Технології машинного зору для міських ферм

18 января 2022 в 11:00

3608

Технології машинного зору для міських ферм

Використання агророботів для збору плодоовочевої продукції — перспективний напрямок розвитку AgTech. Крім очевидних переваг (економія людського ресурсу та зниження собівартості виробництва) автоматизований збір вирізняється високою точністю роботи, що забезпечується завдяки використанню технологій машинного зору.


Розвиток міського фермерства — перспективний напрямок для забезпечення частки потреб в продовольстві міських конгломератів. Контрольоване середовище вирощування та сучасні технології роблять міські ферми надзвичайно ефективними. Пріоритетом міських систем виробництва є економія ресурсів: простору (вертикальне фермерство), води (системи з замкнутим контуром — гідропоніка, аеропоніка), людських ресурсів (використання систем автоматизації для управління). Автоматизація збору плодоовочевої продукції за допомогою агророботів — наступний крок до збільшення ефективності міських ферм.

Технології машинного зору вже отримали широке застосування у харчовій промисловості. Та у порівнянні з алгоритмами, що використовуються на конвеєрних лініях, алгоритми для агророботів, що працюють з рослинами, складніші. Вони визначають зрілість та якість плодів на підставі обчислювальних параметрів кольору, випромінювання та розміру. Точність алгоритмів залежить від бібліотеки даних для машинного навчання. Велике значення також має якість зйомки. Численні дослідження вивчають точність різних моделей машинного зору та можливості їх покращення.

Оцінка зрілості

Переваги машинного зору перед людським оком — точність і об’єктивність. Оскільки плоди на різних рослинах мають різний час дозрівання та нерівномірно досягають якості збутових стандартів, визначення стиглості повинно виконуватись під час кожного проходу робота. Задача алгоритму аналізу зображення — відокремити плоди від фону, та кластеризувати їх по кольору. 

Складнощі що виникають під час цих етапів: 

  • стебла, листя, підвісні мотузки приховують плоди заважаючи сегментувати їх на зображеннях;
  • щоб зменшити пошкодження під час транспортування може знадобитись збирати недостиглі плоди, які важче ідентифікувати за кольором.

Відповідно до прийнятої кластеризації по колірній моделі всі плоди діляться на групи по ступеню зрілості: зелені, напівстиглі, зелена стиглість, зрілі (або більше, якщо потрібно). Точність класифікації сучасних моделей перевищує 90%. 

Колірні моделі що використовуються для класифікації зрілості плодів:

  • HSV (модель заснована на характеристиках кольору: тоні, насиченості, яскравості);
  • HSL (модель заснована на характеристиках кольору: тоні, насиченості, світності (близькості до білого); 
  • RGB (синтез червоного, зеленого та синього світла).

Сегментація плодів

Для сегментації плодів від фону можуть використовуватись різні алгоритми. Наприклад, дані про колір можуть використовуватись для ідентифікації декількох відповідних пікселів (що належать зрілому плоду) на зображенні, після чого контури плоду виокремлюються від фону (алгоритм GrabCut).

Предмети що перешкоджають машинному розпізнаванню ідентифікують за морфологічними ознаками й відносять до фонових шумів. Так само потрібно ідентифікувати яскраві плями, утворені сонячним світлом. Остання задача — сегментація кордонів багатоплодової області. 

Якщо для збору потрібно ідентифікувати напівстиглі плоди, з їх відокремленням від фону можуть бути складнощі. Дослідження з ідентифікації напівстиглих зелених помідорів поєднували моделі для визначення потенційної площі плоду на зображенні (FNCC, метод перехресної кореляції), та розпізнавання положення плоду (метод перетворення Хафа). Два результати були об’єднані, з точністю розпізнавання близько 90%. 

Роботу в режимі реального часу ускладнюють висока обчислювальна складність, вузький діапазон розпізнавання (за кольором), складність виявлення перешкод (інших органів рослин) через схожість за кольором, тож вчені працюють над кращими алгоритмами розпізнавання для ідентифікації плодів.

Крім кольору для аналізу зрілості можуть використовуватись інші характеристики плодів. Так рівень зрілості болгарського перцю можна оцінювати за допомогою вимірювання вмісту сухих розчинних речовин (TSS, Total Soluble Solids) методом рефрактометрії

Серед методів аналізу зображень переважають: 

  • SVM (метод опорних векторів);
  • ANN (метод штучних нейронних мереж) та інших основних алгоритмів обробки зображень (Ostu, дерево рішень, Random Forest, Threshold Segmentation, перетворення Хафа). 

Класифікація якості

Розпізнавання пошкоджень плодів надзвичайно важливе для зменшення втрат під час зберігання і транспортування продукції. Визначення якості плодів дозволяє виробникові уникнути економічних збитків. 

Алгоритм ідентифікації пошкоджень для різних рослин складається з різних етапів. При роботі з помідорами необхідно визначити контур плоду та візуально ідентифікувати розтріскування, при роботі з морквою визначаються ознаки плоду (довжина, діаметр, прогнозований об’єм).

Проблема штучного освітлення

Використання технологій машинного зору на міських фермах при збиранні врожаю та оцінці якості стикається з проблемою штучного освітлення. Найчастіше використовуються лампи червоного (натрієві лампи високого тиску, 660 нм) та синього (460 нм) спектру, які вмикаються одночасно, щоб покращити швидкість фотосинтезу рослин. 

Зображення, зроблені за таких умов освітлення, створюють певні проблеми для алгоритмів сегментації зображень в порівнянні з зображеннями зробленими за умов природного освітлення. Для підвищення точності роботи алгоритмів потрібне створення бібліотек даних для аналізу зображень. Зокрема точність класифікації методів SVM та ANN залежать від того, чи існує велика кількість стандартних наборів даних для навчання.

 

Матеріал став можливим завдяки підтримці Програми USAID з аграрного і сільського розвитку — АГРО.

Раніше ми знайомили вас з 10 найкращими сільськогосподарськими роботами, в тому числі з кращим агророботом 2020 року — автономним летючим роботом-збирачем фруктів від компанії Tevel Aerobotics Technologies.

Заметили ошибку? Выделите ее и нажмите Ctrl+Enter, чтобы сообщить нам.

AgriGeek

Сообщить об опечатке

Текст, который будет отправлен нашим редакторам:

bn

Вверх