Фото: із відкритих джерел
У пакувальних цехах черешні штучний інтелект почали використовувати як додатковий шар до традиційних систем машинного зору, щоб зменшити коливання результатів сортування за змінних властивостей плодів. Один із ключових акцентів — стабільніше розпізнавання плодоніжки та дефектів.
Про це повідомляє сайт Аграрії разом з посиланням на Freshplaza.
Стабільність результатів — один із головних критеріїв у сортуванні черешні. Сучасні системи візуального грейдингу на базі камер і аналізу зображень підвищили пропускну здатність, точність калібрування за розміром і якість виявлення дефектів, однак узгодженість оцінок за різних партій і умов залишається складним завданням.
Як пояснюється в матеріалі FreshPlaza, черешня природно варіативна: колір плоду й плодоніжки, блиск/фактура поверхні та вигляд пошкоджень відрізняються між сортами, садами та регіонами вирощування. Навіть у межах одного виробничого прогону ці характеристики можуть змінюватися настільки, що впливають на те, як система машинного зору інтерпретує зображення.
Чому важливе розпізнавання плодоніжки
Окремою проблемою є точне визначення плодоніжки. Якщо система не може надійно відрізнити її від плоду, аналіз за кольоровими ознаками стає більш чутливим до хибних спрацювань або нестабільності під час оцінювання дефектів. Натомість коректна ідентифікація плодоніжки дає більш надійну «точку відліку» для подальших рішень у сортуванні.
Як ШІ доповнює класичний машинний зір
У прикладі, наведеному в публікації, платформа radiai™ від GP Graders використовує штучний інтелект для розпізнавання плодоніжок за «вивченими» візуальними характеристиками, а не лише за аналізом спектра кольорів. Це, за задумом, має допомагати стабільніше визначати плодоніжку попри зміни її кольору та зовнішнього вигляду, створюючи основу для подальшого аналізу дефектів і водночас зберігаючи точність калібрування за розміром.
Окремі моделі ШІ в системі навчають розпізнавати конкретні ознаки якості черешні. Зокрема, згадуються моделі для таких типів дефектів: відкриті рани, загоєні тріщини, забиття (bruising), побуріння (browning), потертості від вітру (wind rub) та кільцеві розриви (ring splits). Додатково моделі ідентифікують відходи (waste fruit), «двійники» (doubles), множинні плоди (multiple fruit) і залишкові квітки, що можуть лишатися прикріпленими після збирання.
Підхід із кількома спеціалізованими моделями дає змогу розрізняти дефекти, які можуть виглядати схоже, але потребують різних рішень під час сортування. У результаті очікується більш узгоджене виявлення дефектів за змінних характеристик плодів.
Що це дає пакувальному цеху
У матеріалі підкреслюється, що ШІ-моделі не позиціонуються як заміна наявних методів візуального сортування — їх розглядають як доповнення до вже встановлених платформ машинного зору, яке закриває задачі, складні для традиційного аналізу зображень.
Для менеджерів пакувальних цехів більш стабільні рішення в сортуванні можуть означати менше зайвих коригувань у процесі та більш повторюваний результат від першого контейнера до останнього. На тлі тиску на ринку праці та зростання вимог до якості саме стабільність оцінювання залишається критичною для щоденної роботи пакувальних ліній.