СОЗДАНИЕ СИСТЕМЫ ТЕХНИЧЕСКОГО ЗРЕНИЯ С ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТЬЮ ДЛЯ СОРТИРОВКИ ЯБЛОК
Аннотация
В данной статье рассмотрен процесс создания обучающей выборки для обучения искусственной нейронной сети (в дальнейшем – ИНС) системы технического зрения. Обучение ИНС проводилось на основе аннотированных изображений реальных яблок, содержащих описание различных дефектов в виде отдельных полигонов посредством программы LabelMe. На изображении плода размечалось само яблоко и его помологические особенности, такие как цветоложе, плодоножка и лист, а также 10 различных дефектов плодов, каждому из которых присваивалось соответствующее название: сетка, нажим, порез, гниль, парша, градобоина и т. д. Полученные размеченные изображения плодов с дефектами сформировали эталонную обучающую выборку для ИНС. Проверка эффективности работы ИНС осуществлялась путем оценки правильности распознавания изображений плодов при сравнивании их с эталонными изображениями. Обучение ИНС каждому из дефектов яблок останавливалось при достижении 95 % вероятности правильной оценки дефекта. ИНС, обученная на созданной обучающей выборке, использована в системе технического зрения технологической линии ЛСП-4, обеспечивающей сортировку яблок на три товарных сорта по размеру и дефектам от механических повреждений, болезней и вредителей. Точность сортировки по размеру составила 75,4 %, а по наличию дефектов – 73,1 %.
Ключевые слова
классификация,
искусственные нейронные сети,
дефект,
лист,
плодоножка,
чашелистик,
парша,
градобоина,
нажим,
гниль,
распознавание
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. Смирнов, И. Г. Интеллектуальные технологии и роботизированные машины для возделывания садовых культур / И. Г. Смирнов, Д. О. Хорт, А. И. Кутырев // Сельскохозяйственные машины и технологии. – 2021. – Т. 15, № 4. – С. 35–41.
2. Роботизированный комплекс для сортировки яблок / П. В. Балабанов [и др.] // Цифровизация агропромышленного комплекса : материалы Междунар. науч.-практ. конф., Тамбов, 21–23 окт. 2020 г. / Тамбов. гос. техн. ун-т. – Тамбов, 2020. – Т. 1. – С. 44–47.
3. Rethinking the Inception Architecture for Computer Vision [Electronic resource] / C. Szegedy [et al.] // Cornel University Library. – Mode of access: https://arxiv.org/pdf/1512.00567.pdf. – Date of access: 15.05.2018.
4. ImageNet [Electronic resource] // Stanford Vision Lab, Stanford University, Princeton University. – Mode of access: http://www.image-net.org. – Date of access: 05.04.2018.
5. Yuzhen, Lu. Development of a multispectral Structured Illumination Reflectance Imaging (SIRI)system and its application to bruise detection of apples [Разработка мультиспектральной системы визуализации отраженного изображения (SIRI) и ее применение для обнаружения повреждений яблок. (США)] / Lu Yuzhen, Lu Renfu // Transactions of the ASABE / Amer. soc. of agriculture and biol. engineering. – St. Joseph (Mich.), 2017. – Vol. 60, № 4. – P. 1379–1389.
6. Казакевич, П. П. Система технического зрения распознавания дефектов яблок: обоснование, разработка, испытание / П. П. Казакевич, А. Н. Юрин, Г. А. Прокопович // Вес. Нац. акад. навук Беларусі. Сер. аграр. навук. – 2021. – Т. 59, № 4. – С. 488–500. https://doi.org/10.29235/1817-7204-2021-59-4-488-500.
7. Юрин, А. Н. Инновационные технологические процессы и технические комплексы для интенсивного садоводства Беларуси / А. Н. Юрин. – Минск : Беларуская навука, 2022. – 208 c.
8. Разработка алгоритмов системы распознавания ягод земляники садовой при роботизированном сборе / Д. О. Хорт [и др.] // Электротехнологии и электрооборудование в АПК / Федер. науч. агроинженер. центр ВИМ. – 2020. – № 1 (38). – С. 133–141.
9. Жиркова, А. А. Автоматизированная система гиперспектрального контроля дефектов яблок / А. А. Жиркова, П. В. Балабанов, А. Г. Дивин // Современная наука: теория, методология, практика : материалы Междунар. науч.-практ. конф., Тамбов, 13–14 апр. 2021 г. / Тамбов. гос. техн. ун-т. – Тамбов, 2021. – С. 291–296.
10. Нейронная сеть для распознавания плодов и ягод садовых культур : прЭВМ RU 2020660182 / Д. О. Хорт, А. И. Кутырёв, Р. А. Филиппов, Р. В. Вершинин, И. Г. Смирнов. – Опубл. 28.08.2020.
11. Разработка навесной системы для управления пропашным культиватором в автоматическом режиме / В. В. Азаренко [и др.] // Вес. Нац. акад. навук Беларусі. Сер. аграр. навук. – 2021. – Т. 59, № 2. – С. 232–242. https://doi.org/10.29235/1817-7204-2021-59-2-232-242.
12. База данных спектральных изображений болезней и повреждений злаковых культур, плодов и клубней картофеля : БД RU 2021620285 / А. С. Дорохов, А. Г. Аксенов, Д. О. Хорт, А. И. Кутырёв, А. В. Тетерев, А. В. Сибирёв, М. Н. Московский, Р. А. Филиппов, С. В. Семичев, М. А. Мосяков. – Опубл. 16.02.2021.
13. Training deep face recognition systems with synthetic data [Electronic resource] / A. Kortylewski [et al.] // Cornell University Library. – Mode of access: https://arxiv.org/pdf/1802.05891.pdf. – Date of access: 16.04.2018.
14. PyQt5 PyPI [Электронный ресурс]. – Режим доступа: https://pypi.org/project/PyQt5. – Дата доступа: 27.03.2021.
15. lxml – Processing XML and HTML with Python [Электронный ресурс]. – Режим доступа: https://lxml.de. – Дата доступа: 27.03.2021.
16. Tzutalin. LabelImg [Electronic resource] / Tzutalin. – Mode of access: https://github.com/tzutalin/labelImg. – Date of access: 18.06.2018.
17. Huang, J. Speed/accuracy trade-offs for modern convolutional object detectors [Electronic resource] / J. Huang // Cornel University Library. – 2016. – Mode of access: https://arxiv.org/pdf/1611.10012.pdf. – Date of access: 04.06.2019.
18. Ganganagowdar, N. V. An intelligent computer vision system for vegetables and fruits quality inspection using soft computing techniques [Интеллектуальная система компьютерного зрения для проверки качества и сортировки плодов и овощей на основе мягких вычислений (нейронная сеть с обратной связью и вероятностная нейронная сеть). Индия] / N. V. Ganganagowdar, A. V. Gundad // Agricultural Engineering International. – 2019. – Vol. 21, № 3. – P. 171–178.
19. Снижение затрат труда применением системы технического зрения при сортировке яблок / А. Н. Юрин [и др.] // Механизация и электрификация сельского хозяйства: межведомственный тематический сборник / Нац. акад. наук Беларуси, Науч.-практ. центр НАН Беларуси по механизации сельского хозяйства»; ред.: П. П. Казакевич [и др.] ; рец.: В. В. Азаренко [и др.]. – Минск : Беларуская навука, 2022. – Вып. 55. – С.88–95.
20. Организационно-технологические нормативы возделывания овощных, плодовых, ягодных культур и выращивания посевного материала: сборник отраслевых регламентов / В. Г. Гусаков [и др.]; НАН Беларуси, Ин-т системных исследований в АПК НАН Беларуси. – Минск : Беларуская навука, 2010. – 520 с.
Рецензия
Для цитирования:
Юрин А.Н. СОЗДАНИЕ СИСТЕМЫ ТЕХНИЧЕСКОГО ЗРЕНИЯ С ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТЬЮ ДЛЯ СОРТИРОВКИ ЯБЛОК. Механизация и электрификация сельского хозяйства. 2024;1(57):97-107.
For citation:
Yuryn A.N. CREATION OF A VISION SYSTEM WITH AN ARTIFICIAL NEURAL NETWORK FOR SORTING APPLES. Mechanization and Electrification of Agriculture. 2024;1(57):97-107. (In Russ.)
Просмотров: 62
Послать статью по эл. почте 