Как определить спелость питахайи с помощью компьютерного зрения

Драконий фрукт (также называемый питахайей, питайей или клубничной грушей) известен своей ярко-розовой кожурой, чешуйками с зелёными кончиками и мякотью с тёмными вкраплениями. Родом из Центральной и Южной Америки, этот экзотический фрукт распространился далеко за пределы своего происхождения.

Сегодня его выращивают круглый год в тропических регионах, поэтому он часто встречается на рынках по всему миру. Драконий фрукт известен своими полезными свойствами и содержит большое количество витамина C, магния и антиоксидантов, которые могут поддерживать общее состояние здоровья.

По мере роста популярности драконьего фрукта и увеличения числа его любителей возросла и сложность определения оптимального момента для сбора урожая. И фермеры, и потребители часто задаются вопросом: как понять, что драконий фрукт спелый?

Традиционно спелость драконьего фрукта определяют по цвету кожуры, плотности или высыханию чешуек. Но эти признаки непостоянны и различаются у разных сортов драконьего фрукта.

Рис. 1. Несколько сортов красного драконьего фрукта с разной формой. (Источник)

Для производителей такая непостоянность может означать потерю стоимости урожая. Для потребителей это часто приводит к покупке фруктов, которые выглядят привлекательно, но не отличаются хорошим вкусом. Чтобы решить эту проблему, фермеры и исследователи обращаются к технологиям.

Благодаря искусственному интеллекту (AI) и компьютерному зрению, которые позволяют машинам интерпретировать и анализировать визуальные данные, определение спелости становится более последовательным и точным. Например, модели компьютерного зрения, такие как Ultralytics YOLO11, поддерживают различные задачи, включая обнаружение объектов и сегментацию экземпляров, которые можно использовать для выявления, разделения и анализа фруктов на предмет спелости. Это помогает фермерам эффективнее сортировать и оценивать урожай, сокращать количество ошибок и поддерживать единые стандарты.

В этой статье мы подробнее рассмотрим, почему сложно определить спелость драконьего фрукта, почему традиционные методы часто не справляются и как компьютерное зрение повышает надёжность определения спелости. Начнём!

Почему спелость драконьего фрукта сложно определить#

Прежде чем перейти к традиционным методам проверки спелости, сначала разберёмся, почему определить, когда драконий фрукт созрел, бывает так сложно.

На первый взгляд, драконий фрукт достаточно прост в употреблении: разрежь его, достань мякоть ложкой и ешь. Но каждый, кто пытался выбрать такой фрукт, знает, что настоящая сложность заключается в определении его спелости. В отличие от бананов, арбузов или манго, которые при созревании демонстрируют явные признаки, драконий фрукт часто заставляет гадать.

Путаница отчасти возникает из-за того, что существует не один вид драконьего фрукта. Есть три основных цветовых разновидности, и каждая из них созревает немного по-разному. Помимо цвета, драконьи фрукты различаются формой, размером и особенностями кожуры. У одних чешуйки длиннее, а другие имеют более округлую форму.

Давайте подробнее рассмотрим разные виды драконьего фрукта:

• Белый драконий фрукт: Это самая распространённая разновидность с белой мякотью, усеянной крошечными чёрными семенами.
• Красный или розовый драконий фрукт: У него мякоть пурпурного или розового цвета и ярко-красная кожура, благодаря чему он особенно выделяется.
• Жёлтый драконий фрукт: Эта разновидность встречается реже; у неё золотистая или жёлтая кожура, а сама она считается самой сладкой.

Рис. 2. Разные сорта драконьего фрукта с разным цветом. (Источник)

Традиционные способы определить спелость драконьего фрукта#

До того как фермеры начали использовать передовые технологии, такие как AI, проверка спелости основывалась на простых визуальных и тактильных признаках. Эти методы по-прежнему широко применяются на фермах и рынках.

Вот несколько распространённых признаков спелости драконьего фрукта:

• Цвет кожуры: Большинство людей сначала проверяют кожуру драконьего фрукта. Ярко-розовая или красная мякоть обычно означает, что фрукт спелый, а зелёные участки — что ему нужно ещё дозреть. У жёлтого драконьего фрукта кожура должна быть золотистой и почти без пятен. Однако это правило применимо не всегда. Некоторые фрукты выглядят спелыми снаружи, но внутри ещё не готовы, а на других при перезревании появляются пятна.

• Текстура: Ещё один способ проверки — прикосновение. Спелый драконий фрукт должен слегка поддаваться при нажатии, как спелый авокадо. Если он очень твёрдый, вероятно, он ещё не дозрел. Если он слишком мягкий или кашеобразный, возможно, он уже перезрел. Текстура также не всегда надёжна, поскольку обращение с фруктом и условия его хранения могут изменить ощущение плотности.

• Другие признаки: Фермеры, выращивающие драконий фрукт, иногда обращают внимание на менее заметные детали. При созревании прицветники, или листовидные «крылышки», могут начать высыхать и скручиваться, а лёгкий сладкий аромат возле плодоножки также может служить подсказкой. Эти признаки полезны, но они малозаметны и их легко не заметить.

Как vision AI меняет определение спелости драконьего фрукта#

Традиционные признаки, такие как цвет кожуры или плотность, могут быть полезны, но часто оказываются непостоянными. Компьютерное зрение делает определение спелости драконьего фрукта более надёжным, обучаясь на тысячах размеченных изображений и распознавая закономерности, которые люди могут не заметить.

Например, поддержку Ultralytics YOLO11 таких задач, как обнаружение объектов, сегментация экземпляров и классификация изображений, можно использовать для подробного анализа фруктов, если модель обучена на соответствующем наборе данных.

В частности, обнаружение объектов позволяет выявлять отдельные фрукты на изображении. Аналогично, сегментация экземпляров может отделить каждый фрукт от окружающих объектов, даже если они перекрываются, а классификация изображений — присвоить метки на основе таких признаков, как форма, текстура или цвет.

Рис. 3. Изображения незрелого и спелого драконьего фрукта для создания набора данных. (Источник)

Обучение Ultralytics YOLO11 для обнаружения спелого драконьего фрукта#

Сразу после установки Ultralytics YOLO11 предварительно обучена на известных наборах данных в зависимости от задачи. Для обнаружения объектов и сегментации она предварительно обучена на наборе данных COCO, который включает повседневные объекты, такие как люди, животные и автомобили.

Для классификации изображений она предварительно обучена на наборе данных ImageNet, который также охватывает широкий спектр распространённых категорий. Такое предварительное обучение даёт Ultralytics YOLO11 хорошую основу, но для специализированных задач, таких как определение спелости драконьего фрукта, модель всё равно необходимо дообучить или обучить на специальном наборе данных.

Вот как можно обучить Ultralytics YOLO11 на собственных данных для определения спелости драконьего фрукта:

• Сбор данных: Тысячи изображений драконьего фрукта получают при разных условиях освещения, ракурсах и стадиях роста. Каждое изображение размечают в соответствии с задачей. Для классификации изображений метки могут включать категории «незрелый», «спелый» и «перезрелый». Для обнаружения объектов или сегментации экземпляров вокруг фруктов рисуют ограничивающие рамки или маски, чтобы обозначить их расположение и контуры. Эти размеченные примеры предоставляют Ultralytics YOLO11 информацию, необходимую для обучения.

• Обучение модели: Обучение YOLO11 не начинается с нуля. Благодаря трансферному обучению модель использует визуальные признаки, изученные на предварительно обученных наборах данных, таких как COCO для обнаружения и сегментации или ImageNet для классификации, и адаптирует их к характеристикам драконьего фрукта. Обучение YOLO11 на собственных размеченных изображениях позволяет модели распознавать признаки спелости, такие как изменения цвета кожуры, изменения текстуры и различия в форме плодов.

• Валидация и тестирование: После обучения Ultralytics YOLO11 можно оценить на отдельном наборе изображений драконьего фрукта, с которыми модель раньше не встречалась, — он называется валидационной или тестовой выборкой. Предсказания модели сравнивают с эталонными метками, чтобы измерить точность и выявить ошибки, например классификацию незрелого фрукта как спелого. Такая оценка помогает предотвратить переобучение и убедиться, что модель изучает релевантные признаки спелости, а не запоминает обучающие данные.

Практическое применение компьютерного зрения для определения спелости#

Далее рассмотрим, как компьютерное зрение применяется в реальных задачах сельского хозяйства и переработки, особенно при сборе драконьего фрукта.

Дроны для мониторинга и оценки спелости#

Десятилетиями фермерам приходилось ходить под солнцем вдоль каждого ряда и проверять фрукты вручную. Этот процесс был медленным и трудоёмким, а незаметные признаки спелости, скрытые под листьями или распределённые по большим полям, часто оставались без внимания.

Сегодня появляются новые подходы, в которых для мониторинга зрелости фруктов используются дроны и компьютерное зрение. Такие системы могут получать изображения высокого разрешения, выявляющие незаметные изменения цвета и текстуры и предоставляющие сведения, которые трудно заметить невооружённым глазом.

Вместо того чтобы полагаться только на ручные проверки, модели компьютерного зрения могут помогать оценивать спелость по полученным изображениям. Выявляя спелые плоды на более ранних этапах и в больших масштабах, фермеры могут эффективнее планировать сбор урожая и поставлять фрукты на рынок в оптимальном состоянии.

Роботы для автоматизированного сбора фруктов#

При сборе фруктов главное — правильно выбрать время. Сбор на день раньше или позже может снизить стоимость урожая, поэтому робототехника становится частью сельского хозяйства. Например, исследователи разработали роботов для сбора драконьего фрукта, которые используют компьютерное зрение и обнаружение объектов для поиска фруктов в сложных условиях.

После обнаружения этого тропического фрукта робот может направить механический захват или клешню, чтобы собрать его с минимальными повреждениями. Некоторые системы также оснащены встроенными функциями сортировки, которые с помощью компьютерного зрения отличают спелые фрукты от незрелых или повреждённых. Благодаря одновременной работе нескольких роботизированных манипуляторов такие машины потенциально могут собирать урожай быстрее и стабильнее людей, снижая риск повреждения плодов.

Рис. 4. Пример робота с системой компьютерного зрения, собирающего спелые драконьи фрукты. (Источник)

Преимущества и недостатки использования vision AI для обнаружения драконьего фрукта#

Вот некоторые ключевые преимущества использования компьютерного зрения для определения спелости драконьего фрукта:

• Сокращение отходов: Точное определение спелости сокращает преждевременный сбор урожая и предотвращает повреждения при хранении и транспортировке.

• Обеспечение стабильного качества: Фермеры могут поставлять фрукты на нужной стадии спелости, укрепляя доверие потребителей и повышая рыночную стоимость.

• Поддержка крупномасштабной сортировки: Системы компьютерного зрения могут быстро и точно обрабатывать большие объёмы урожая, уменьшая потребность в больших командах работников.

С другой стороны, при использовании vision AI для обнаружения драконьего фрукта следует учитывать следующие ограничения:

• Зависимость от данных: Модели компьютерного зрения работают лучше всего, когда обучены на больших и разнообразных наборах данных с изображениями драконьего фрукта, полученными при разных условиях освещения, ракурсах и стадиях роста.

• Разметка данных: Подготовка таких наборов данных требует тщательной разметки, часто с привлечением экспертов, поэтому может занимать много времени и требовать значительных трудозатрат.

• Высокие затраты: Разработка, обучение и внедрение систем AI могут потребовать значительных расходов на оборудование, программное обеспечение и техническую экспертизу, что может стать препятствием для небольших ферм.

Основные выводы#

Компьютерное зрение способно изменить подход к сбору и сортировке драконьего фрукта, и то же справедливо для сельского хозяйства в целом. От поля до упаковочной линии инструменты на базе компьютерного зрения могут оптимизировать сбор, сортировку и упаковку, помогая фермерам более стабильно поставлять фрукты. По мере развития технологий vision AI, вероятно, будет играть ещё более значительную роль в сельском хозяйстве.

Готов исследовать AI? Присоединяйся к нашему сообществу и репозиторию GitHub, чтобы узнать больше об AI и компьютерном зрении. Посети страницы наших решений, чтобы узнать больше о применении компьютерного зрения в сельском хозяйстве и AI в робототехнике. Ознакомься с вариантами лицензирования и начни работать с компьютерным зрением уже сегодня!