Система AI сортування та оцінки якості урожаю
Оптичний сортувальник на зерновому елеваторі робить 15 знімків кожного зерна за 2 мс та приймає рішення про браковку швидше, ніж встигає моргнути людина. Це один з небагатьох випадків в агро-CV, де комп'ютерний зір працює в production уже 20 років — ще з класичними алгоритмами. Завдання сьогодні — піднести точність, знизити кількість хибних браковок, додати передбачення внутрішніх дефектів.
Стек CV-методів по типу продукту
Завдання сортування радикально відрізняються залежно від продукту:
Зерно та бобові (висока швидкість, поштучна обробка)
Конвеєрні оптичні сортувальники працюють зі швидкістю 5–15 т/год. Кожне зерно фотографується у RGB + близькому ІЧ. Інфернс повинен укластися у < 3 мс 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: битого, щупла, пророслого, ураженого фузаріозом, зеленого, примісь культури. Міжкласова плутанина — щупла vs нормальне при нестандартному освітленні. Рішення: нормування за еталонною білим перед кожною партією + аугментація освітлення при навчанні.
Фрукти та овочі (зовнішній вигляд + передбачення внутрішніх дефектів)
Зовнішня сортування за розміром, кольором, формою — завдання для класичних CV-методів плюс detection. Цікавіше — NIR-спектроскопія для неруйнівного контролю внутрішньої якості: суха речовина (°Brix), внутрішнє потемніння яблук, пустотелість. Один NIR-датчик (Zeiss Corona 45 NIR або Carl Zeiss MCS 600) + калібрування PLS-регресія — стандартний підхід на виробництві.
Більш сучасний: гіперспектральна камера (400–1700 нм) над конвеєром. Кожне яблуко отримує повний спектр, CNN зі спектральною гіллю передбачає °Brix з RMSE = 0.6 та внутрішнє потемніння з точністю 0.91 (проти 0.79 у PLS).
Глибокий розбір: сортування картоплі
Продуктивний кейс з практики. Клієнт — переробник картоплі, лінія 8 т/год. Завдання: автоматична сортування за 4 класами (екстра / перший / другий / технічний) за сукупністю ознак.
Ознаки: маса (важовий датчик), розмір (3D-scanner або стереокамера), наявність зелені, кількість та глибина очей, механічні пошкодження, гниль.
Архітектура рішення:
- YOLOv8m-seg для сегментації картоплини та детекції дефектів
- Окремої голови regression для оцінки розміру за маскою
- Фьюжн із важовим датчиком та кольоровими ознаками
- Gradient Boosting для фінального класифікаційного рішення по всім ознакам
Результат: точність відповідності стандарту ГОСТ Р 51808 — 94.3% проти 78% у попереднього механічного рассіву. Хибних «понижень» класу — 3.1% (важливо: недооцінка дорожче переоцінки).
| Метрика | До впровадження | Після впровадження |
|---|---|---|
| Точність класифікації | 78% | 94.3% |
| Продуктивність | 8 т/год | 8 т/год |
| Хибних понижень класу | ~12% | 3.1% |
| Ручний контроль | 2 оператори | 0.5 оператора |
Інтеграція у виробничу лінію
Система працює у зв'язці з PLC (Siemens S7 / Allen-Bradley) через PROFINET або OPC UA. Команда на пневматичний клапан браковки приходить з затримкою < 5 мс після інферсу. Конвеєрна швидкість — від системи управління лінією, CV синхронізується по енкодеру.
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.
Процес впровадження
- Технічне обстеження лінії, визначення точок зйомки та освітлення
- Збір даних під виробничим освітленням, розмітка (500+ образців на клас дефекту)
- Навчання та валідація на відкладеній вибірці
- Інтеграція з PLC, тестування на реальній швидкості конвеєра
- Калібрування порогів браковки разом із технологом
- Моніторинг точності в продакшені, переобучение при зміні сорту/партії
Строки
Система для одного типу продукту (зерно або фрукти): 6–10 тижнів. Комплексна лінія з NIR-модулем та інтеграцією в ERP: 3–5 місяців.