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
Ключевые слова
Об авторах
Казакевич Петр Петрович – член-корреспондент НАН Беларуси, доктор технических наук, профессор, заместитель Председателя Президиума Национальной академии наук Беларуси
пр. Независимости, 66, 220072 г. Минск
Научно-практический центр Национальной академии наук Беларуси по механизации сельского хозяйства
Беларусь
Юрин Антон Николаевич – кандидат технических наук, доцент, заведующий лабораторией
ул. Кнорина, 1, 220049 г. Минск
Прокопович Григорий Александрович – кандидат технических наук, доцент, заведующий лабораторией
ул. Сурганова, 6, 220012 г. Минск
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.
Источник
Разработка автоматизированного манипулятора с системой компьютерного зрения для сбора урожая садовых культур
В статье представлена 3D-модель автоматизированного манипулятора с системой компьютерного зрения для сбора урожая садовых культур. Разработан алгоритм работы системы компьютерного зрения для определения границ ягод и степени их спелости. Приведены результаты полевых экспериментов, измерения площади ягод земляники садовой в разное время суток. Установлено, что условия освещенности оказывают существенное влияние на обнаружение границ и площади ягод земляники садовой, и степени их спелости.
Ключевые слова
Об авторах
Д. О. Хорт, зав. отделом, к.с.-х.н.
Р. А. Филиппов, внс, к.с.-х.н.
А. И. Кутырёв, мнс, к.т.н.
Д. С. Пупин, магистр
Список литературы
1. Филиппов Р. А., Хорт Д. О., Кутырёв А. И. Робот-опрыскиватель для обработки растений земляники садовой // Конструирование, использование и надежность машин сельскохозяйственного назначения. — 2017. — №(16). — С. 278-284.
2. Хорт Д. О., Филиппов Д. О., Кутырёв А. И. Многофункциональное робототехническое средство с системой технического зрения // Инновации в сельском хозяйстве. 2015. — № 4 (14). — с. 115-121.
3. Личман Г. И., Смирнов И. Г., Хорт Д. О., Филиппов Р. А. Применение систем технического зрения в машинных технологиях в садоводстве // Техника и оборудование для села. — 2017. — № 6. — с. 10-17.
4. Sanders K. F. Orange harvesting system review. Biosystems Engineering. — 2005. — 90. — P. 115-125.
5. Radke R. J, Andra S., Al-Kofahi O., Roysam B. Image change detection algorithms: A systematic survey. IEEE Trans. Image Process. 2005. №14. P. 294-307.
6. Bradski G., Kaehler A. Learning OpenCV: Computer Vision with the OpenCV Library. O’Reilly Media, Inc. 2008. — 580 p.
7. Ларман К. Применение UML 2.0 и шаблонов проектирования (Applying UML and Patterns: An Introduction to Object-Oriented Analysis and Design and Iterative Development). — М.: Вильямс, 3-е изд., 2006. — 736 с.
Источник