تطبيق وآفاق الرؤية الآلية في فحص جودة الفاكهة وتصنيفها
يتم استبدال فرز الفاكهة اليدوي التقليدي بتكنولوجيا الرؤية الآلية، مما يبشر بثورة في الكفاءة في الزراعة الحديثة.
في قاعدة إنتاج زراعي وتعليمي وبحثي في بلدة تشونغتشوانغ، مقاطعة ييوان، مقاطعة شاندونغ، يتم فرز صناديق التفاح، بمختلف درجات اللون الأخضر والأحمر والحجم، تلقائيًا بواسطة جهاز ذكي. يفرز هذا الجهاز ويزيل بدقة الثمار المريضة والرديئة بناءً على الحجم ونسبة السكر واللون.
يعمل نظام فحص الفاكهة المبني على الرؤية الآلية على تغيير الممارسة التقليدية لمزارعي الفاكهة التي تعتمد على الخبرة واللمس لتحديد درجة الفاكهة تدريجيًا، ليصبح مكونًا أساسيًا في التحديث الزراعي.
1 التحول التكنولوجي في فحص جودة الفاكهة
يشهد عدد سكان العالم نموًا هائلًا بمعدل سنوي يقارب 1.09%، مما يؤدي إلى زيادة الطلب على الغذاء وغيره من الضروريات الأساسية. وفي ظل هذه الظروف، أصبح الحد من خسائر ما بعد الحصاد تحديًا رئيسيًا في القطاع الزراعي.
تُعدّ الفواكه والخضراوات مفيدةً للإنسان بشكلٍ خاص، إذ تُوفّر مجموعةً مُتنوّعةً من الفيتامينات والمعادن ومضادات الأكسدة. ومع ذلك، فإنّ طبيعتها القابلة للتلف تجعل مناولتها بكفاءةٍ ودقةٍ أمرًا بالغ الأهمية لمنع التلف. ويُعدّ الفرز والتصنيف من أكثر الخطوات أهميةً وصعوبةً واستهلاكًا للوقت في سلسلة ما بعد الحصاد.
تعتبر طرق الفحص اليدوية التقليدية معرضة بشدة لتلف الفاكهة وهي مناسبة فقط للعمليات الصغيرة الحجم. ومع النمو السكاني وتضاؤل الموارد، يحتاج الإنتاج الزراعي بشكل عاجل إلى تقنيات فحص الجودة أكثر كفاءة ودقة.
ظهرت تقنية الرؤية الآلية استجابةً لهذه الحاجة. فهي تستخدم الحواسيب لمحاكاة الرؤية البشرية، لتحل محل إدراك العين البشرية للعالم الموضوعي ثلاثي الأبعاد. يقدم هذا المجال متعدد التخصصات، الذي يشمل الذكاء الاصطناعي، وعلم الأعصاب، وعلم النفس الفيزيائي، وعلوم الحاسوب، ومعالجة الصور، والتعرف على الأنماط، حلولاً جديدة لفحص جودة الفاكهة.
يشمل فحص جودة الفاكهة بشكل أساسي الجودة الخارجية والداخلية. يعتمد فحص الجودة الخارجية التقليدي بشكل أساسي على آلات الفرز، التي تُصنّف الفاكهة بناءً على معايير مثل الحجم والوزن. إلا أن هذه الطريقة لا تُقيّم بدقة اللون والملمس وعيوب السطح.
مع تطور تكنولوجيا الرؤية الآلية، حظيت أنظمة الرؤية الحاسوبية باهتمام كبير في تقييم جودة الفاكهة وتصنيفها. تتميز هذه التقنيات بالكفاءة والسرعة والثبات والدقة وتوفير الوقت والموثوقية والفعالية من حيث التكلفة، مما يتيح معالجة المنتجات بما يتناسب مع احتياجات السوق. بمجرد تطويرها، لا تتطلب هذه التقنيات سوى معرفة متخصصة قليلة أو معدومة، ويمكن تطبيقها على الإنتاج واسع النطاق.
طريقتان تقنيتان أساسيتان للرؤية الآلية
تتكون أنظمة فحص الفاكهة بالرؤية الآلية عادةً من نظامين فرعيين أساسيين: نظام كشف العيوب ونظام فرز ميكانيكي. من حيث بنية الأجهزة، تستخدم وحدة النقل والفرز حزام ناقل مُدار بمحرك لنقل الفاكهة، بينما يقوم ذراع آلي متصل بمحرك سيرفو بفرز الفاكهة في الصناديق المناسبة بناءً على نتائج الفحص.
تستخدم وحدة التقاط الصور كاميرا ملونة، مقترنة بمصدر ضوء LED لإزالة الظلال، لالتقاط صور RGB للفاكهة في بيئة مغلقة. ينسق متحكم دقيق نتائج معالجة الصور مع الحركات الميكانيكية لتحقيق تحكم حلقة مغلقة.
يتم تصنيف الأساليب التقنية في المقام الأول إلى خوارزميات معالجة الصور التقليدية وطرق التعلم العميق.
تُجري حلول معالجة الصور معالجة مسبقة لصورة RGB وتحويلها إلى مساحة لونية، مثل تدرج الرمادي أو HSV، لتحسين اتساق الإضاءة. بعد ذلك، تُجرى عملية تجزئة العتبات لاستخراج المنطقة المستهدفة. ثم تُستخدم عمليات مورفولوجية، مثل التمدد والتآكل، لإزالة التشويش وتحسين الخطوط. وأخيرًا، تُحسب نسبة مساحة العيب.
على سبيل المثال، في الكشف عن عيوب التفاح، يُحدد النظام نافذة معالجة الصور، ويستخدم مُعامل سوبل وهيلديتش لصقل الحواف، ويُحدد نقطة مركز الثقل لتمثيل قطر الثمرة، وبالتالي يُحدد الحجم والمظهر العامين. تجمع حلول التعلم العميق بين مجموعات البيانات العامة والصور المُجمّعة ذاتيًا لإنشاء مكتبة تدريب وتحسين تعميم النموذج من خلال تقنيات تعزيز البيانات مثل التدوير والتقليب والتشويش. يمكن تصميم هياكل شبكات التفافية مُخصصة لمعالجة خصائص الفاكهة المختلفة.
في دراسة أجريت في جامعة فيصل آباد للزراعة، تم تصميم شبكات التفافية مخصصة للمانجو والطماطم على التوالي: استخدم نموذج المانجو بنية التفافية مكونة من 7 طبقات، واستخدم نموذج الطماطم بنية التفافية مكونة من 5 طبقات، وكلاهما يستخدم مصنف سوفت ماكس للإخراج.
في السنوات الأخيرة، أصبحت سلسلة خوارزميات YOLO خيارًا جديدًا للكشف عن الفاكهة. من خلال تحسين بنية الشبكة الأساسية وإدخال آلية انتباه ديناميكية، يمكن لخوارزمية YOLOv8 رصد التغيرات في ملمس قشرة الفاكهة، واختلافات اللون، والخصائص المورفولوجية بدقة أكبر، مما يُحسّن بشكل كبير دقة تحديد المناطق المتعفنة.
حتى أن أحدث إصدار من YOLOv10 يلغي الحاجة إلى القمع غير الأقصى (NMS)، مما يقلل من النفقات الحسابية ويحسن كفاءة الكشف بشكل أكبر.
3 مزايا واختراقات تقنية
مقارنةً بالفحص اليدوي التقليدي، تُقدم أنظمة الرؤية الآلية مزايا تقنية متعددة. فمن حيث كفاءة الفحص، تستطيع آلة الحمضيات رباعية القنوات معالجة ما بين 12 و15 طنًا من الفاكهة في الساعة، وهو ما يعادل أسبوعًا تقريبًا من عمل عامل واحد في السابق.
فيما يتعلق بدقة الفحص، يتمتع نموذج التعلم العميق القائم على الشبكات العصبية التلافيفية (CNN) بمعدل دقة مُتحقق يبلغ 95% للكشف عن عيوب المانجو، و93.5% للطماطم. في التطبيقات العملية، يبلغ معدل دقة جهاز الفرز الذكي 97% للكشف عن عيوب السطح، و95% لفحص الجودة الداخلي.
يتمتع نظام الرؤية الآلية بقدرات تفتيش متعددة المعلمات، وهو قادر على تقييم معلمات متعددة لخصائص الفاكهة في وقت واحد، بما في ذلك الحجم والشكل واللون والعيوب السطحية.
ولتحديد الحجم، يقوم الباحثون بترجمة الفاكهة وتدويرها للحصول على صور بزوايا مختلفة، وحساب نصف قطر الفاكهة ومساحتها الاستوائية، وتقدير حجمها من خلال التعامل مع الفاكهة على أنها شكل بيضاوي.
بالنسبة لكشف اللون، تحتوي بعض الفواكه على لون واحد موزع بالتساوي عبر القشرة (اللون الأساسي)، في حين تحتوي فاكهة أخرى (مثل الخوخ والتفاح والطماطم) على ألوان ثانوية يمكن أن تكون بمثابة مؤشر جيد على النضج.
يُعدّ كشف عيوب السطح ميزةً أخرى لأنظمة الرؤية الآلية، إذ يمكنها اكتشاف عيوب السطح والتلف والخدوش على الفاكهة. على سبيل المثال، يُمكن كشف اللون البني المحمرّ لتفاح "جولدن ديليشس" وتصنيفه باستخدام خوارزمية مُحددة.
الفوائد الاقتصادية لا تقل أهمية. بعد تطبيق معدات الفرز الذكية، انخفضت تكاليف المعالجة على الشركات بشكل ملحوظ، من 600-800 يوان للطن إلى 100 يوان للطن، أي ما يزيد عن 80%. هذا لا يُحسّن كفاءة الإنتاج الزراعي فحسب، بل يُحقق أيضًا فوائد اقتصادية ملموسة لمزارعي الفاكهة.
4 حالات تطبيقية عملية
أثبت تطبيق الرؤية الآلية في فحص الفاكهة فعاليته في العديد من المناطق الرئيسية لإنتاج الفاكهة في جميع أنحاء الصين. في منطقة وومينغ، ناننينغ، قوانغشي، وهي منطقة إنتاج رئيسية لبرتقال ووغان، نجحت المعدات الذكية في تلبية الحاجة إلى تصنيف برتقال ووغان بناءً على العيوب الخارجية.
كان المصنعون المحليون يعتمدون سابقًا على العمال لفرز برتقال ووغان بصريًا، وهو ما كان غير فعال ويعجز عن تحديد الآفات الداخلية. أما الآن، فتستطيع الأجهزة الذكية التمييز بين "الفاكهة ذات القشرة الخشنة" و"الفاكهة المتقرحة" و"الفاكهة الشمسية"، مما يُحسّن بشكل كبير من معايير برتقال ووغان ويجعل من وومينغ ووغان علامة تجارية فاكهة مشهورة على الصعيد الوطني.
فيما يتعلق بفحص التفاح، طوّر الباحثون نظامًا مُخصّصًا لفحص التفاح وتصنيفه بناءً على جودته الخارجية. يلتقط النظام أولًا ثلاث صور تُغطّي سطح التفاحة بالكامل، ثمّ يستخرج خصائص السطح.
يُوصف شكل التفاحة باستخدام مُعامل فورييه، وتُستخدم شبكة عصبية قائمة على خوارزمية L-M لتصنيف التفاحات حسب الشكل. يُحوّل كشف الألوان قيم RGB للصورة إلى نمط هيستوغرام (HIS)، مما يُولّد هيستوغرامًا لونيًا. ثم تُستخدم خوارزمية تحسين سرب الجسيمات لتحسين الشبكة العصبية لتصنيف الألوان.
طوّر فريق بحثي بجامعة الزراعة في فيصل آباد أنظمة فحص متخصصة مصممة خصيصًا لخصائص المانجو والطماطم. وأظهرت التقييمات التجريبية أن خوارزمية معالجة الصور حققت دقة في كشف العيوب بلغت 89% و92% للمانجو و95% للطماطم على التوالي. وباستخدام بنية CNN، بلغت دقة التحقق للثمرتين 95% و94%.
في التطبيقات التجارية، استُخدمت الأجهزة الذكية لفحص وتعبئة أكثر من 20 نوعًا من الفاكهة، بما في ذلك التفاح والحمضيات والبرتقال والخوخ المجفف والتمر الشتوي والبرقوق. وقد استُخدمت هذه الأجهزة في ما يقرب من 10 مقاطعات وبلديات ومناطق ذاتية الحكم، بما في ذلك يوننان وقوانغشي وهوبي وشينجيانغ، حيث فحصت وعبأت ملايين الأطنان من مختلف أنواع الفاكهة.
5 تحديات واتجاهات التنمية المستقبلية
على الرغم من التقدم الملحوظ الذي أحرزته تقنية الرؤية الآلية في فحص الفاكهة، إلا أنها لا تزال تواجه تحديات عديدة. فالخصائص المعقدة لأسطح الفاكهة، مثل اختلافات اللون، وتنوع الملمس، وعدم انتظام الأشكال، تُشكل تحديات أمام دقة الفحص.
قد تفشل عملية تجزئة العتبة بسهولة عندما يكون التباين بين قشر الفاكهة والخلفية منخفضًا أو عندما تكون الإضاءة غير متساوية. على سبيل المثال، قد يُخطئ في تشخيص تدرج اللون الأصفر والأخضر على قشر المانجو على أنه عيب، مما يؤدي إلى ارتفاع معدل النتائج الإيجابية الخاطئة.
كما أن الاختلافات بين أنواع الفاكهة المختلفة تزيد من صعوبة التفتيش، مما يستلزم تطوير حلول مخصصة لكل فاكهة.
ستظهر اتجاهات التطوير المستقبلية الخصائص التالية: سيدفع التقارب التكنولوجي عملية فحص الفاكهة نحو تعدد الوسائط، من خلال الجمع بين الكشف الطيفي، والكشف بالأشعة السينية، والكشف عن الأنف الإلكتروني، والكشف بالرنين المغناطيسي النووي لتحقيق تقييم جودة أكثر شمولاً.
ستكون قدرات الكشف الديناميكي توجهًا رئيسيًا. ستتطور تكنولوجيا فحص جودة الفاكهة في المستقبل من الكشف الثابت إلى الكشف الديناميكي، مما يزيد من متطلبات استقرار الأجهزة ودقة برامج معالجة الصور.
سيجعل التكامل المضمن الأنظمة أكثر خفة في الوزن، وستصبح النماذج خفيفة الوزن القائمة على الحوسبة الحافة محورًا بحثيًا لتلبية متطلبات المعالجة في الوقت الفعلي.
سيستمر تحسين عملية اتخاذ القرارات الذكية، من فحص الجودة الفردي إلى إدارة الجودة الشاملة، مع دمج تحليل البيانات الضخمة للتنبؤ بمدة صلاحية الفاكهة وطلب السوق. وقد مرّ قطاع فرز الفاكهة بأربع مراحل من التطوير: المرحلة الأولى التي ركزت على الحجم، والمرحلة الثانية التي أضافت التصنيف والفرز حسب الوزن، والمرحلة الثالثة التي ركزت بشكل أكبر على اللون، والمرحلة الرابعة التي بدأت باستكشاف اكتشاف العيوب الخارجية والجودة الداخلية.
وفي الوقت الحالي، وصلت الشركات الصينية إلى مستوى من الميكنة يضاهي المعايير العالمية في فرز الفاكهة، بل إنها وصلت إلى طليعة خوارزميات الذكاء الاصطناعي.
مع التقدم التكنولوجي المستمر، ستصبح أنظمة فحص الفاكهة بصريًا أكثر ذكاءً وتطورًا. وقد ألغت خوارزميات جديدة، مثل YOLOv10، الحاجة إلى نظام إدارة الشبكة (NMS)، مما قلل من التكاليف الحسابية. وفي المستقبل، قد نشهد المزيد من النماذج خفيفة الوزن المدمجة مباشرةً في الهواتف الذكية أو الأجهزة المحمولة، مما يسمح للمستهلكين بإجراء فحوصات جودة الفاكهة في أي وقت.
أظهر استخدام الأجهزة الذكية في منطقة إنتاج ووغان (ووغان) في ووهان أن فرز محصول ووغان بذكاء لا يُحسّن الجودة فحسب، بل يُوسّع أيضًا قنوات التسويق ويُؤدي إلى نمو مُستدام في دخل المزارعين. يُغيّر هذا "الاتجاه التكنولوجي" جذريًا صورة الزراعة التقليدية بأنها "مملة وغير مُحسّنة"، مُضفيًا على الإنتاج الزراعي روح الابتكار والحيوية.
