Penyelidikan dan Aplikasi Teknologi Pemeriksaan Kualiti Buah Berdasarkan Visi Komputer
Pemeriksaan kualiti buah-buahan ialah pautan penting dalam rantaian industri pertanian moden, yang secara langsung mempengaruhi nilai komersial dan daya saing pasaran buah-buahan. Dengan perkembangan pesat penglihatan komputer dan teknologi kecerdasan buatan, teknologi pemeriksaan buah telah beralih daripada pengisihan manual tradisional kepada peringkat baharu pemprosesan pintar dan automatik. Kertas kerja ini mengkaji secara sistematik kemajuan penyelidikan dan prospek aplikasi teknologi pemeriksaan kualiti buah berdasarkan visi komputer.
1. Prinsip Teknikal dan Komposisi Sistem Pemeriksaan Visual Buah
Sistem pemeriksaan buah-buahan berasaskan penglihatan komputer terutamanya memperoleh imej digital buah-buahan melalui peralatan pemerolehan imej. Kemudian, algoritma pemprosesan imej atau model pembelajaran mendalam digunakan untuk menganalisis imej, mengekstrak parameter ciri seperti saiz buah, bentuk, warna dan kecacatan permukaan, akhirnya mencapai penggredan automatik dan penilaian kualiti buah-buahan.
Sistem penggredan buah automatik biasa terdiri daripada dua subsistem teras: sistem pengesanan kecacatan dan sistem pengisihan mekanikal. Dari segi seni bina perkakasan, sistem biasanya terdiri daripada tali pinggang penghantar, modul pemerolehan imej, unit kawalan dan penggerak. Modul pemerolehan imej menggunakan kamera CCD atau kamera USB bersama-sama dengan sumber cahaya LED untuk menangkap imej RGB buah-buahan dalam persekitaran tertutup untuk menghapuskan bayang-bayang dan gangguan cahaya luaran. Teras kawalan menggunakan mikropengawal untuk menyelaraskan hasil pemprosesan imej dengan tindakan mekanikal, mencapai kawalan gelung tertutup.
Algoritma pemprosesan imej pramemproses imej RGB untuk menukarnya kepada skala kelabu, HSV dan ruang warna lain untuk mengoptimumkan ketekalan pencahayaan. Kemudian, ia mengekstrak kawasan sasaran melalui segmentasi ambang, menggabungkan operasi morfologi seperti pelebaran dan hakisan untuk pengurangan hingar dan peningkatan kontur, dan akhirnya mengira bahagian kawasan yang rosak. Sebagai contoh, apabila bahagian kecacatan adalah >5%, buah boleh diklasifikasikan sebagai substandard.
2. Perbandingan Pemprosesan Imej Tradisional dan Teknik Pembelajaran Mendalam
Teknologi pemeriksaan visual buah-buahan terutamanya berkembang di sepanjang dua laluan: satu berdasarkan kaedah pemprosesan imej tradisional, dan satu lagi berdasarkan kaedah pembelajaran mendalam.
Teknologi pemprosesan imej tradisional terutamanya menggunakan pengekstrakan ciri warna dan tekstur digabungkan dengan algoritma pembelajaran mesin untuk mencapai pengesanan kualiti buah. Shao Yu et al. mencadangkan kaedah pengesanan penyakit daun epal berdasarkan teknologi pemprosesan imej. Mereka menggunakan algoritma pembahagian imej GrabCut dan aliran air untuk mengalih keluar latar belakang, kemudian mengekstrak ciri penyakit daun melalui algoritma unjuran pemeliharaan tempatan yang diskriminatif, dan akhirnya mencapai pengesanan penyakit melalui pengelas jiran terdekat K, mencapai kadar ketepatan 91.84%. Dalam penyelidikan mereka mengenai pengesanan penyakit bintik hitam dalam jujubes, Sun Shipeng et al. menganalisis dan memodelkan sembilan komponen warna imej dalam ruang warna RGB, HSB dan Makmal, mencapai ketepatan pengesanan penyakit sebanyak 94.2%.
Kaedah tradisional berfaedah kerana ketelusan algoritmanya, kerumitan pengiraan yang rendah dan keperluan perkakasan yang rendah. Walau bagaimanapun, prestasi pengesanan mereka banyak dipengaruhi oleh keadaan pencahayaan; pembahagian ambang terdedah kepada kegagalan apabila kontras antara warna kulit buah dan latar belakang rendah atau pencahayaan tidak sekata. Sebagai contoh, kawasan kecerunan kuning-hijau pada kulit mangga mudah disalahklasifikasikan sebagai kecacatan, yang membawa kepada kadar positif palsu yang tinggi.
Teknologi pembelajaran mendalam, terutamanya Convolutional Neural Networks (CNNs) dan algoritma YOLO, meningkatkan ketepatan dan keteguhan pengesanan buah dengan ketara dengan mengekstrak ciri secara automatik melalui pembelajaran hujung ke hujung. Dalam kajian di Universiti Pertanian Faisalabad, ketepatan pengesahan model CNN untuk pengesanan kecacatan dalam mangga dan tomato masing-masing mencapai 95% dan 93.5%, jauh lebih tinggi daripada 89% dan 92% kaedah pemprosesan imej tradisional.
Model pembelajaran mendalam mempamerkan kebolehsuaian yang lebih kukuh dalam persekitaran yang kompleks, menangani cabaran dengan berkesan seperti pose buah, oklusi dan perubahan latar belakang. Sebagai contoh, YOLOv8, dengan mengoptimumkan struktur rangkaian tulang belakangnya dan memperkenalkan mekanisme perhatian yang dinamik, boleh menangkap dengan lebih tepat perubahan dalam tekstur kulit buah, perbezaan warna dan ciri morfologi, dengan ketara meningkatkan ketepatan mengenal pasti kawasan busuk.
3. Petunjuk Penilaian Utama untuk Pemeriksaan Kualiti Buah
Pemeriksaan kualiti buah berasaskan penglihatan komputer terutamanya berkisar pada kualiti penampilan, termasuk empat parameter utama: saiz, bentuk, warna dan kecacatan permukaan.
Ciri saiz dan bentuk adalah asas asas untuk penggredan buah. Saiz buah biasanya diukur dengan penunjuk seperti diameter melintang, diameter membujur, dan isipadu. Ciri bentuk boleh diterangkan oleh ciri geometri seperti kebulatan, segi empat tepat dan kesipian. Formula untuk kebulatan ialah 4π × luas / perimeter², mencerminkan tahap di mana buah hampir kepada bulatan; segi empat tepat ialah nisbah luas kepada luas segi empat tepat terikat terkecil. Ciri-ciri geometri ini mempunyai kebolehbezaan yang baik untuk buah-buahan yang hampir dengan bulatan, seperti epal dan oren.
Ciri warna adalah petunjuk penting untuk menilai kematangan dan kualiti buah. Dalam sistem penglihatan komputer, warna buah biasanya diwakili menggunakan ruang warna seperti RGB, HSV dan Lab. Ruang warna HSV memisahkan maklumat warna daripada maklumat kecerahan, yang lebih sesuai dengan ciri-ciri persepsi visual manusia. Ciri warna boleh dikira melalui ciri statistik warna, ketepuan dan kecerahan, seperti min dan sisihan piawai. Sebagai contoh, pisang berubah secara beransur-ansur dari hijau kepada kuning semasa masak, akhirnya menjadi kuning pekat dengan bintik coklat. Perubahan ini boleh dikenal pasti dengan tepat dengan menganalisis taburan warna dalam ruang warna HSV.
Pengesanan kecacatan permukaan adalah langkah penting dalam kawalan kualiti buah. Kecacatan permukaan termasuk pelbagai jenis seperti penyakit, serangan serangga dan lebam, yang secara langsung menjejaskan nilai komersial buah. Kaedah berasaskan pembelajaran mendalam menunjukkan prestasi cemerlang dalam bidang ini; contohnya, model YOLOv8-timm mencapai ketepatan 95.3% mAP@0.5 dalam mengenal pasti buah yang baik/buruk untuk pelbagai jenis, dengan kelajuan pengesanan masa nyata 42 FPS.
4. Senario Aplikasi dan Analisis Praktikal
Teknologi penglihatan komputer mempunyai pelbagai aplikasi dalam pemeriksaan kualiti buah, meliputi keseluruhan rantaian industri daripada pengeluaran pertanian kepada penggunaan runcit.
Dalam pengeluaran dan penuaian pertanian, kamera atau dron boleh digunakan di ladang untuk memantau kematangan buah-buahan dan sayur-sayuran dalam masa nyata menggunakan model YOLO, membantu petani dalam menentukan masa penuaian yang optimum. Sistem penglihatan yang disepadukan ke dalam robot penuaian pintar boleh mengenal pasti lokasi buah, kematangan dan lekatan, mengawal lengan robot untuk melakukan penuaian yang tepat dan menyelesaikan masalah "salah pilih buah yang belum masak" dan "kehilangan buah masak."
Dalam pemprosesan dan penggredan selepas tuaian, sistem pengisihan automatik boleh meningkatkan kecekapan dengan ketara. Penyelidikan menunjukkan bahawa sistem automatik berasaskan penglihatan adalah 10-20 kali lebih cekap daripada pemeriksaan manual tradisional, dengan kadar ketepatan (mAP) melebihi 90% dan pengurangan 60% dalam kos buruh. Penyelidikan Yuan Jinli tentang sistem pemeriksaan dan penggredan kualiti luaran epal mencapai penggredan pantas dengan mengumpulkan berbilang imej yang meliputi seluruh permukaan epal dan menyepadukan empat parameter: bentuk, saiz, warna dan kecacatan permukaan.
Dalam sektor runcit dan katering, rak pintar menggunakan kamera untuk memantau jenis dan kesegaran buah-buahan dan sayur-sayuran dalam masa nyata dan mengemas kini tanda harga secara automatik; kiosk daftar keluar sendiri menggunakan teknologi pengecaman buah, membolehkan pengguna mengenal pasti kategori produk dengan cepat dengan mengimbas kod atau mengambil foto, dengan satu masa pengecaman produk kurang daripada 0.5 saat. Aplikasi ini meningkatkan kecekapan operasi dengan ketara dan mengurangkan sisa makanan.
5. Cabaran Teknologi dan Trend Pembangunan
Walaupun terdapat kemajuan yang ketara dalam pemeriksaan buah menggunakan penglihatan komputer, beberapa cabaran teknologi kekal. Keupayaan generalisasi model adalah isu teras, dan kebolehsuaiannya kepada persekitaran dan varieti yang berbeza memerlukan penambahbaikan. Pembelajaran beberapa pukulan adalah satu lagi cabaran; untuk jenis buah yang jarang ditemui, kaedah pengesanan beberapa pukulan perlu dibangunkan. Tambahan pula, keperluan masa nyata amat ketat dalam senario perindustrian, yang memerlukan pengoptimuman selanjutnya bagi kecekapan pengiraan model.
Masa depan teknologi pemeriksaan visual buah akan berkembang dalam pelbagai arah. Gabungan maklumat multimodal adalah trend penting, menggabungkan teknologi pengimejan spektrum dan haba untuk mencapai pengesanan kualiti dalaman buah yang tidak merosakkan. Contohnya, spektroskopi pantulan boleh digunakan untuk mengesan penyakit pada permukaan buah dan daun, manakala spektroskopi penghantaran boleh mengesan penyakit dalaman.
Reka bentuk model ringan ialah satu lagi trend, sesuai untuk senario pengkomputeran tepi. Model ringan yang dipertingkatkan seperti YOLOv5n mencapai kadar pengesanan 23 FPS dan purata ketepatan 89% pada platform TI Sitara, memenuhi keperluan masa nyata sistem jual buah tanpa pemandu.
Peluasan aplikasi merentas domain juga akan memacu pembangunan teknologi. Melanjutkan daripada pemeriksaan buah-buahan kepada pemantauan kualiti produk pertanian dan kawalan kualiti pemprosesan makanan, teknologi penglihatan komputer mempunyai prospek aplikasi yang luas. Dengan pengoptimuman algoritma dan mengurangkan kos perkakasan, sistem pemeriksaan buah pintar akan terus berkembang ke arah penerimaan yang meluas dan kecerdasan yang lebih besar.
Kesimpulan
Teknologi pemeriksaan kualiti buah berasaskan penglihatan komputer telah menjadi komponen penting dalam pertanian pintar, memacu peningkatan pintar rantaian industri buah-buahan. Daripada pemprosesan imej tradisional kepada pembelajaran mendalam, evolusi teknologi telah meningkatkan ketepatan dan kecekapan pemeriksaan dengan ketara. Dengan kematangan teknologi seperti gabungan pelbagai mod dan pengkomputeran tepi, pemeriksaan buah visual akan memainkan peranan yang lebih penting dalam pertanian ketepatan dan pengurusan rantaian bekalan makanan, menyediakan sokongan teknikal yang kukuh untuk mengurangkan kehilangan selepas tuaian dan meningkatkan kualiti buah.
