Розробка модуля оптичної ідентифікації для сортування яблук

Abstract

У магістерській роботі встановлено, що для підвищення ефективності розпізнавання дефектів і хвороб плодів яблуні за потокового сортування необхідне застосування автоматизованих систем контролю якості з використанням спектрального аналізу та комп’ютерного зору. Обґрунтовано параметри модуля оптичної ідентифікації плодів яблуні на основі аналізу напружено-деформованого стану конструкції та умов безперешкодного руху плодів по роликовому транспортеру. У результаті експериментальних досліджень прототипу модуля оптичної ідентифікації для сортування плодів встановлено, що оптимальна швидкість переміщення каретки з гіперспектрометром, за якої забезпечувалося отримання якісних гіперспектральних зображень, становила Vкар =0,4м/с; значення світлового потоку системи освітлення робочої поверхні роликового транспортера – 2479,1 лм; оптимальна відстань від об’єктива камери до плода – 0,222 м. В магістерській роботі встановлено, що класифікатор випадкового лісу (RF), навчений на ознаках, що включають вегетаційні індекси та локальні бінарні шаблони (VI + LBP), продемонстрував високу точність 97–98,2 % у розпізнаванні пошкоджених плодів на малій вибірці до 100 шт.

In the master’s thesis, it was established that to improve the efficiency of defect and disease recognition in apple fruits under continuous sorting conditions, it is necessary to apply automated quality control systems based on spectral analysis and computer vision. The parameters of the optical identification module for apple fruits were substantiated based on an analysis of the stress–strain state of the structure and the conditions for unobstructed movement of fruits along the roller conveyor. As a result of experimental studies of the prototype optical identification module for fruit sorting, it was found that the optimal travel speed of the carriage with the hyperspectrometer, at which high-quality hyperspectral images were obtained, was V_car=0.4m/s; the luminous flux of the lighting system for the working surface of the roller conveyor was 2479.1 lm; and the optimal distance from the camera lens to the fruit was 0.222 m. The master’s thesis also established that the random forest (RF) classifier, trained on features including vegetation indices and local binary patterns (VI + LBP), demonstrated high accuracy of 97–98.2% in recognizing damaged fruits on a small dataset of up to 100 samples.