Aplikasi dan Prospek Penglihatan Mesin dalam Pemeriksaan dan Penggredan Kualiti Buah

Pengisihan buah manual tradisional digantikan dengan teknologi penglihatan mesin, yang membawa revolusi dalam kecekapan dalam pertanian moden.

Di pangkalan pengeluaran pertanian, pendidikan dan penyelidikan di Bandar Zhongzhuang, Kaunti Yiyuan, Wilayah Shandong, kotak epal pelbagai warna hijau, merah dan saiz diisih secara automatik mengikut peranti pintar. Peranti ini menyusun dan membuang buah yang berpenyakit dan lebih rendah dengan tepat berdasarkan saiz, kandungan gula dan warna.

Sistem pemeriksaan buah berasaskan penglihatan mesin ini secara beransur-ansur mengubah amalan tradisional petani buah-buahan yang bergantung pada pengalaman dan sentuhan untuk menentukan gred buah, menjadi komponen penting dalam pemodenan pertanian.

1 Transformasi Teknologi dalam Pemeriksaan Kualiti Buah

Populasi global berkembang pesat pada kadar tahunan kira-kira 1.09%, membawa kepada peningkatan permintaan untuk makanan dan keperluan asas yang lain. Dengan latar belakang ini, mengurangkan kerugian selepas tuai telah menjadi cabaran utama dalam sektor pertanian.

Buah-buahan dan sayur-sayuran amat bermanfaat kepada manusia, menyediakan pelbagai vitamin, mineral dan antioksidan. Walau bagaimanapun, sifat mudah rosak mereka menjadikan pengendalian yang cekap dan betul penting untuk mengelakkan kerosakan. Pengisihan dan penggredan adalah langkah yang paling kritikal, sukar dan memakan masa dalam rantaian lepas tuai.

Kaedah saringan manual tradisional sangat terdedah kepada kerosakan buah dan hanya sesuai untuk operasi berskala kecil. Dengan pertumbuhan populasi dan sumber yang semakin berkurangan, pengeluaran pertanian memerlukan teknologi pemeriksaan kualiti yang lebih cekap dan tepat dengan segera.

Teknologi penglihatan mesin telah muncul sebagai tindak balas kepada keperluan ini. Ia menggunakan komputer untuk meniru penglihatan manusia, menggantikan persepsi mata manusia terhadap dunia tiga dimensi yang objektif. Bidang antara disiplin ini, merangkumi kecerdasan buatan, neurobiologi, psikofizik, sains komputer, pemprosesan imej, dan pengecaman corak, menawarkan penyelesaian baharu untuk pemeriksaan kualiti buah.

Pemeriksaan kualiti buah terutamanya merangkumi kualiti luaran dan dalaman. Pemeriksaan kualiti luaran tradisional terutamanya menggunakan mesin penggredan, yang menggredkan buah berdasarkan metrik seperti saiz dan berat. Walau bagaimanapun, kaedah ini tidak dapat menilai dengan tepat warna, tekstur dan kecacatan permukaan.

Dengan kemajuan teknologi penglihatan mesin, sistem berasaskan penglihatan komputer telah mendapat perhatian yang ketara untuk penilaian dan penggredan kualiti buah. Teknologi ini adalah cekap, pantas, konsisten, menjimatkan masa, boleh dipercayai dan kos efektif, membolehkan pemprosesan produk disesuaikan dengan keperluan pasaran. Setelah dibangunkan, mereka memerlukan sedikit atau tiada pengetahuan khusus dan boleh digunakan untuk pengeluaran berskala besar. 

2 Kaedah Teknikal Teras Penglihatan Mesin

Sistem pemeriksaan buah penglihatan mesin biasanya terdiri daripada dua subsistem teras: sistem pengesanan kecacatan dan sistem isihan mekanikal. Dari segi seni bina perkakasan, modul pengangkutan dan pengisihan menggunakan tali pinggang penghantar dipacu motor untuk mengangkut buah, manakala lengan robotik yang disambungkan kepada motor servo menyusun buah ke dalam tong yang sepadan berdasarkan hasil pemeriksaan.

Modul pemerolehan imej menggunakan kamera warna, ditambah dengan sumber cahaya LED untuk menghilangkan bayang-bayang, untuk menangkap imej RGB buah dalam persekitaran tertutup. Mikropengawal menyelaraskan hasil pemprosesan imej dengan pergerakan mekanikal untuk mencapai kawalan gelung tertutup.

Pendekatan teknikal terutamanya dikategorikan ke dalam algoritma pemprosesan imej tradisional dan kaedah pembelajaran mendalam.

Penyelesaian pemprosesan imej pra-memproses imej RGB menjadi ruang warna seperti skala kelabu atau HSV untuk mengoptimumkan ketekalan pencahayaan. Kemudian, pembahagian ambang dilakukan untuk mengekstrak kawasan sasaran. Operasi morfologi seperti pelebaran dan hakisan kemudiannya digunakan untuk menghilangkan bunyi dan meningkatkan kontur. Akhir sekali, peratusan kawasan kecacatan dikira.

Contohnya, dalam pengesanan kecacatan epal, sistem menentukan tetingkap pemprosesan imej, menggunakan operator Sobel dan Hilditch untuk memperhalusi tepi, dan mengenal pasti titik centroid untuk mewakili diameter buah, dengan itu mengesan saiz dan rupa keseluruhan. Penyelesaian pembelajaran mendalam menggabungkan set data awam dengan imej yang dikumpul sendiri untuk membina perpustakaan latihan dan meningkatkan generalisasi model melalui teknik penambahan data seperti putaran, flipping dan kabur. Struktur rangkaian konvolusi tersuai boleh direka bentuk untuk menangani ciri buah-buahan yang berbeza.

Dalam kajian yang dijalankan di Universiti Pertanian Faisalabad, rangkaian konvolusi tersuai telah direka untuk mangga dan tomato, masing-masing: model mangga menggunakan struktur konvolusi 7 lapisan, dan model tomato menggunakan struktur konvolusi 5 lapisan, kedua-duanya menggunakan pengelas softmax untuk output.

Dalam beberapa tahun kebelakangan ini, siri algoritma YOLO telah menjadi pilihan baharu untuk pengesanan buah. Dengan mengoptimumkan struktur rangkaian tulang belakang dan memperkenalkan mekanisme perhatian yang dinamik, YOLOv8 boleh menangkap dengan lebih tepat perubahan dalam tekstur kulit buah, perbezaan warna dan ciri morfologi, dengan ketara meningkatkan ketepatan mengenal pasti kawasan busuk.

YOLOv10 terbaharu malah menghapuskan keperluan untuk penindasan bukan maksimum (NMS), mengurangkan overhed pengiraan dan meningkatkan lagi kecekapan pengesanan.

3 Kelebihan Teknikal dan Kejayaan

Berbanding dengan pemeriksaan manual tradisional, sistem penglihatan mesin menawarkan pelbagai kelebihan teknikal. Dari segi kecekapan pemeriksaan, mesin sitrus empat saluran boleh memproses 12 hingga 15 tan buah dalam satu jam, bersamaan dengan hampir seminggu bekerja untuk seorang pekerja pada masa lalu.

Dari segi ketepatan pemeriksaan, model pembelajaran mendalam berasaskan CNN mempunyai kadar ketepatan yang disahkan sebanyak 95% untuk pengesanan kecacatan mangga dan 93.5% untuk tomato. Dalam aplikasi sebenar, peralatan pengisihan pintar mempunyai kadar ketepatan keseluruhan 97% untuk pengesanan kecacatan permukaan, dan 95% untuk pemeriksaan kualiti dalaman.

Sistem penglihatan mesin mempunyai keupayaan pemeriksaan berbilang parameter, yang mampu menilai berbilang parameter ciri buah secara serentak, termasuk saiz, bentuk, warna dan kecacatan permukaan.

Untuk pengesanan saiz, penyelidik menterjemah dan memutar buah untuk mendapatkan imej pada sudut yang berbeza, mengira jejari dan luas khatulistiwa buah, dan menganggarkan saiznya dengan menganggap buah sebagai elips.

Untuk pengesanan warna, sesetengah buah mempunyai warna tunggal yang diedarkan sama rata di seluruh kulit (warna utama), manakala yang lain (seperti pic, epal dan tomato) mempunyai warna sekunder yang boleh berfungsi sebagai penunjuk kematangan yang baik.

Pengesanan kecacatan permukaan adalah satu lagi kelebihan sistem penglihatan mesin, yang boleh mengesan kecacatan permukaan, kerosakan dan calar pada buah. Contohnya, warna coklat kemerahan bagi epal Golden Delicious boleh dikesan dan dikelaskan menggunakan algoritma tertentu.

Faedah ekonomi adalah sama penting. Selepas melaksanakan peralatan pengisihan pintar, kos pemprosesan untuk perusahaan telah dikurangkan dengan ketara, daripada 600-800 yuan setan kepada 100 yuan setan, pengurangan kos lebih 80%. Ini bukan sahaja meningkatkan kecekapan pengeluaran pertanian tetapi juga membawa faedah ekonomi yang ketara kepada petani buah-buahan.

4 Kes Aplikasi Praktikal

Aplikasi penglihatan mesin dalam pemeriksaan buah telah berkesan di banyak kawasan teras penghasil buah di seluruh China. Di Daerah Wuming, Nanning, Guangxi, kawasan pengeluaran teras untuk oren Wogan, peralatan pintar telah berjaya menangani keperluan untuk mengklasifikasikan oren Wogan berdasarkan kecacatan luaran.

Pengilang tempatan sebelum ini bergantung kepada pekerja untuk menyusun oren Wogan secara visual, yang tidak cekap dan tidak dapat mengenal pasti lesi dalaman. Peralatan pintar boleh membezakan antara "buah berkulit kasar," "buah ulser" dan "buah berbentuk matahari," dengan ketara meningkatkan penyeragaman oren Wogan dan menjadikan Wuming Wogan jenama buah-buahan yang terkenal di peringkat kebangsaan.

Mengenai pemeriksaan epal, penyelidik telah membangunkan sistem khusus untuk memeriksa dan menggred epal berdasarkan kualiti luarannya. Sistem ini mula-mula menangkap tiga imej yang meliputi seluruh permukaan epal dan kemudian mengekstrak ciri permukaan.

Bentuk epal diterangkan menggunakan operator Fourier, dan rangkaian saraf berdasarkan algoritma L-M digunakan untuk menggredkan epal mengikut bentuk. Pengesanan warna menukarkan nilai RGB imej kepada corak histogram (HIS), menghasilkan histogram kromatik. Algoritma pengoptimuman kawanan zarah kemudiannya digunakan untuk mengoptimumkan rangkaian saraf untuk penggredan warna.

Pasukan penyelidik di Universiti Pertanian, Faisalabad, membangunkan sistem pemeriksaan khusus yang disesuaikan dengan ciri-ciri mangga dan tomato. Penilaian eksperimen menunjukkan bahawa algoritma pemprosesan imej mencapai ketepatan pengesanan kecacatan masing-masing sebanyak 89% dan 92% untuk mangga dan 95% untuk tomato. Menggunakan seni bina CNN, ketepatan pengesahan untuk kedua-dua buah mencapai 95% dan 94%.

Dalam aplikasi komersial, peranti pintar telah digunakan untuk memeriksa dan membungkus lebih 20 jenis buah, termasuk epal, sitrus, oren, prun, kurma musim sejuk dan plum. Peranti ini telah digunakan di hampir 10 wilayah, majlis perbandaran, dan wilayah autonomi, termasuk Yunnan, Guangxi, Hubei, dan Xinjiang, dan telah memeriksa dan membungkus berjuta-juta tan pelbagai buah-buahan secara terkumpul.

5 Cabaran dan Trend Pembangunan Masa Depan

Walaupun penglihatan mesin telah mencapai kemajuan yang ketara dalam pemeriksaan buah, ia masih menghadapi beberapa cabaran. Ciri-ciri kompleks permukaan buah, seperti variasi warna, tekstur yang pelbagai dan bentuk yang tidak sekata, menimbulkan cabaran untuk pemeriksaan yang tepat.

Segmen ambang boleh gagal dengan mudah apabila kontras antara kulit buah dan latar belakang rendah atau apabila pencahayaan tidak sekata. Contohnya, kecerunan kuning-hijau pada kulit mangga boleh salah dikenal pasti sebagai kecacatan, mengakibatkan kadar positif palsu yang tinggi.

Perbezaan antara varieti buah yang berbeza juga meningkatkan kesukaran pemeriksaan, memerlukan pembangunan penyelesaian tersuai untuk setiap buah.

Trend pembangunan masa depan akan menunjukkan ciri-ciri berikut: Penumpuan teknologi akan memacu pemeriksaan buah ke arah multimodaliti, menggabungkan pengesanan spektrum, pengesanan X-ray, pengesanan hidung elektronik dan pengesanan resonans magnet nuklear untuk mencapai penilaian kualiti yang lebih komprehensif.

Keupayaan pengesanan dinamik akan menjadi arah utama. Teknologi pemeriksaan kualiti buah masa depan akan berkembang daripada pengesanan statik kepada pengesanan dinamik, meletakkan permintaan yang lebih tinggi pada kestabilan perkakasan dan ketepatan perisian pemprosesan imej.

Penyepaduan terbenam akan menjadikan sistem lebih ringan, dan model ringan berdasarkan pengkomputeran tepi akan menjadi tumpuan penyelidikan untuk memenuhi keperluan pemprosesan masa nyata.

Pembuatan keputusan yang bijak akan terus bertambah baik, berkembang daripada pemeriksaan kualiti tunggal kepada pengurusan kualiti yang komprehensif, menyepadukan analisis data besar untuk meramalkan jangka hayat buah-buahan dan permintaan pasaran. Industri penyisihan buah telah melalui empat peringkat pembangunan: Fasa 1.0 memfokuskan pada saiz, Fasa 2.0 menambah penggredan dan klasifikasi mengikut berat, Fasa 3.0 memberi penekanan yang lebih besar pada warna, dan Fasa 4.0 mula meneroka pengesanan kecacatan luaran dan kualiti dalaman.

Pada masa ini, syarikat China telah mencapai tahap mekanisasi yang setanding dengan piawaian global dalam pengisihan buah, malah berada di barisan hadapan dalam algoritma kecerdasan buatan.

Dengan kemajuan teknologi yang berterusan, sistem pemeriksaan visual buah akan menjadi semakin pintar dan canggih. Algoritma baharu seperti YOLOv10 telah menghapuskan keperluan untuk NMS, mengurangkan overhed pengiraan. Pada masa hadapan, kita mungkin melihat lebih banyak model ringan dibenamkan terus ke dalam telefon pintar atau peranti mudah alih, membolehkan pengguna menjalankan pemeriksaan kualiti buah pada bila-bila masa.

Aplikasi peranti pintar di kawasan pengeluaran Wogan (Wugan) di Wuhan telah menunjukkan bahawa Wogan yang disusun secara bijak bukan sahaja meningkatkan kualiti tetapi juga meluaskan saluran pasaran dan membawa kepada pertumbuhan yang mampan dalam pendapatan petani. "Arah aliran teknologi" ini pada asasnya mengubah imej pertanian tradisional sebagai "membosankan dan tidak ditapis", menyemai pengeluaran pertanian dengan inovasi dan daya hidup.