Техническое зрение в сортировке и анализе зерна

Автоматизация процессов очистки и сортировки зерна играет ключевую роль в современном сельском хозяйстве и пищевой промышленности, поскольку качество семенного материала напрямую определяет урожайность и качество конечной продукции. Традиционные методы сортировки (воздушная сепарация, решетные станы, триеры) часто оказываются недостаточно эффективными при необходимости высокой точности, производительности и отделения трудноотделимых примесей, таких как татарская гречишка, присутствующая в зерне в Республике Бурятия [1, 2]. Применение технологий технического зрения (машинного зрения) для автоматизации анализа и сортировки зерна становится все более актуальным, обеспечивая 74

объективный и неразрушающий анализ на основе обработки изображений. Техническое зрение позволяет определять широкий спектр характеристик, включая размер, форму, цвет, текстуру, наличие дефектов и другие качественные показатели.

Цель работы – анализ современных методов, применяемых в технических средствах для очистки и сортировки зерна с использованием технического зрения.

Материалы и методы исследования

Данный обзор посвящен анализу современных методов, применяемых в системах технического зрения для анализа и сортировки семян, включая зерновые культуры. Рассмотренные работы используют разнообразные подходы, основанные на комбинации методов обработки изображений, машинного обучения, спектроскопии и управления.

Общие методы:

• •    Обработка изображений: включает в себя широкий спектр техник, таких как предварительная обработка (улучшение контраста, удаление шума, фильтрация, сегментация, выделение контуров), извлечение признаков (анализ формы, текстуры, цвета) и морфологический анализ. Для анализа цвета используются различные цветовые пространства, например RGB, HSV, Lab. Для текстурного анализа могут применяться статистические методы, такие как матрицы GLCM (Gray-Level Co-occurrence Matrix), и спектральные методы.

• •    Машинное обучение: используются как классические алгоритмы (SVM, KNN, Random Forest и др.), так и методы глубокого обучения, включая сверточные нейронные сети (CNN), рекуррентные нейронные сети (RNN) и другие современные архитектуры. Для задач обнаружения объектов в реальном времени применяются алгоритмы, такие как YOLOv5n, RetinaNet и Faster R-CNN.

• •    Спектроскопия: основана на анализе взаимодействия электромагнитного излучения с веществом. В контексте анализа семян применяется для определения химического состава, зрелости и других внутренних характеристик. Часто используются флуоресцентная спектроскопия (анализ излучения после возбуждения светом определенной длины волны) и мультис-пектральный анализ (получение изображений в нескольких диапазонах спектра).

• •    Методы управления: включают в себя различные стратегии управления исполнительными механизмами сортировочных систем, такие как управление воздушным потоком, механическими манипуляторами и др. Важным аспектом является использование систем с обратной связью для повышения точности, например с использованием прогнозного контроллера модели (MPC).

Применение методов в рассмотренных работах:

• •    Фавахерджи и др. [3] изучали применение мультиспектральных изображений для сегментации.

• •    Мерзуги и др. [4] использовали анализ цвета, текстуры и формы с применением SVM, KNN и Random Forest.

• •    Виет и др. [5] исследовали повышение точности с помощью замкнутого контура рециркуляции материала и управления с обратной связью на основе MPC. Для моделирования использовались CFD и DEM.

• •    Чжан и др. [6] использовали высокоскоростную съемку линейными камерами, анализ флуоресценции хлорофилла (возбуждение на 670 нм) и CNN с механизмами остаточного обучения и внимания. Для сортировки применялся управляемый воздушный поток.

• •    Фэн и др. [7] разработали сортировщик на основе машинного зрения и YOLOv5n.

• •    Ислам и др. [8] исследовали RetinaNet и Faster R-CNN для обнаружения и классификации семян.

• •    Велесака и др. [9] представили обзор методов классификации семян с использованием компьютерного зрения.

• •    Для отделения трудноотделимых примесей ведутся исследования на фотосепараторах [10 - 13].

• •    Во ВСГУТУ [14 - 17] разработан сепаратор для очистки зерна с использованием технического зрения.

• •    С целью увеличения урожайности и подготовки кондиционных семян проводятся исследования с использованием фотосепараторов (Мяснянкин К.В., Лебедев Д.В. [18, 19]).

Результаты и обсуждение

Оценка качества зерна

Помимо сортировки по физическим параметрам, важной задачей является оценка качества зерна.

Качество зерна – один из ключевых параметров, влияющих на эффективность его использования. В работе [4] предложен метод автоматического анализа качества зерна твердой пшеницы, в котором используется сочетание анализа цвета, текстуры и формы. Для реализации этого подхода применялись алгоритмы машинного обучения, включая метод опорных векторов (SVM), метод k ближайших соседей (KNN) и алгоритм случайного леса (Random Forest).

Этот подход позволяет проводить объективную и автоматизированную оценку качества, определения сорта и повышения производительности сельскохозяйственных процессов. Благодаря возможности адаптировать алгоритмы к различным сортам зерна и параметрам качества система становится универсальным инструментом для контроля качества.

По сравнению с традиционными методами, которые включают ручной осмотр или химический анализ, предложенный подход отличается большей скоростью, экономичностью и объективностью.

Повышение точности сортировки

Точность сортировки напрямую влияет на эффективность и экономическую целесообразность использования оптических сортировщиков. Однопроходные системы подвержены ошибкам из-за неоднородности потока материала и вариаций освещения.

Для повышения точности сортировки в работе [5] был предложен подход, основанный на замкнутом контуре рециркуляции материала и управлении с обратной связью на основе MPC (Model Predictive Control – прогнозное управление моделью). Рециркуляция позволяет повторно анализировать и сортировать материал, что минимизирует количество ошибок. MPC, учитывая динамику системы, оптимизирует управление на основе прогноза, адаптируясь к изменениям в потоке материала.

Этот подход, хотя и не был применен непосредственно к сортировке зерна в данной работе, имеет большой потенциал для повышения точности сортировочных систем в сельском хозяйстве. Рециркуляция и управление с обратной связью могут быть особенно полезны для отделения трудноотделимых примесей или для сортировки семян по нескольким критериям. Моделирование DEM-CFD, использованное авторами, позволяет детально изучить поведение частиц материала и оптимизировать параметры системы.

В отличие от методов, фокусирующихся на улучшении алгоритмов классификации, подход направлен на оптимизацию самого процесса сортировки. Дальнейшие исследования могут быть направлены на адаптацию этого подхода к конкретным задачам сортировки зерна и на сравнение его эффективности с другими методами повышения точности.

Оценка зрелости семян

Оценка зрелости семян является критически важным фактором для определения посевных качеств и, следовательно, для повышения урожайности. Традиционные методы, основанные на визуальном осмотре, субъективны и трудоемки. Автоматизация этого процесса с использованием технического зрения позволяет получить объективные и воспроизводимые результаты.

Для оценки зрелости семян в работе [6] был предложен комплексный подход, сочетающий высокоскоростную съемку линейными камерами с анализом флуоресценции хлорофилла. Ключевым преимуществом данного метода является использование флуоресценции, предоставляющей информацию о внутренних биохимических изменениях в семени, коррелирующих со степенью зрелости. В отличие от методов, основанных только на анализе внешних признаков, таких как цвет или размер, анализ флуоресценции хлорофилла дает более объективную и надежную оценку, поскольку менее подвержен влиянию внешних факторов.

Высокоскоростная съемка линейными камерами обеспечивает необходимую пропускную способность для сортировки в реальном времени. Применение CNN с механизмами остаточного обучения и внимания позволило достичь высокой точности классификации (96 %) при скорости сортировки свыше 50 частиц в секунду. Эта высокая производительность и точность имеют прямое практическое значение для сельского хозяйства, позволяя автоматизировать отбор наиболее зрелых и жизнеспособных семян для посева, что способствует повышению урожайности и снижению потерь. Однородность зрелости посевного материала обеспечивает равномерные всходы и развитие растений.

Данный метод демонстрирует высокую эффективность, но требует использования специального оборудования для анализа флуоресценции. Дальнейшие исследования могут быть направлены на оптимизацию параметров съемки и обработки данных для снижения стоимости и сложности системы, а также на изучение влияния различных факторов на характеристики флуоресценции для создания более универсальных моделей.

Быстрая сортировка и обнаружение объектов

Для промышленного применения сортировочных систем критически важна высокая скорость обработки.

В работе [7] был разработан сортировщик на основе машинного зрения, использующий алгоритм YOLOv5n. Благодаря своей архитектуре YOLOv5n обеспечивает высокую скорость обработки изображений, что необходимо для сортировки в реальном времени.

Применение YOLOv5n для сортировки семян позволяет достичь высокой пропускной способности системы, что особенно важно для обработки больших объемов зерна. Выбор между YOLOv5n и другими алгоритмами обнаружения объектов (например, RetinaNet и Faster R-CNN, исследованными Bello) зависит от компромисса между скоростью и точностью. YOLOv5n обеспечивает более высокую скорость, но может уступать в точности более сложным моделям, таким как Faster R-CNN.

Дальнейшие исследования могут быть направлены на оптимизацию YOLOv5n для конкретных задач сортировки зерна, а также на сравнение его с другими алгоритмами обнаружения объектов с учетом таких факторов, как скорость, точность, вычислительные ресурсы и устойчивость к различным условиям освещения.

Перспективы дальнейших исследований включают разработку более сложных моделей машинного обучения, способных учитывать широкий спектр параметров качества и методы выявления скрытых дефектов зерна, которые невозможно обнаружить визуально.

Заключение

Хотелось бы выделить несколько перспективных направлений для дальнейших исследований:

• •    оптимизация алгоритмов глубокого обучения: дальнейшее развитие и адаптация алгоритмов глубокого обучения, таких как CNN и YOLO, для задач сортировки зерна, включая оптимизацию для работы на маломощных устройствах (например, мобильных платформах или встроенных системах), позволит создавать более доступные и эффективные системы. Исследования в области облегченных архитектур и методов квантования моделей могут быть особенно перспективными;

• •    создание специализированных баз данных: создание больших и размеченных баз данных изображений и спектральных данных различных сортов зерновых культур, содержащих информацию о различных дефектах и характеристиках качества, необходимо для обучения и тестирования алгоритмов машинного обучения. Необходимо разработать стандартизованные протоколы сбора данных и разметки, чтобы обеспечить сопоставимость результатов разных исследований;

• •    разработка методов выявления скрытых дефектов: исследования, направленные на разработку методов выявления скрытых дефектов зерна (например, внутренние повреждения, заражения), невидимых в видимом диапазоне, с использованием мультиспектрального анализа, гиперспектральной визуализации, методов томографии или других передовых методов, представляют большой интерес;

• •    разработка интеллектуальных систем управления: исследования, направленные на разработку интеллектуальных систем управления сортировочным процессом, учитывающих динамику потока материала, характеристики сортируемых семян, внешние условия и другие факторы, позволят создать полностью автоматизированные и высокоэффективные сортировочные комплексы. Применение методов машинного обучения для оптимизации параметров управления в реальном времени может значительно повысить производительность и точность сортировки.