РАЗРАБОТКА АРХИТЕКТУРЫ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ СИСТЕМЫ ТЕХНИЧЕСКОГО ЗРЕНИЯ ДЛЯ СОРТИРОВКИ ЯБЛОК
Аннотация
Статья посвящена актуальности создания технического средства для автоматизации процесса сортировки яблок, в частности, основного ее элемента – системы технического зрения.
В статье представлено обоснование способа обучения искусственной нейронной сети (ИНС) дефектам плодов, предложена её архитектура для решения данной задачи, обоснованы критерии оценки точности и полноты распознавания дефектов, а также приведены результаты функционирования системы технического зрения (СТЗ) с применением предложенной ИНС.
Разработанная СТЗ внедрена в линию сортировки и фасовки яблок ЛСП-4, успешно прошедшую приемочные испытания и производственную проверку в ОАО «Остромечево» Брестской области. В ходе приемочных испытаний линии ЛСП-4 установлено, что она обеспечивает точность сортировки по размеру 75,4 %, по наличию дефектов – 73,1 % и производительность труда – 1,8 т/ч.
При поддержке: Работа выполнялась в рамках задания 5 «Разработать и освоить производство технологической линии сортировки и фасовки яблок» подпрограммы «Белсельхозмеханизация-2025» государственной научно-технической программы «Инновационные агропромышленные и продовольственные технологии» 2021–2025 гг.
Список литературы
1. Гурьянов, Д. В. Распознавание качества плодов / Д.В. Гурьянов // Робототехника в сельскохозяйственных технологиях : материалы Междунар. науч.-практ. конф., 10–12 нояб. 2014 г. / Мичур. гос. аграр. ун-т. – Мичуринск, 2014. – С. 177–182.
2. Применение методов люминесцентного анализа в системах технического зрения при сортировании плодов / М. В. Кирина [и др.] // Робототехника в сельскохозяйственных технологиях : материалы Междунар. науч.-практ. конф., 10–12 нояб. 2014 г. / Мичур. гос. аграр. ун-т. – Мичуринск, 2014. – С. 188–191.
3. Лакомов, Д. В. Обработка изображений при распознавании образов сельскохозяйственной продукции / Д. В. Лакомов // Цифровизация агропромышленного комплекса : сб. науч. ст. I Междунар. науч.-практ. конф., Тамбов, 10–12 окт. 2018 г. : в 2 т. / Тамб. гос. техн. ун-т [и др.]. – Тамбов, 2018. – Т. 1. – С. 261–263.
4. Рудник, Ю. А. Робототехническая система для сортирования яблок / Ю. А. Рудник, С. В. Журавлев // Робототехника в сельскохозяйственных технологиях : материалы Междунар. науч.-практ. конф., 10–12 нояб. 2014 г. / Мичур. гос. аграр. ун-т. – Мичуринск, 2014. – С. 32–34.
5. Разработка алгоритмов системы распознавания ягод земляники садовой при роботизированном сборе / Д. О. Хорт [и др.] // Электротехнологии и электрооборудование в АПК. – 2020. – № 1 (38) – С. 133–141.
6. Гурьянов, Д. В. Повышение эффективности сортирования яблок на основе цветных телевизионных датчиков : дис. ... канд. техн. наук: 05.20.02/ Д. В. Гурьянов. – Мичуринск, 2004. – 199 с.
7. Ganganagowdar, N.V. An intelligent computer vision system for vegetables and fruits quality inspection using soft computing techniques / N. V. Ganganagowdar, A. V. Gundad // Agr. Engineering Intern.: Agr. Engineering Intern.: CIGR J. – 2019. – Vol. 21, N 3. – P. 171–178.
8. Lu, Y. Development of a multispectral Structured Illumination Reflectance Imaging (SIRI) system and its application to bruise detection of apples / Y. Lu, R. Lu // Trans. of the ASABE. – 2017. – Vol. 60, N 4. – P. 1379–1389.
9. Новые технологии и технические средства для механизации работ в садоводстве / И. М. Куликов [и др.]. – М.: ФГБНУ «Росинформагротех», 2012. – 164 с.
10. Training deep face recognition systems with synthetic data / A. Kortylewski [et al.] // Cornell University Library [Электронный ресурс]. – 2018. – Режим доступа: https://arxiv.org/pdf/1802.05891.pdf. – Дата доступа: 16 April 2018.
11. Чигорин, А. Классификация автодорожных знаков на основе сверточной нейросети, обученной на синтетических данных / А. Чигорин, Б. Моисеев // The 22nd International Conference on Computer Graphics and Vision, Москва, Россия, 1–5 октября 2012 г. – С. 284–287.
12. Жиркова, А. А. Автоматизированная система гиперспектрального контроля дефектов яблок / А. А. Жиркова, П. В. Балабанов, А. Г. Дивин // Современная наука: теория, методология, практика : материалы III Всерос. (нац.) науч.-практ. конф., Тамбов, 13–14 апр. 2021 г. / Тамб. гос. техн. ун-т ; редкол.: П. В. Монастырев [и др.]. – Тамбов, 2021. – С. 291–296.
13. Роботизированный комплекс для сортировки яблок / П.В. Балабанов [и др.] // Цифровизация агропромышленного комплекса сб. науч. ст. II Междунар. науч.-практ. конф., Тамбов, 21–23 окт. 2020 г. : в 2 т. / Тамб. гос. техн. ун-т [и др.]. – Тамбов, 2020. – Т. 2. – С. 44–47.
14. Huang, J. Speed/accuracy trade-offs for modern convolutional object detectors [Electronic resource] / J. Huang // Cornel University Library [Электронный ресурс]. – 2016. – Mode of access: https://arxiv.org/pdf/1611.10012.pdf. – Date of access: 04.06.2019.
15. Протокол приемочных испытаний технологической линии сортировки и фасовки яблок ЛСП-4 : № 004 1/3-2022. – Введ. 25.02.2022. – п. Привольный : ГУ «Белорусская МИС».
Рецензия
Для цитирования:
Юрин А.Н. РАЗРАБОТКА АРХИТЕКТУРЫ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ СИСТЕМЫ ТЕХНИЧЕСКОГО ЗРЕНИЯ ДЛЯ СОРТИРОВКИ ЯБЛОК. Механизация и электрификация сельского хозяйства. 2024;1(57):81-87.
For citation:
Yuryn A.N. DEVELOPMENT OF AN ARTIFICIAL NEURAL NETWORK ARCHITECTURE OF A TECHNICAL VISION SYSTEM FOR SORTING APPLES. Mechanization and Electrification of Agriculture. 2024;1(57):81-87. (In Russ.)
Просмотров: 68
Послать статью по эл. почте 