модели глубокого обучения анализируют изображения, извлекая такие параметры, как размер, форма, цвет и дефекты поверхности фруктов, что в конечном итоге обеспечивает автоматизированную сортировку и оценку качества фруктов.
Типичная автоматизированная система сортировки фруктов состоит из двух основных подсистем: системы обнаружения дефектов и системы механической сортировки. Аппаратная архитектура системы обычно включает конвейерную ленту, модуль получения изображений, блок управления и исполнительный механизм. Модуль получения изображений использует ПЗС-камеру или USB-камеру в сочетании со светодиодным источником света для получения RGB-изображений фруктов в замкнутом пространстве, что позволяет исключить тени и внешние световые помехи. В ядре управления используется микроконтроллер для координации результатов обработки изображений с механическими действиями, что обеспечивает замкнутый контур управления.
Алгоритм обработки изображений предварительно обрабатывает RGB-изображение, преобразуя его в оттенки серого, HSV и другие цветовые пространства для оптимизации равномерности освещения. Затем он выделяет целевую область с помощью пороговой сегментации, комбинирует морфологические операции, такие как расширение и эрозия, для снижения шума и выделения контуров, и, наконец, вычисляет долю дефектных областей. Например, если доля дефектов превышает 5%, плод может быть классифицирован как некондиционный.
2. Сравнение традиционных методов обработки изображений и глубокого обучения
Технология визуального контроля фруктов в основном развивается по двум направлениям: одно основано на традиционных методах обработки изображений, а другое — на методах глубокого обучения.
Традиционные технологии обработки изображений в основном используют извлечение признаков цвета и текстуры в сочетании с алгоритмами машинного обучения для определения качества плодов. Шао Юй и др. предложили метод обнаружения болезней листьев яблони, основанный на технологии обработки изображений. Они использовали GrabCut и алгоритмы сегментации изображений водораздела для удаления фона, затем извлекли признаки болезней листьев с помощью дискриминантного алгоритма локальной сохранности и, наконец, добились обнаружения болезней с помощью классификатора K-ближайших соседей, достигнув точности 91,84%. В своем исследовании обнаружения черной пятнистости у зизифуса Сан Шипен и др. проанализировали и смоделировали девять цветовых компонентов изображений в цветовых пространствах RGB, HSB и Lab, достигнув точности обнаружения болезней 94,2%.
Традиционные методы обладают преимуществами благодаря своей алгоритмической прозрачности, низкой вычислительной сложности и низким аппаратным требованиям. Однако эффективность их обнаружения сильно зависит от условий освещения; пороговая сегментация подвержена сбоям при низком контрасте между цветом кожуры фрукта и фоном или неравномерном освещении. Например, область с желто-зеленым градиентом на кожуре манго легко ошибочно классифицируется как дефект, что приводит к высокому уровню ложноположительных результатов.
Технологии глубокого обучения, особенно свёрточные нейронные сети (СНС) и алгоритмы YOLO, значительно повышают точность и надёжность распознавания фруктов благодаря автоматическому извлечению признаков с помощью сквозного обучения. В исследовании, проведённом в Фейсалабадском сельскохозяйственном университете, точность валидации модели СНС для обнаружения дефектов в манго и томатах достигла 95% и 93,5% соответственно, что значительно выше показателей традиционных методов обработки изображений, составляющих 89% и 92%.
Модели глубокого обучения демонстрируют более высокую адаптивность в сложных условиях, эффективно решая такие задачи, как определение положения фруктов, окклюзия и изменение фона. Например, YOLOv8, оптимизируя структуру своей основной сети и внедряя механизм динамического внимания, может точнее фиксировать изменения текстуры кожуры фруктов, цветовые различия и морфологические особенности, значительно повышая точность определения гнилых участков.
3. Ключевые показатели оценки качества фруктов
Контроль качества фруктов с использованием компьютерного зрения в основном сосредоточен на качестве внешнего вида, включая четыре основных параметра: размер, форму, цвет и дефекты поверхности.
Размер и форма являются основой классификации фруктов. Размер фруктов обычно определяется такими показателями, как поперечный диаметр, продольный диаметр и объём. Форму фруктов можно описать геометрическими характеристиками, такими как округлость, прямоугольность и эксцентриситет. Формула для округлости: 4π × площадь/периметр², что отражает степень близости фруктов к кругу; прямоугольность — это отношение площади к площади наименьшего ограничивающего прямоугольника. Эти геометрические характеристики хорошо различимы для фруктов, форма которых близка к кругу, таких как яблоки и апельсины.
Цветовые характеристики являются важными индикаторами для оценки спелости и качества фруктов. В системах компьютерного зрения цвет фруктов обычно представляется с использованием таких цветовых пространств, как RGB, HSV и Lab. Цветовое пространство HSV разделяет информацию о цвете и яркости, что более соответствует особенностям человеческого восприятия. Цветовые характеристики можно количественно оценить с помощью статистических характеристик оттенка, насыщенности и яркости, таких как среднее значение и стандартное отклонение. Например, бананы постепенно меняют цвет с зеленого на желтый в процессе созревания, в конечном итоге становясь темно-желтыми с коричневыми пятнами. Это изменение можно точно определить, проанализировав распределение оттенков в цветовом пространстве HSV.
Обнаружение поверхностных дефектов является важным этапом контроля качества фруктов. К поверхностным дефектам относятся различные типы, такие как болезни, заражения насекомыми и синяки, которые напрямую влияют на коммерческую ценность фруктов. Методы, основанные на глубоком обучении, превосходно работают в этой области; например, модель YOLOv8-timm обеспечивает точность mAP@0,5 95,3% при определении хороших/плохих фруктов для различных типов со скоростью обнаружения в реальном времени 42 кадра в секунду.
4. Сценарии применения и практический анализ
Технология компьютерного зрения имеет широкий спектр применения в контроле качества фруктов, охватывая всю цепочку производства от сельскохозяйственного производства до розничного потребления.
В сельскохозяйственном производстве и сборе урожая камеры или дроны могут быть размещены на полях для мониторинга зрелости фруктов и овощей в режиме реального времени с помощью модели YOLO, помогая фермерам определять оптимальное время сбора урожая. Системы машинного зрения, интегрированные в интеллектуальные роботы-уборщики, могут определять местоположение плодов, степень их зрелости и адгезию, управляя роботизированной рукой для точного сбора урожая и решая проблемы «неправильного сбора незрелых плодов» и «пропуска спелых плодов».
Автоматизированные системы сортировки могут значительно повысить эффективность послеуборочной обработки и сортировки. Исследования показывают, что автоматизированные системы на основе машинного зрения в 10–20 раз эффективнее традиционной ручной инспекции, обеспечивая точность (mAP) более 90% и снижение трудозатрат на 60%. Исследования Юань Цзиньли, посвященные системе внешнего контроля качества и сортировки яблок, позволяют добиться быстрой сортировки, получая несколько изображений, покрывающих всю поверхность яблока, и интегрируя четыре параметра: форму, размер, цвет и дефекты поверхности.
В розничной торговле и сфере общественного питания умные полки используют камеры для отслеживания типа и свежести фруктов и овощей в режиме реального времени и автоматического обновления ценников; киоски самообслуживания используют технологию распознавания фруктов, позволяя пользователям быстро определять категории товаров, сканируя коды или делая фотографии. Время распознавания одного продукта составляет менее 0,5 секунды. Эти приложения значительно повышают эффективность работы и сокращают количество пищевых отходов.
5. Технологические проблемы и тенденции развития
Несмотря на значительный прогресс в области инспекции фруктов с помощью компьютерного зрения, сохраняется ряд технологических проблем. Ключевым фактором является способность к обобщению моделей, а их адаптируемость к различным условиям и сортам нуждается в улучшении. Ещё одной проблемой является обучение по методу «малого количества попыток»; для редких сортов фруктов необходимо разработать методы обнаружения по методу «малого количества попыток». Кроме того, требования к работе в режиме реального времени особенно строгие в промышленных условиях, что требует дальнейшей оптимизации вычислительной эффективности моделей.
Будущее технологий визуального контроля фруктов будет развиваться в нескольких направлениях. Важным направлением является мультимодальное слияние данных, сочетающее спектральные и тепловизионные технологии для неразрушающего контроля качества фруктов. Например, отражательная спектроскопия может использоваться для выявления заболеваний на поверхности плодов и листьев, а просвечивающая спектроскопия — для выявления внутренних заболеваний.
Упрощенный дизайн моделей — еще одна тенденция, подходящая для сценариев периферийных вычислений. Улучшенные легкие модели, такие как YOLOv5n, достигают скорости обнаружения 23 кадров в секунду и средней точности 89 % на платформе TI Sitara, что соответствует требованиям беспилотных систем торговли фруктами в режиме реального времени.
Расширение кросс-доменных приложений также будет способствовать развитию технологий. Технологии компьютерного зрения имеют широкие перспективы применения: от инспекции фруктов до мониторинга качества сельскохозяйственной продукции и контроля качества пищевой промышленности. Благодаря оптимизации алгоритмов и снижению стоимости оборудования интеллектуальные системы инспекции фруктов продолжат развиваться в сторону широкого внедрения и повышения уровня интеллектуальности.
Заключение
Технология контроля качества фруктов на основе компьютерного зрения стала важным компонентом интеллектуального сельского хозяйства, стимулируя интеллектуальную модернизацию цепочки производства фруктов. От традиционной обработки изображений до глубокого обучения, технологический прогресс значительно повысил точность и эффективность контроля. С развитием таких технологий, как мультимодальное слияние изображений и периферийные вычисления, визуальный контроль фруктов будет играть ещё более важную роль в точном земледелии и управлении цепочками поставок продовольствия, обеспечивая мощную техническую поддержку для сокращения послеуборочных потерь и повышения качества фруктов.
