Разработка системы технического зрения технологической линии сортировки плодов яблони на основе искусственной нейронной сети

   В данной статье рассмотрен процесс создания обучающей выборки искусственной нейронной сети (в дальнейшем ИНС) системы технического зрения. Обучение ИНС проводилось на основе аннотированных изображений реальных яблок, содержащих описание различных дефектов в виде отдельных полигонов посредством программы LabelMe. На изображении плода размечалось само яблоко и его помологические особенности, такие как цветоложе, плодоножка и лист, а также 10 различных дефектов плодов, каждому из которых присваивалось соответствующее название: сетка, нажим, порез, гниль, парша, градобоина и т. д. Полученные размеченные изображения плодов с дефектами сформировали эталонную обучающую выборку для ИНС. Проверку эффективности работы ИНС осуществляли путем оценки правильности распознавания изображений плодов при сравнивании их с эталонными изображениями. Обучение ИНС каждому из дефектов яблок останавливали при достижении 95 %-ной вероятности правильной оценки дефекта. ИНС, обученную на созданной выборке, использовали в системе технического зрения технологической линии ЛСП-4, обеспечивающей сортировку яблок на три товарных сорта по размеру и дефектам от механических повреждений, болезней и вредителей. Точность сортировки по размеру составила 75,4 %, по наличию дефектов – 73,1 %.

1. Смирнов И. Г., Хорт Д. О., Кутырев А. И. Интеллектуальные технологии и роботизированные машины для возделывания садовых культур. Сельскохозяйственные машины и технологии. 2021;15(4):35-41. doi: 10.22314/2073-7599-2021-15-4-35-41 EDN: NDDMCH

2. Балабанов П. В., Дивин А. Г., Мищенко С. В., Макарова В. С., Марков А. В., Садомов Я. О. Роботизированный комплекс для сортировки яблок. Цифровизация агропромышленного комплекса : сб. научн. ст. II Междунар. науч.-практ. конф. Тамбов: Тамбовский государственный технический университет, 2020. Т. II. С. 44-47. Режим доступа: https://elibrary.ru/item.asp?id=45032750&pff=1 EDN: JHNDCX

3. Szegedy C., Vanhoucke V., Ioffe S., Shlens J., Wojna Z. Rethinking the Inception Architecture for Computer Vision. Cornel Univercity Library. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 2016. pp. 2818-2826. doi: 10.1109/CVPR.2016.308

4. Yuzhen Lu, Renfu Lu. Development of a multispectral Structured Illumination Reflectance Imaging (SIRI) system and its application to bruise detection of apples. Transactions of the ASABE. 2017;60(4):1379-1389. doi: 10.13031/trans.12158

5. Казакевич П. П., Юрин А. Н., Прокопович Г. А. Система технического зрения распознавания дефектов яблок: обоснование, разработка, испытание. Весці Нацыянальнай акадэміі навук Беларусі. Серыя аграрных навук. 2021;59(4):488-500. doi: 10.29235/1817-7204-2021-59-4-488-500 EDN: WGJHOD

6. Юрин А. Н. Инновационные технологические процессы и технические комплексы для интенсивного садоводства Беларуси. Минск: Беларуская навука, 2022. 208 c.

7. Хорт Д. О., Кутырев А. И., Смирнов И. Г., Филиппов Р. А., Вершинин Р. В. Разработка алгоритмов системы распознавания ягод земляники садовой при роботизированном сборе. Электротехнологии и электрооборудование в АПК. 2020;67(1(38)):133-141. doi: 10.22314/2658-4859-2020-67-1-133-141 EDN: BYNXCB

8. Жиркова А. А., Балабанов П. В., Дивин А. Г. Автоматизированная система гиперспектрального контроля дефектов яблок. Современная наука: теория, методология, практика : мат-лы III Всеросс. (национ.) науч.-практ. конф. Тамбов: Издательство ИП Чеснокова А. В., 2021. С. 291-296. Режим доступа: https://elibrary.ru/item.asp?id=45831350&selid=46177515 EDN: YXUHYM

9. Хорт Д. О., Кутырёв А. И., Филиппов Р. А., Вершинин Р. В., Смирнов И. Г. Нейронная сеть для распознавания плодов и ягод садовых культур: свидетельство о регистрации программы для ЭВМ № 2020660182 Российская Федерация. № 2020619124: заяв. 14. 08. 2020; опубл. 28. 08. 2020.

10. Азаренко В. В., Комлач Д. И., Голдыбан В. В., Барановский И. А., Прокопович Г. А. Разработка навесной системы для управления пропашным культиватором в автоматическом режиме. Весці Нацыянальнай акадэміі навук Беларусі. Серыя аграрных навук. 2021;59(2):232-242. doi: 10.29235/1817-7204-2021-59-2-232-242 EDN: CYVPGM

11. Дорохов А. С., Аксенов А. Г., Хорт Д. О., Кутырёв А. И., Тетерев А. В., Сибирёв А. В., Московский М. Н., Филиппов Р. А., Семичев С. В., Мосяков М. А. База данных спектральных изображений болезней и повреждений злаковых культур, плодов и клубней картофеля: свидетельство о регистрации базы данных № 2021620285 Российская Федерация. № 2021620155: заяв. 08. 02. 2021; опубл. 16. 02. 2021.

12. Kortylewski A., Schneider A., Gerig T., Egger B., Morel-Forster A., Vetter T. Training deep face recognition systems with synthetic data. Cornell University Library. 2018. URL: https://arxiv.org/pdf/1802.05891.pdf

13. Huang J., Rathod V., Sun Ch., Zhu M., Korattikara A., Fathi A., Fischer I., Wojna Z., Song Ya., Guadarrama S., Murphy K. Speed/accuracy trade-offs for modern convolutional object detectors. Cornel University Library. 2016. URL: https://arxiv.org/pdf/1611.10012.pdf

14. Ganganagowdar N. V., Gundad A. V. An intelligent computer vision system for vegetables and fruits quality inspection using soft computing techniques. Agricultural Engineering International. 2019;21(3):171-178. URL: https://cigrjournal.org/index.php/Ejounral/article/view/5188

15. Юрин А. Н., Викторович В. В., Игнатчик А. А. Снижение затрат труда применением системы технического зрения при сортировке яблок. Механизация и электрификация сельского хозяйства. 2022;(55):88-95. Режим доступа: https://mechel.belal.by/jour/article/view/707/712