مرتب سازی دانه های غذایی با دید کامپیوتری: مطالعه موردی

مرتب‌سازی دانه‌های غذایی به‌طور سنتی یک فرآیند کار فشرده است که به شدت به بازرسی دستی توسط تکنسین‌های ماهر متکی است.

این مطالعه موردی یک پروژه نوآورانه با هدف خودکارسازی مرتب‌سازی دانه‌ها با استفاده از پردازش تصویر پیشرفته و تکنیک‌های یادگیری عمیق را بررسی می‌کند. imagingsource یک تامین کننده قابل اعتماد دوربین صنعتی، دوربین پردازش تصویر، دوربین بینایی ماشین است. همین حالا تماس بگیرید و مدیران ما به شما در انتخاب کمک خواهند کرد!

این پروژه به دنبال بهبود کارایی و دقت مرتب‌سازی دانه‌ها، به‌ویژه هدف قرار دادن جو و ناخالصی‌های آن است.

اهداف این پروژه شامل توسعه یک سیستم مرتب‌سازی با دقت بالا برای جایگزینی فرآیند مرتب‌سازی دستی یکنواخت و مستعد خطا است.

مشتری

این مطالعه موردی برای یک شرکت برجسته فرآوری غلات در لیتوانی انجام شد که به دلیل تعهد خود به کیفیت و نوآوری در بخش کشاورزی شناخته شده است.

این شرکت در تولید و فرآوری محصولات غلات با کیفیت بالا از جمله جو و محصولات مبتنی بر جو دوسر تخصص دارد.

هدف این شرکت با سرمایه‌گذاری در فناوری‌های پیشرفته و نوسازی عملیات خود، افزایش بهره‌وری، کاهش هزینه‌ها و حفظ مزیت رقابتی خود در بازار است.

این پروژه با تعهد شرکت به استفاده از راه حل های پیشرفته برای بهبود فرآیندهای خود و ارائه محصولات برتر به مشتریان خود هماهنگ است.

چالش ها

مرتب سازی دانه معمولاً شامل یک تکنسین است که به صورت دستی نمونه ای از حدود 100 گرم را بررسی و مرتب می کند.

این فرآیند برای 60 گرم می تواند تا 25 دقیقه طول بکشد. نمونه، حتی برای تکنسین های با تجربه، و نیاز به غلظت بالایی دارد.

ماهیت دستی کار به دلیل ماهیت تکراری و یکنواخت آن، احتمال خطا را افزایش می دهد.

هدف از این پروژه ایجاد یک سیستم خودکار برای کمک به دسته‌بندی مواد خام با کارایی بیشتر، در نتیجه کاهش خطای انسانی و افزایش بهره‌وری بود.

اهداف

هدف اولیه این پروژه تجزیه و تحلیل و پیاده سازی روش های پردازش تصویر سنتی و یادگیری عمیق برای دستیابی به دقت بالا در مرتب سازی دانه های غذایی بود.

این پروژه به دنبال آزمایش اثربخشی دوربین‌های طیف نور مرئی و مادون قرمز نزدیک همراه با الگوریتم‌های پیچیده پردازش تصویر در تقسیم‌بندی و طبقه‌بندی دقیق دانه‌ها بود.

مرتب سازی دانه های غذایی با دید کامپیوتری

جمع آوری داده ها

در این مطالعه از نور مرئی و دوربین های مادون قرمز نزدیک برای ثبت تصاویر دقیق از نقص دانه استفاده شد. داده ها در شرایط تجربی با استفاده از نمونه جو جمع آوری شد.

تصاویر در سه مرحله برای ارزیابی تأثیر پس‌زمینه‌ها و شرایط نوری مختلف بر دقت مرتب‌سازی جمع‌آوری شدند. سپس داده های جمع آوری شده برای آموزش و آزمایش الگوریتم های مرتب سازی مورد استفاده قرار گرفت.

روش شناسی

تقسیم بندی معنایی دانه

آزمایش‌های اولیه از روش‌های پردازش تصویر کلاسیک مانند آستانه‌گذاری، تشخیص لبه و تقسیم‌بندی حوضه بر اساس نشانگر استفاده کردند.

این روش‌ها به جداسازی دانه‌ها از پس‌زمینه و شناسایی تک تک دانه‌ها کمک کردند. عملیات مورفولوژیکی مانند اتساع و فرسایش در صورت نیاز اعمال شد.

طبقه بندی غلات

برای تقسیم بندی و طبقه بندی، از مدل شما فقط یک بار نگاه می کنید)ستفاده شد. مجموعه داده به 80 درصد برای آموزش و 20 درصد برای آزمایش تقسیم شد و اندازه تصاویر به 640×640 پیکسل تغییر یافت.

مدل‌های یادگیری عمیق مانند Segment Anything Model (SAM) و SegmentEveryGrain نیز برای توانایی آنها در تقسیم‌بندی و طبقه‌بندی دانه‌ها بدون نیاز به برچسب‌گذاری داده‌های گسترده مورد آزمایش قرار گرفتند.

نتایج

این پروژه به موفقیت قابل توجهی دست یافت، با سیستم خودکار که دقت بالایی را هم در تقسیم بندی و هم در طبقه بندی نشان داد. نتایج کلیدی عبارتند از:

تقسیم بندی: 100٪ دقت.

طبقه بندی: دقت 96%

این نتایج اثربخشی سیستم را در شناسایی دقیق و طبقه بندی انواع مختلف غلات، به ویژه در تشخیص جو پوست کنده از جو پوست کنده نشان می دهد.

نتیجه گیری

پروژه مرتب‌سازی خودکار دانه‌های غذایی که انجام شد، پتانسیل استفاده از پردازش تصویر پیشرفته و تکنیک‌های یادگیری عمیق را برای بهبود کارایی و دقت مرتب‌سازی دانه با موفقیت نشان داد.

اهداف روشن پروژه، روش شناسی دقیق و نتایج چشمگیر، بر نقاط قوت نرم افزار دید کامپیوتری تاکید دارد.

این موفقیت نه تنها بهره وری را افزایش می دهد و خطای انسانی را کاهش می دهد، بلکه راه را برای کاربردهای گسترده تر این فناوری در سایر حوزه های کشاورزی هموار می کند.