Как определить спелость драгонфрута с помощью компьютерного зрения

Питахайя (также называемая драгонфрут или колючая груша) известна своей ярко-розовой кожицей, чешуйками с зелеными кончиками и мякотью с мелкими семенами. Этот экзотический фрукт родом из Центральной и Южной Америки проделал долгий путь от своих истоков.

Сегодня его круглый год выращивают в тропических регионах, поэтому он стал привычным товаром на рынках. Питахайя славится полезными свойствами: это хороший источник витамина C, магния и антиоксидантов, которые способствуют поддержанию общего здоровья.

Поскольку популярность питахайи растет, а число желающих ее попробовать увеличивается, всё более актуальной становится проблема определения оптимального времени для сбора урожая. Фермеры и потребители часто задаются вопросом: как понять, что питахайя созрела?

Традиционно люди оценивали спелость питахайи по цвету кожицы, твердости или состоянию чешуек. Однако эти признаки непоследовательны и различаются в зависимости от сорта.

Рис. 1. Различные сорта красной питахайе в зависимости от формы. (Источник)

Для производителей эта неопределенность может означать потерю ценности урожая. Для потребителей это часто приводит к покупке фруктов, которые выглядят привлекательно, но лишены вкуса. Чтобы решить эту задачу, фермеры и исследователи обращаются к технологиям.

С помощью искусственного интеллекта (ИИ) и компьютерного зрения, которые позволяют машинам интерпретировать и анализировать визуальные данные, определение степени зрелости становится более стабильным и точным. Например, модели компьютерного зрения, такие как Ultralytics YOLO11, поддерживают различные задачи, такие как обнаружение объектов и сегментация экземпляров, которые можно использовать для идентификации, разделения и анализа фруктов на предмет зрелости. Это помогает фермерам более эффективно сортировать и классифицировать урожай, сокращать количество ошибок и поддерживать стабильные стандарты.

В этой статье мы подробнее разберем, почему сложно определить спелость питахайи, почему традиционные методы часто не работают и как компьютерное зрение делает определение спелости более надежным. Давай начнем!

Почему сложно определить спелость питахайи#

Прежде чем мы перейдем к традиционным методам проверки спелости, давай разберемся, почему определить состояние питахайи бывает так непросто.

На первый взгляд питахайя выглядит достаточно просто: разрежь, возьми ложкой и ешь. Но любой, кто пытался выбрать плод в магазине, знает, что настоящая проблема — понять, созрел ли он. В отличие от бананов, арбузов или манго, которые проявляют явные признаки созревания, питахайя часто заставляет тебя гадать.

Частично путаница возникает из-за того, что существует не один, а три основных цветовых сорта питахайи, и каждый из них созревает по-своему. Помимо цвета, плоды различаются по форме, размеру и особенностям кожицы. У некоторых чешуйки длиннее, а другие имеют более округлую форму.

Вот подробный обзор различных видов питахайи:

• Белая питахайя: Это самый распространенный сорт с белой мякотью, усеянной мелкими черными семенами.
• Красная или розовая питахайя: У нее пурпурная или розовая мякоть и ярко-красная кожица, что делает ее особенно эффектной.
• Желтая питахайя: Этот сорт встречается реже, обладает золотистой или желтой кожицей и считается самым сладким.

Рис. 2. Различные сорта питахайе в зависимости от цвета. (Источник)

Традиционные способы определить спелость питахайи#

До того как фермеры начали внедрять передовые технологии вроде ИИ, проверки на спелость основывались на простых визуальных и тактильных сигналах. Эти методы до сих пор широко используются на фермах и рынках.

Вот несколько распространенных признаков того, что питахайя созрела:

• Цвет кожицы: Большинство людей первым делом смотрят на кожицу. Ярко-розовый или красный цвет обычно означает, что фрукт спелый, а зеленые пятна говорят о том, что ему нужно еще время. Желтая питахайя должна иметь золотистую кожицу с минимумом дефектов. Однако это правило не универсально. Некоторые плоды выглядят спелыми снаружи, но внутри не готовы, а другие покрываются пятнами по мере перезревания.

• Текстура: Осязание — еще один метод проверки. Спелая питахайя должна слегка продавливаться при нажатии, как спелое авокадо. Если она очень твердая, вероятно, она недозрелая. Если слишком мягкая или кашеобразная — возможно, уже перезрела. Текстура тоже не всегда надежна, так как условия хранения и транспортировки могут менять упругость плода.

• Другие признаки: Фермеры иногда полагаются на более мелкие детали. Листовидные чешуйки плода могут начать подсыхать и закручиваться по мере созревания, а слабый сладковатый аромат около плодоножки тоже может быть подсказкой. Эти признаки полезны, но они трудноуловимы, и их легко пропустить.

Как визуальный ИИ меняет процесс определения спелости питахайи#

Традиционные сигналы, такие как цвет кожицы или твердость, полезны, но часто ненадежны. Компьютерное зрение делает определение спелости питахайи более точным за счет обучения на тысячах размеченных изображений, что позволяет распознавать паттерны, которые человек может упустить.

Например, поддержка таких задач в Ultralytics YOLO11, как object detection, сегментация экземпляров и классификация изображений, может использоваться для детального анализа фруктов при обучении модели на соответствующих датасетах.

В частности, обнаружение объектов позволяет идентифицировать каждый плод на изображении. Сегментация экземпляров позволяет отделять каждый фрукт от окружающей среды, даже если они перекрываются, а классификация изображений — присваивать метки на основе таких характеристик, как форма, текстура или цвет.

Рис. 3. Изображения неспелой и спелой питахайе для создания набора данных. (Источник)

Обучение Ultralytics YOLO11 распознаванию спелой питайи#

По умолчанию Ultralytics YOLO11 предварительно обучена на известных датасетах в зависимости от задачи. Для обнаружения объектов и сегментации она предварительно обучена на COCO dataset, который включает в себя повседневные объекты, такие как люди, животные и машины.

Для классификации изображений она предварительно обучена на ImageNet dataset, который также охватывает широкий спектр распространенных категорий. Это предварительное обучение дает Ultralytics YOLO11 надежную отправную точку, но для специализированных задач, таких как определение спелости питайи, ее все равно нужно дообучить или обучить на специальном датасете.

Вот обзор того, как можно обучить Ultralytics YOLO11 определению спелости питайи:

• Сбор данных: тысячи изображений питайи снимаются при различных условиях освещения, под разными углами и на разных стадиях роста. Каждое изображение аннотируется в соответствии с задачей. Для классификации изображений метки могут включать недоспелую, спелую и переспелую. Для обнаружения объектов или сегментации экземпляров вокруг фруктов рисуются ограничивающие рамки или маски, чтобы отметить их расположение и контур. Эти размеченные примеры дают Ultralytics YOLO11 информацию, необходимую для обучения.

• Обучение модели: обучение YOLO11 не начинается с нуля. Благодаря переносу обучения модель опирается на визуальные признаки, изученные на ее предварительно обученных наборах данных, таких как COCO для обнаружения и сегментации или ImageNet для классификации, и адаптирует их к характеристикам питахайе. Пользовательское обучение YOLO11 с аннотированными изображениями позволяет модели улавливать признаки зрелости, такие как изменения цвета кожицы, изменения текстуры и вариации формы плода.

• Проверка и тестирование: После обучения модель Ultralytics YOLO11 можно оценить на отдельном наборе изображений питахайи, которые она еще не видела, называемом валидационным или тестовым набором. Ее предсказания сравниваются с истинными разметками (ground truth), чтобы измерить точность и выявить ошибки, такие как ошибочная классификация недозрелого фрукта как спелого. Эта оценка помогает предотвратить переобучение и гарантирует, что модель изучает релевантные признаки спелости, а не запоминает обучающие данные.

Практическое применение компьютерного зрения для определения спелости#

Давай теперь рассмотрим, как компьютерное зрение применяется в реальном сельском хозяйстве и переработке, особенно при сборе питахайе.

Дроны для мониторинга и оценки спелости#

Десятилетиями фермеры были вынуждены обходить ряды посадок под палящим солнцем, вручную проверяя каждый плод. Это был медленный и трудоемкий процесс, при котором часто пропускались скрытые под листьями или разбросанные по большим полям плоды, несмотря на их спелость.

Сегодня появляются новые подходы с использованием дронов и компьютерного зрения для мониторинга зрелости фруктов. Эти системы могут делать снимки высокого разрешения, которые позволяют заметить тончайшие изменения цвета и текстуры — детали, которые сложно уловить человеческим глазом.

Вместо того чтобы полагаться только на ручные проверки, модели компьютерного зрения могут помочь оценить степень зрелости по полученным изображениям. Выявляя зрелость раньше и в больших масштабах, фермеры могут лучше планировать сбор урожая и вовремя доставлять фрукты на рынок.

Роботы для автоматизированного сбора урожая#

Сбор фруктов — это вопрос точного расчета времени. Один день раньше или позже может снизить ценность урожая, поэтому робототехника становится частью сельского хозяйства. Например, исследователи разработали роботов для сбора питахайе, которые используют компьютерное зрение и обнаружение объектов для поиска фруктов в сложных условиях.

Как только этот тропический фрукт идентифицирован, робот направляет механический захват, чтобы собрать его с минимальными повреждениями. Некоторые системы также оснащены встроенными функциями сортировки, чтобы отличать спелые плоды от недозрелых или поврежденных с помощью компьютерного зрения. Работая одновременно несколькими манипуляторами, такие машины потенциально собирают урожай быстрее и стабильнее, чем люди, при этом снижая риск повреждения растений.

Рис. 4. Пример робота с поддержкой компьютерного зрения, собирающего спелые плоды питахайе. (Источник)

Преимущества и недостатки использования визуального ИИ для детекции питахайи#

Вот основные преимущества использования компьютерного зрения для определения спелости питахайи:

• Снижение потерь: Точное определение спелости сокращает случаи преждевременного сбора и предотвращает повреждения при хранении и транспортировке.

• Обеспечение стабильного качества: Фермеры могут поставлять фрукты на оптимальной стадии спелости, что укрепляет доверие потребителей и повышает рыночную стоимость.

• Поддержка крупномасштабной сортировки: Системы технического зрения могут обрабатывать большой объем урожая быстро и точно, снижая зависимость от большого количества ручного труда.

С другой стороны, есть несколько ограничений, которые стоит учитывать при внедрении визуального ИИ для детекции питахайи:

• Зависимость от данных: Модели зрения работают лучше всего при обучении на больших, разнообразных датасетах питахайи, снятых в разных условиях освещения, под разными углами и на разных стадиях роста.

• Аннотирование данных: подготовка этих наборов данных требует тщательной разметки, часто с привлечением экспертов, что может отнимать много времени и сил.

• Высокие затраты: Разработка, обучение и развертывание ИИ-систем может потребовать значительных расходов на оборудование, программное обеспечение и техническую экспертизу, что может стать барьером для небольших ферм.

Основные выводы#

Компьютерное зрение обладает потенциалом изменить процесс сбора и сортировки питахайи, и это справедливо для сельского хозяйства в целом. От поля до упаковочной линии инструменты на базе зрения могут оптимизировать сбор, сортировку и упаковку, помогая фермерам поставлять фрукты более стабильного качества. По мере развития технологий визуальный ИИ, скорее всего, будет играть еще большую роль в сельском хозяйстве.

Готов исследовать ИИ? Присоединяйся к нашему сообществу и загляни в наш репозиторий на GitHub, чтобы узнать больше об искусственном интеллекте и компьютерном зрении. Посети наши страницы решений, чтобы изучить другие примеры применения компьютерного зрения в сельском хозяйстве и ИИ в робототехнике. Ознакомься с вариантами лицензирования и начни работу с компьютерным зрением уже сегодня!