Как определить спелость драконьего фрукта с помощью компьютерного зрения

Питайя (также известная как питахайя или клубничная груша) выделяется ярко-розовой кожурой, чешуйками с зелеными кончиками и мякотью с мелкими семенами. Этот экзотический фрукт родом из Центральной и Южной Америки, но давно распространился далеко за пределы своей родины.

Сегодня питайю выращивают круглый год в тропических регионах, поэтому ее можно встретить на рынках по всему миру. Этот фрукт известен своими полезными свойствами: он богат витамином C, магнием и антиоксидантами, которые могут поддерживать общее здоровье.

По мере того как питайя становится популярнее и всё больше людей наслаждаются ее вкусом, становится сложнее понять, когда ее пора собирать. И фермеры, и покупатели часто задаются вопросом: как определить, что питайя созрела?

Традиционно зрелость питайи определяли по цвету кожуры, упругости или высыханию чешуек. Но эти признаки непостоянны и различаются у разных сортов питайи.

Рис. 1. Разнообразие форм красной питайи. (Источник)

Для производителей эта непредсказуемость может означать потери при сборе урожая. Покупателям же часто достается фрукт, который выглядит аппетитно, но оказывается безвкусным. 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 зрелости становится более точным и последовательным. 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, чтобы определить их зрелость. Это помогает фермерам эффективнее сортировать урожай, сокращать количество ошибок и соблюдать единые стандарты.

В этой статье мы подробнее рассмотрим, почему трудно определить спелость питахайи, почему традиционные методы часто не дают нужного результата и как компьютерное зрение повышает надёжность определения спелости.

Почему сложно определить зрелость питайи#

Прежде чем рассматривать традиционные методы проверки спелости, давай разберёмся, почему определить, созрела ли питахайя, бывает так сложно.

На первый взгляд, питайю проще простого съесть: разрезать, вынуть мякоть ложкой и наслаждаться. Но любой, кто пытался выбрать спелый плод, знает, что главная сложность — определить его зрелость. В отличие от бананов, арбузов или манго, которые при созревании подают очевидные сигналы, питайя часто заставляет гадать.

Путаница отчасти связана с тем, что питайя бывает не одного вида. Существует три основные цветовые разновидности, и каждая созревает немного по-своему. Помимо цвета, плоды питайи различаются формой, размером и особенностями кожуры. У одних чешуйки длиннее, у других — более округлые.

Рассмотрим подробнее разные виды питайи:

• Белая питайя: Это самая распространенная разновидность с белой мякотью, усыпанной крошечными черными семенами.
• Красная или розовая питайя: У нее малиновая или розовая мякоть и ярко-красная кожура, поэтому она особенно привлекает внимание.
• Желтая питайя: Эта разновидность встречается реже. У нее золотистая или желтая кожура, а сама она считается самой сладкой.

Рис. 2. Разные цветовые разновидности питайи. (Источник)

Традиционные способы определить зрелость питайи#

До того как фермеры начали применять такие технологии, как ИИ, спелость оценивали по простым визуальным и тактильным признакам. Эти методы широко используют и сегодня — на фермах и рынках.

Вот несколько распространенных признаков зрелости питайи:

• Цвет кожуры: большинство сначала обращает внимание на цвет кожуры питахайи. Ярко-розовая или красная кожура обычно означает, что плод созрел, а зелёные участки — что ему нужно ещё время. У жёлтой питахайи кожура должна быть золотистой и почти без пятен. Однако это правило подходит не всегда. Некоторые плоды снаружи выглядят спелыми, хотя внутри ещё не созрели, а на других появляются пятна по мере перезревания.
• Текстура: Еще один способ проверки — прикоснуться к плоду. Спелая питайя должна слегка поддаваться при нажатии, как спелый авокадо. Если она очень твердая, то, скорее всего, еще не созрела. Если плод слишком мягкий или рыхлый, возможно, он уже перезрел. Но текстура не всегда служит надежным показателем: на упругость плода могут повлиять обращение с ним и условия хранения.
• Другие признаки: Фермеры иногда обращают внимание на мелкие детали. По мере созревания прицветники, или листовидные отростки, могут начать высыхать и скручиваться, а легкий сладкий аромат возле плодоножки тоже может указывать на зрелость. Эти признаки полезны, но они едва заметны и их легко упустить.

Как компьютерное зрение меняет определение зрелости питайи#

Традиционные признаки, такие как цвет кожуры и упругость, могут быть полезны, но часто оказываются непостоянными. Компьютерное зрение помогает надежнее определять зрелость питайи: оно обучается на тысячах размеченных изображений и распознает закономерности, которые люди могут не заметить.

Например, поддержку Ultralytics YOLO11 для таких задач, как обнаружение объектов, сегментация экземпляров и классификация изображений, можно использовать для детального анализа фруктов, если дообучить модель на подходящих наборах данных.

В частности, обнаружение объектов может находить отдельные плоды на изображении. Сегментация экземпляров также может отделять каждый плод от окружающих объектов, даже если они перекрываются, а классификация изображений — присваивать метки на основе таких признаков, как форма, текстура или цвет.

Рис. 3. Изображения незрелой и спелой питайи для создания набора данных. (Источник)

Обучение Ultralytics YOLO11 для распознавания спелой питайи#

Ultralytics YOLO11 изначально предварительно обучена на известных наборах данных, выбор которых зависит от задачи. Для обнаружения объектов и сегментации модель предварительно обучена на наборе данных COCO, который содержит изображения повседневных объектов, например людей, животных и автомобилей.

Для классификации изображений модель предварительно обучена на наборе данных ImageNet, который также охватывает широкий спектр распространенных категорий. Такое предварительное обучение дает Ultralytics YOLO11 хорошую отправную точку, но для специализированных задач, например определения зрелости питайи, модель всё равно нужно дообучить или обучить на специальном наборе данных.

Вот как можно обучить Ultralytics YOLO11 для определения зрелости питайи:

• Сбор данных: Тысячи изображений питайи снимают при разном освещении, под разными углами и на разных стадиях созревания. 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 плодов рисуют ограничивающие рамки или маски, отмечая их местоположение и контуры. Эти размеченные примеры дают Ultralytics YOLO11 информацию, необходимую для обучения.
• Обучение модели: Обучение YOLO11 не начинается с нуля. Благодаря трансферному обучению модель использует визуальные признаки, изученные на наборах данных, на которых она была предварительно обучена, например COCO для обнаружения объектов и сегментации или ImageNet для классификации, и адаптирует их к особенностям питайи. Обучая YOLO11 на размеченных изображениях, можно научить модель распознавать признаки зрелости, например изменения цвета кожуры, текстуры и формы плода.
• Валидация и тестирование: После обучения Ultralytics YOLO11 можно оценить на отдельном наборе изображений питайи, которые модель раньше не видела. Такой набор называют валидационным или тестовым. Предсказания модели сравнивают с эталонными метками, чтобы измерить точность и выявить ошибки, например когда незрелый плод классифицируется как спелый. Такая оценка помогает избежать переобучения и убедиться, что модель распознает полезные признаки зрелости, а не просто запоминает обучающие данные.

Применение компьютерного зрения для определения зрелости в реальных условиях#

Теперь рассмотрим, как компьютерное зрение применяется в реальных задачах выращивания и переработки сельскохозяйственной продукции, в частности при сборе питайи.

Дроны для мониторинга и оценки зрелости#

Десятилетиями фермерам приходилось ходить по рядам под палящим солнцем и проверять плоды вручную. Этот процесс был медленным и трудоемким, к тому же незаметные признаки зрелости под листьями или на больших полях часто оставались без внимания.

Сегодня появляются новые способы мониторинга зрелости плодов с помощью дронов и компьютерного зрения. Такие системы могут делать снимки высокого разрешения, на которых видны едва заметные изменения цвета и текстуры, которые сложно различить невооруженным глазом.

Вместо того чтобы полагаться только на ручную проверку, модели компьютерного зрения могут оценивать зрелость по сделанным снимкам. Определяя зрелость раньше и на больших площадях, фермеры могут лучше планировать сбор урожая и доставлять фрукты на рынок в самый подходящий момент.

Роботы для автоматизированного сбора фруктов#

При сборе фруктов всё решает время. Если собрать урожай на день раньше или позже, его стоимость может снизиться, поэтому робототехника становится частью сельского хозяйства. Например, исследователи разработали роботов для сбора питайи, которые используют компьютерное зрение и обнаружение объектов для поиска плодов в сложных условиях.

Определив этот тропический фрукт, робот может направить механический захват или клешню, чтобы собрать его с минимальными повреждениями. В некоторые системы также встроена функция сортировки, которая с помощью компьютерного зрения отличает спелые плоды от незрелых или поврежденных. Несколько роботизированных манипуляторов могут работать одновременно, поэтому такие машины потенциально способны собирать урожай быстрее и стабильнее, чем люди, и снижать риск повреждения плодов.

Рис. 4. Пример робота с системой компьютерного зрения, собирающего спелую питайю. (Источник)

Плюсы и минусы применения компьютерного зрения для обнаружения питайи#

Вот некоторые основные преимущества использования компьютерного зрения для определения зрелости питайи:

• Сокращение потерь: Точное определение зрелости помогает избежать преждевременного сбора урожая и повреждения плодов при хранении и транспортировке.
• Стабильное качество: Фермеры могут поставлять плоды в нужной степени зрелости, укрепляя доверие покупателей и повышая рыночную стоимость урожая.
• Подходит для сортировки в больших масштабах: системы компьютерного зрения быстро и точно обрабатывают большие партии урожая, сокращая потребность в многочисленных рабочих для ручной сортировки.

С другой стороны, при использовании компьютерного зрения для обнаружения питайи стоит учитывать несколько ограничений:

• Зависимость от данных: Лучше всего модели компьютерного зрения работают, если обучены на больших и разнообразных наборах изображений питайи, снятых при разных условиях освещения, под разными углами и на разных стадиях созревания.
• Разметка данных: Подготовка таких наборов данных требует тщательной разметки, часто с участием экспертов, и может занять много времени и сил.
• Высокие затраты: Разработка, обучение и внедрение систем ИИ могут потребовать значительных расходов на оборудование, программное обеспечение и техническую экспертизу, что может стать препятствием для небольших ферм.

Главные выводы#

Компьютерное зрение способно изменить подход к сбору и сортировке питайи, как и к сельскому хозяйству в целом. От поля до упаковочной линии инструменты на основе компьютерного зрения могут упростить сбор, сортировку и упаковку, помогая фермерам стабильно поставлять качественные фрукты. По мере развития технологий компьютерное зрение с ИИ, вероятно, будет играть всё более важную роль в сельском хозяйстве.

Готов изучать ИИ? Присоединяйся к нашему сообществу и загляни в наш репозиторий на GitHub, чтобы узнать больше об ИИ и компьютерном зрении. Посети страницы с нашими решениями и узнай больше о применении компьютерного зрения в сельском хозяйстве и ИИ в робототехнике. Ознакомься с вариантами лицензирования и начни работать с компьютерным зрением уже сегодня!