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

Казакевич П. П.; Юрин А. Н.; Прокопович Г. А.

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

Прокопович Г. А.

2021

https://doi.org/10.29235/1817-7204-2021-59-4-488-500

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

Казакевич П. П., Юрин А. Н., Прокопович Г. А. Система технического зрения распознавания дефектов яблок: обоснование, разработка, испытание. Известия Национальной академии наук Беларуси. Серия аграрных наук. 2021;59(4):488–500. https://doi.org/10.29235/1817-7204-2021-59-4-488-500

Цитирование

Список литературы

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.

Источник

Информация

Автор

Казакевич П. П. Президиум Национальной академии наук Беларуси
Юрин А. Н. Научно-практический центр Национальной академии наук Беларуси по механизации сельского хозяйства
Прокопович Г. А. Объединенный институт проблем информатики Национальной академии наук Беларуси

Страницы

488–500

Год издания

2021

Ключевые слова

Коллекции

Известия Национальной академии наук Беларуси. Серия аграрных наук