Система технического зрения распознавания дефектов яблок: обоснование, разработка, испытание

Наиболее рациональным методом идентификации качества плодов является оптический метод с использованием СИЗ, обладающий точностью и стабильностью измерения, а также дистанционностью и высокой производительностью. В статье представлена классификация систем распознавания качества плодов и обоснована конструктивно-технологическая схема системы технического зрения для их сортировки, состоящая из оптического модуля с установленной структурной подсветкой и видеокамерой, электронного блока управления с интерфейсом и исполнительными механизмами сортировщика и конвейера для плодов. В процессе исследования обоснованы однопоточный тип потока плодов в СИЗ с принудительным их вращением, конструктивно-технологическая схема СТЗ с питающим конвейером, оптическим модулем и блоком управления, разработано программное обеспечение СТЗ на основе алгоритма сегментации цветов плодов, алгоритма трекинга и глубокого обучения ИНС, обеспечивающее распознавание размеров и цветов плодов, а также повреждений от механического воздействия, вредителей и болезней. Разработанная СТЗ внедрена в технологическую линию сортировки и фасовки яблок, ЛСП-4 успешно прошла предварительные испытания и производственную проверку в ОАО «Остромечево». В ходе предварительных испытаний линии ЛСП-4 установлено, что она обеспечивает распознавание плодов с вероятностью не менее 95 %, при этом производительность труда составляет 2,5 т/ч

1. Гурьянов, Д. В. Распознавание качества плодов / Л. В. Гурьянов // Робототехника в сельскохозяйственных технологиях : материалы Междунар. науч.-практ. конф., 10–12 нояб. 2014 г. / Мичур. гос. аграр. ун-т. – Мичуринск, 2014. – С. 177–182.

2. Применение методов люминесцентного анализа в системах технического зрения при сортировании плодов / М. В. Кирина [и др.] // Робототехника в сельскохозяйственных технологиях : материалы Междунар. науч.-практ. конф., 10–12 нояб. 2014 г. / Мичур. гос. аграр. ун-т. – Мичуринск, 2014. – С. 188–191.

3. Лакомов, Д. В. Обработка изображений при распознавании образов сельскохозяйственной продукции / Д. В. Лакомов // Цифровизация агропромышленного комплекса : сб. науч. ст. I Междунар. науч.-практ. конф., Тамбов, 10–12 окт. 2018 г. : в 2 т. / Тамб. гос. техн. ун-т [и др.]. – Тамбов, 2018. – Т. 1. – С. 261–263.

4. Бобров, В. П. Применение систем технического зрения / В. П. Бобров // Механизация и автоматизация пр-ва. – 1989. – № 9. – С. 23–25.

5. Бусаров, Н. А. Сбор и товарная обработка плодов и ягод / Н. А. Бусаров. – М. : Колос, 1970. – 247 с.

6. Рудник, Ю. А. Робототехническая система для сортирования яблок / Ю. А. Рудник, С. В. Журавлев // Робототехника в сельскохозяйственных технологиях : материалы Междунар. науч.-практ. конф., 10–12 нояб. 2014 г. / Мичур. гос. аграр. ун-т. – Мичуринск, 2014. – С. 32–34.

7. Разработка алгоритмов системы распознавания ягод земляники садовой при роботизированном сборе / Д. О. Хорт [и др.] // Электротехнологии и электрооборудование в АПК. – 2020. – № 1 (38). – С. 133–141. https://doi.org/10.22314/2658-4859-2020-67-1-133-141

8. Гурьянов, Д. В. Повышение эффективности сортирования яблок на основе цветных телевизионных датчиков : дис. ... канд. техн. наук : 05.20.02 / Д. В. Гурьянов. –Мичуринск, 2004. – 199 л.

9. Ganganagowdar, N. V. An intelligent computer vision system for vegetables and fruits quality inspection using soft computing techniques / N. V. Ganganagowdar, A. V. Gundad // Agr. Engineering Intern.: CIGR J. – 2019. – Vol. 21, N 3. – P. 171–178.

10. Lu, Y. Development of a multispectral Structured Illumination Reflectance Imaging (SIRI) system and its application to bruise detection of apples / Y. Lu, R. Lu // Trans. of the ASABE. – 2017. – Vol. 60, N 4. – P. 1379–1389. https://doi.org/10.13031/trans.12158

11. Гордеев, А. С. Автоматизированная обработка яблок : дис. ... д-ра техн. наук : 05.13.07 / А. С. Гордеев – М., 1996. – 423 л.

12. Новые технологии и технические средства для механизации работы в садоводстве / Рос. науч.-исслед. ин-т информ. и технико-экон. исслед. по инженер.-техн. обеспечению агропром. комплекса ; подгот.: М. И. Куликов [и др.]. – М. : Росинформагротех, 2012. – 164 с.

13. Будаговская, О. Н. Универсальная полуавтоматическая установка для сортирования фруктов и овощей по качеству / О. Н. Будаговская // Перспективы отечественного садоводства : тез. докл. II респ. конф. молодых ученых и специалистов / Укр. науч.-исслед. ин-т садоводства ; редкол.: М. В. Андриенко (отв. ред.) [и др.]. – Киев, 1991. – С. 138.

14. Будаговская, О. Н. Оптико-электронный контроль качества яблок : автореф. дис. ... канд. техн. наук: 05.20.02, 05.13.07 / О. Н. Будаговская. – М., 1993. – 24 с.

15. Training deep face recognition systems with synthetic data [Electronic resource] / A. Kortylewski [et al.]. – Mode of access: https://arxiv.org/pdf/1802.05891.pdf. – Date of access: 16.04.2018.

16. Чигорин, А. Классификация автодорожных знаков на основе свёрточной нейросети, обученной на синтетических данных / А. Чигорин, Б. Моисеев // 22-я Международная конференция по компьютерной графике и зрению, ГрафиКон’2012, 1–5 октября 2012 г., Москва, Россия : тр. конф. = The 22nd International conference on computer graphics and vision: GrafiCon’2012, October 1–5, 2012, Moscow, Russia : conf. proc. / Моск. гос. ун-т. – М., 2012. – С. 284–287.

17. Жиркова, А. А. Автоматизированная система гиперспектрального контроля дефектов яблок / А. А. Жиркова, П. В. Балабанов, А. Г. Дивин // Современная наука: теория, методология, практика : материалы III Всерос. (нац.) науч.-практ. конф., Тамбов, 13–14 апр. 2021 г. / Тамб. гос. техн. ун-т ; редкол.: П. В. Монастырев [и др.]. – Тамбов, 2021. – С. 291–296.

18. Роботизированный комплекс для сортировки яблок / П. В. Балабанов [и др.] // Цифровизация агропромышленного комплекса : сб. науч. ст. II Междунар. науч.-практ. конф., Тамбов, 21–23 окт. 2020 г. : в 2 т. / Тамб. гос. техн. ун-т [и др.]. – Тамбов, 2020. – Т. 2. – С. 44–47.

19. Detection of defects on selected apple cultivars using hyperspectral and multispectral image analysis / P. M. Mehl [et al.] // Appl. Engineering in Agriculture. – 2002. – Vol. 18, N 2. – P. 219–226. https://doi.org/10.13031/2013.7790

20. Li, C. Genetic algorithms (GAs) and evolutionary strategy to optimize electronic nose sensor selection / C. Li, P. H. Heinemann, P. M. Reed // Trans. of the ASABE. – 2008. – Vol. 51, N 1. – P. 321–330. https://doi.org/10.13031/2013.24208

21. Bennedsen, B. S. Identifying apple surface defects using principal components analysis and artificial neural networks / B. S. Bennedsen, D. L. Peterson, A. Tabb // Trans. of the ASABE. – 2007. – Vol. 50, N 6. – P. 2257–2265. https://doi.org/10.13031/2013.24078

22. Selective search for object recognition [Electronic resource] / J. R. R. Uijlings [et al.]. – Mode of access: http://www.huppelen.nl/publications/selectiveSearchDraft.pdf. – Date of access: 28.04.2018.

23. Faster R-CNN: towards real-time object detection with region proposal networks [Electronic resource] / S. Ren [et al.]. – Mode of access: https://arxiv.org/pdf/1506.01497.pdf. – Date of access: 15.05.2018.

24. Rethinking the inception architecture for computer vision [Electronic resource] / C. Szegedy [et al.]. – Date of access: https://arxiv.org/pdf/1512.00567.pdf. – Mode of access: 15.05.2018.

25. ImageNet [Electronic resource]. – Mode of access: http://www.image-net.org. – Date of access: 05.04.2018.

26. LeCun, Y. The MNIST database of handwritten digits [Electronic resource] / Y. LeCun, C. Cortes, C. J. C. Burges. – Mode of access: http://yann.lecun.com/exdb/mnist/. – Date of access: 16.03.2018.

27. Microsoft COCO: Common objects in context / T.-Y. Lin [et al.] // Computer Vision – ECCV 2014 : 13th Europ. conf., Zurich, Switzerland, Sept. 6–12, 2014 : proceedings / ed.: D. Fleet [et al.]. – Cham, 2014. – Pt. 5. – P. 740–755. https://doi.org/10.1007/978-3-319-10602-1_48

28. Tzutalin/LabelImg [Electronic resource]. – Mode of access: https://github.com/tzutalin/labelImg. – Date of access: 18.06.2018.