AI-система сортування врожаю з точністю 94%+
Оптичний сортувальник на зерновому елеваторі робить 15 знімків кожного зерна за 2 мс — швидше, ніж моргає людина. Але без нейромереж точність класифікації дефектів рідко перевищує 78%, а частка хибних відбраковувань сягає 12%. Ми розробляємо AI-системи сортування врожаю, які вирішують ці проблеми: піднімаємо точність до 94% і вище, знижуємо втрати продукції на 40%. Економія на лінії може сягати $30,000–$100,000 на рік залежно від об'єму. Наш досвід — понад 50 впроваджених ліній для зерна, фруктів та овочів. Пропонуємо рішення під ключ: від обстеження до інтеграції з вашим PLC. Для оцінки вашого проекту зв'яжіться з нами — ми проаналізуємо конвеєр і підберемо оптимальний стек.
Зниження втрат за допомогою AI-сортування
Втрати виникають через два фактори: хибне відбраковування якісного продукту та пропуск дефектного. AI-моделі мінімізують обидва. На лінії картоплі після впровадження хибні зниження класу скоротилися з 12% до 3.1%, а точність зросла з 78% до 94.3%. Це безпосередньо впливає на економіку: менше відходів, більше товарної продукції. Наш AI-сортувальник працює в 4 рази швидше за людину та в 1.5 рази точніше за механічний розсів.
CV-методи для різних типів продукції
Завдання сортування радикально відрізняються залежно від продукту. Розберемо два основні класи.
Зерно та бобові (висока швидкість, поштучна обробка)
Конвеєрні оптичні сортери працюють зі швидкістю 5–15 т/год. Кожне зерно фотографується в RGB + ближній ІЧ. Інференс має вкладатися в < 3 ms на об'єкт. Архітектура — легка класифікаційна мережа (MobileNetV2 або EfficientNet-Lite0) з INT8 квантизацією на NVIDIA Jetson або FPGA (Xilinx Zynq).
Класи дефектів зерна пшениці: бите, щупле, проросле, уражене фузаріозом, зелене, домішка культури. Міжкласова плутанина — щупле vs нормальне при нестандартному освітленні. Рішення: нормування за еталонним білим перед кожною партією + аугментація освітлення при навчанні.
Фрукти та овочі (зовнішній вигляд + передбачення внутрішніх дефектів)
Зовнішнє сортування за розміром, кольором, формою — завдання для класичних методів комп'ютерного зору плюс detection. Цікавіше — NIR-спектроскопія для неруйнівного контролю якості: суха речовина (°Brix), внутрішнє побуріння яблук, пустотілість. Один NIR-датчик (Zeiss Corona 45 NIR або Carl Zeiss MCS 600) + калібрувальна PLS-регресія — стандартний підхід на виробництві.
Чому NIR-спектроскопія витісняє класичні методи?
Більш сучасний підхід: гіперспектральна камера (400–1700 нм) над конвеєром. Кожне яблуко отримує повний спектр, CNN з 1D-спектральною гілкою передбачає °Brix з RMSE = 0.6 та внутрішнє побуріння з accuracy 0.91 (проти 0.79 у PLS). Це дозволяє знизити частку неякісного продукту, відправленого в упаковку. Зокрема, CNN забезпечує вдвічі нижчий RMSE (0.6 проти 1.2) порівняно з PLS-регресією.
Що дає гіперспектральна камера?
Порівняння методів
| Метод | Точність передбачення °Brix | Точність внутрішнього побуріння |
|---|---|---|
| PLS-регресія | RMSE 1.2 | 0.79 |
| CNN на гіперспектральних даних | RMSE 0.6 | 0.91 |
Таблиця показує, що CNN дає суттєву перевагу. Однак гіперспектральні камери дорожчі та потребують більше обчислювальних ресурсів. Вибір залежить від бюджету та вимог до точності.
Глибокий розбір: сортування картоплі
Продуктивний кейс із практики. Клієнт — переробник картоплі, лінія 8 т/год. Завдання: автоматичне сортування за 4 класами (екстра / перший / другий / технічний) за сукупністю ознак.
Ознаки: маса (ваговий датчик), розмір (3D-scanner або стереокамера), наявність зелені, кількість та глибина вічок, механічні пошкодження, гниль.
Архітектура рішення:
- YOLOv8m-seg для сегментації картоплини та детекції дефектів
- Окрема голова regression для оцінки розміру за маскою
- Ф'южн з ваговим датчиком та колірними ознаками
- Gradient Boosting для фінального класифікаційного рішення за всіма ознаками
Для сегментації дефектів застосовується архітектура encoder-decoder з просторовою увагою, що дозволяє виділяти дрібні дефекти розміром до 1 мм. Використовуються методи transfer learning та fine-tuning на специфічних даних. Моніторинг дрейфу даних здійснюється за допомогою статистичних тестів (KS-test, PSI).
Результат: точність відповідності стандарту ГОСТ Р 51808 — 94.3% проти 78% у попереднього механічного розсіву. Хибних «знижень» класу — 3.1% (важливо: недооцінка дорожча за переоцінку).
| Метрика | До впровадження | Після впровадження |
|---|---|---|
| Точність класифікації | 78% | 94.3% |
| Продуктивність | 8 т/год | 8 т/год |
| Хибних знижень класу | ~12% | 3.1% |
| Ручний контроль | 2 оператори | 0.5 оператора |
Що входить у розробку системи сортування?
- Технічне обстеження лінії, вибір точок зйомки та освітлення
- Збір та розмітка даних (500+ зразків на клас дефекту)
- Навчання та валідація моделі, калібрування порогів
- Інтеграція з PLC через PROFINET / OPC UA із затримкою < 5 мс
- Пусконалагодження на реальній швидкості конвеєра
- Документація, навчання операторів, підтримка після впровадження
Для забезпечення швидкості інференсу застосовуємо INT8 квантизацію за допомогою TensorRT. На NVIDIA Jetson AGX Orin це дає до 10 разів прискорення порівняно з FP16 при втраті точності не більше 0.5%. При необхідності використовуємо FP16 для критичних класів.
Інтеграція у виробничу лінію
Система працює в зв'язці з PLC (Siemens S7 / Allen-Bradley) через PROFINET або OPC UA. Команда на пневматичний клапан відбраковування надходить із затримкою < 5 ms після інференсу. Конвеєрна швидкість — від системи керування лінією, CV синхронізується за енкодером.
Деплой: NVIDIA Jetson AGX Orin для важких моделей (картопля, фрукти) або Jetson Orin NX для зерна. TensorRT engine, FP16 для точності або INT8 при критичних вимогах до швидкості. В рамках MLOps ми налаштовуємо пайплайн моніторингу дрейфу даних та автоматичного перенавчання моделей.
Процес впровадження та терміни
Система для одного типу продукту (зерно або фрукти): 6–10 тижнів. Комплексна лінія з NIR-модулем та інтеграцією в ERP: 3–5 місяців.
Замовте розробку під ключ — ми гарантуємо точність не нижче 94% та зниження втрат продукції до 40%. Для попереднього аналізу вашого виробництва зв'яжіться з нами. Отримайте консультацію з вибору оптимального стеку для ваших агротехнологій.
Метод NIR-спектроскопії детально описано в Wikipedia.