البحث وتطبيق تكنولوجيا فحص جودة الفاكهة استنادًا إلى الرؤية الحاسوبية

يُعد فحص جودة الفاكهة حلقةً أساسيةً في سلسلة الصناعات الزراعية الحديثة، إذ يؤثر مباشرةً على القيمة التجارية والقدرة التنافسية للفاكهة في السوق. مع التطور السريع لتقنيات الرؤية الحاسوبية والذكاء الاصطناعي، انتقلت تقنية فحص الفاكهة من الفرز اليدوي التقليدي إلى مرحلة جديدة من المعالجة الذكية والآلية. تستعرض هذه الورقة البحثية بشكل منهجي التقدم البحثي وآفاق تطبيق تقنية فحص جودة الفاكهة القائمة على الرؤية الحاسوبية.

1. المبادئ التقنية وتركيبة نظام الفحص البصري للفاكهة

يعتمد نظام فحص الفاكهة القائم على الرؤية الحاسوبية بشكل أساسي على التقاط صور رقمية للفاكهة من خلال معدات التقاط الصور. ثم تُستخدم خوارزميات معالجة الصور أو نماذج التعلم العميق لتحليل الصور، واستخراج معلمات مميزة مثل حجم الفاكهة وشكلها ولونها وعيوب سطحها، مما يُمكّن في النهاية من تصنيف الفاكهة وتقييم جودتها تلقائيًا.

يتألف نظام فرز الفاكهة الآلي النموذجي من نظامين فرعيين أساسيين: نظام كشف العيوب ونظام فرز ميكانيكي. من حيث بنية الأجهزة، يتكون النظام عادةً من حزام ناقل، ووحدة التقاط صور، ووحدة تحكم، ومشغل. تستخدم وحدة التقاط الصور كاميرا CCD أو كاميرا USB مع مصدر ضوء LED لالتقاط صور RGB للفاكهة في بيئة مغلقة، مما يزيل الظلال وتداخل الضوء الخارجي. يستخدم مركز التحكم متحكمًا دقيقًا لتنسيق نتائج معالجة الصور مع العمليات الميكانيكية، مما يحقق تحكمًا في حلقة مغلقة.

تقوم خوارزمية معالجة الصور بمعالجة مسبقة لصورة RGB لتحويلها إلى تدرج الرمادي، وHSV، ومساحات لونية أخرى لتحسين اتساق الإضاءة. بعد ذلك، تستخرج المنطقة المستهدفة من خلال تجزئة العتبة، وتدمج العمليات المورفولوجية مثل التمدد والتآكل لتقليل الضوضاء وتحسين المحيط، وأخيرًا تحسب نسبة المناطق المعيبة. على سبيل المثال، عندما تكون نسبة العيوب أكبر من 5%، يمكن تصنيف الفاكهة على أنها دون المستوى المطلوب.

2. مقارنة بين معالجة الصور التقليدية وتقنيات التعلم العميق

تتطور تقنية فحص الفاكهة بصريًا بشكل أساسي على طول مسارين: أحدهما يعتمد على طرق معالجة الصور التقليدية، والآخر يعتمد على طرق التعلم العميق.

تعتمد تقنية معالجة الصور التقليدية بشكل أساسي على استخراج خصائص اللون والملمس، بالإضافة إلى خوارزميات التعلم الآلي، للكشف عن جودة الثمار. اقترح شاو يو وآخرون طريقةً للكشف عن أمراض أوراق التفاح تعتمد على تقنية معالجة الصور. استخدموا خوارزميتي GrabCut وتجزئة صور مستجمعات المياه لإزالة الخلفية، ثم استخلصوا خصائص أمراض الأوراق من خلال خوارزمية إسقاط الحفظ المحلي التمييزي، وأخيرًا، نجحوا في الكشف عن الأمراض باستخدام مُصنِّف أقرب جار (K-nearest neighbor)، محققين دقةً بلغت 91.84%. في بحثهم حول الكشف عن أمراض البقع السوداء في أشجار العناب، حلل صن شيبينغ وآخرون ونمذجوا تسعة مكونات لونية للصور في فضاءات الألوان RGB وHSB وLab، محققين دقةً في الكشف عن الأمراض بلغت 94.2%.

تُعد الطرق التقليدية مُميزة بفضل شفافيتها الخوارزمية، وتعقيدها الحسابي المنخفض، ومتطلباتها المادية المنخفضة. ومع ذلك، يتأثر أداء الكشف بها بشكل كبير بظروف الإضاءة؛ إذ تكون عملية تجزئة العتبة عُرضة للفشل عندما يكون التباين بين لون قشر الفاكهة والخلفية منخفضًا أو عندما تكون الإضاءة غير مُتساوية. على سبيل المثال، يُصنف تدرج اللون الأصفر والأخضر على قشر المانجو بسهولة على أنه عيب، مما يؤدي إلى ارتفاع معدل النتائج الإيجابية الخاطئة.

تُحسّن تقنيات التعلم العميق، وخاصةً الشبكات العصبية التلافيفية (CNNs) وخوارزميات YOLO، دقةَ ومتانةَ كشف الفاكهة بشكل ملحوظ من خلال استخراج الخصائص تلقائيًا من خلال التعلم الشامل. في دراسةٍ أُجريت في جامعة فيصل آباد الزراعية، بلغت دقةُ التحقق من صحة نموذج CNN للكشف عن العيوب في المانجو والطماطم 95% و93.5% على التوالي، وهي نسبة أعلى بكثير من 89% و92% لطرق معالجة الصور التقليدية.

تُظهر نماذج التعلم العميق قدرةً أكبر على التكيف في البيئات المعقدة، حيث تُعالج بفعالية تحدياتٍ مثل وضعية الفاكهة، وانسدادها، وتغيرات الخلفية. على سبيل المثال، يُمكن لنموذج YOLOv8، من خلال تحسين بنية شبكته الأساسية وإدخال آلية انتباه ديناميكية، التقاط التغيرات في ملمس قشرة الفاكهة، واختلافات اللون، والخصائص المورفولوجية بدقةٍ أكبر، مما يُحسّن بشكل كبير دقة تحديد المناطق المتعفنة.

3. مؤشرات التقييم الرئيسية لفحص جودة الفاكهة

تعتمد عملية فحص جودة الفاكهة المبنية على الرؤية الحاسوبية بشكل أساسي على جودة المظهر، بما في ذلك أربعة معايير رئيسية: الحجم والشكل واللون والعيوب السطحية.

تُعدّ سمات الحجم والشكل الأساسَ لتصنيف الفاكهة. عادةً ما يُقاس حجم الفاكهة بمؤشرات مثل القطر العرضي، والقطر الطولي، والحجم. أما سمات الشكل، فيمكن وصفها بسمات هندسية مثل الاستدارة، والمستطيلية، والانحراف المركزي. معادلة الاستدارة هي 4π × المساحة / المحيط²، مما يعكس درجة قرب الثمرة من الدائرة؛ أما المستطيلية فهي نسبة المساحة إلى مساحة أصغر مستطيل مُحيط بها. تتميز هذه السمات الهندسية بسهولة تمييزها في الفاكهة القريبة من الدائرة، مثل التفاح والبرتقال.

تُعد خصائص اللون مؤشرات مهمة لتقييم نضج وجودة الفاكهة. في أنظمة الرؤية الحاسوبية، يُمثَّل لون الفاكهة عادةً باستخدام فضاءات لونية مثل RGB وHSV وLab. تفصل فضاءات HSV اللونية معلومات اللون عن معلومات السطوع، وهو ما يتوافق أكثر مع خصائص الإدراك البصري البشري. يمكن قياس خصائص اللون من خلال الخصائص الإحصائية للصبغة والتشبع والسطوع، مثل المتوسط ​​والانحراف المعياري. على سبيل المثال، يتغير لون الموز تدريجيًا من الأخضر إلى الأصفر أثناء النضج، ليصبح في النهاية أصفر داكنًا مع بقع بنية. يمكن تحديد هذا التغيير بدقة من خلال تحليل توزيع الصبغة في فضاء HSV اللوني.

يُعدّ اكتشاف عيوب السطح خطوةً حاسمةً في مراقبة جودة الفاكهة. تشمل عيوب السطح أنواعًا مختلفة، مثل الأمراض، وإصابات الحشرات، والكدمات، مما يؤثر مباشرةً على القيمة التجارية للفاكهة. تُحقق أساليب التعلم العميق أداءً ممتازًا في هذا المجال؛ فعلى سبيل المثال، يُحقق نموذج YOLOv8-timm دقةً تبلغ 95.3% عند mAP@0.5 في تحديد الفاكهة الجيدة/الفاسدة لأنواع مختلفة، مع سرعة كشف آنية تبلغ 42 إطارًا في الثانية.

4. سيناريوهات التطبيق والتحليل العملي

تتمتع تقنية الرؤية الحاسوبية بمجموعة واسعة من التطبيقات في فحص جودة الفاكهة، وتغطي سلسلة الصناعة بأكملها من الإنتاج الزراعي إلى الاستهلاك بالتجزئة.

في الإنتاج الزراعي والحصاد، يمكن نشر كاميرات أو طائرات بدون طيار في الحقول لمراقبة نضج الفواكه والخضراوات آنيًا باستخدام نموذج YOLO، مما يساعد المزارعين على تحديد وقت الحصاد الأمثل. تستطيع أنظمة الرؤية المدمجة في روبوتات الحصاد الذكية تحديد موقع الثمار ونضجها ودرجة التصاقها، والتحكم في الذراع الروبوتية لإجراء حصاد دقيق وحل مشاكل "التقاط الثمار غير الناضجة" و"عدم التقاط الثمار الناضجة".

في عمليات المعالجة والتصنيف بعد الحصاد، تُحسّن أنظمة الفرز الآلية الكفاءة بشكل ملحوظ. تُظهر الأبحاث أن الأنظمة الآلية القائمة على الرؤية أكثر كفاءةً بعشرة إلى عشرين مرة من التفتيش اليدوي التقليدي، مع معدل دقة يتجاوز 90% وانخفاض في تكاليف العمالة بنسبة 60%. يُحقق بحث يوان جينلي حول نظام فحص الجودة الخارجية وتصنيف التفاح تصنيفًا سريعًا من خلال جمع صور متعددة تُغطي سطح التفاحة بالكامل، ودمج أربعة معايير: الشكل، والحجم، واللون، وعيوب السطح.

في قطاعي التجزئة والمطاعم، تستخدم الأرفف الذكية كاميرات لمراقبة نوعية ونضارة الفواكه والخضراوات آنيًا وتحديث أسعارها تلقائيًا؛ وتستخدم أكشاك الدفع الذاتي تقنية التعرف على الفواكه، مما يتيح للمستخدمين تحديد فئات المنتجات بسرعة عن طريق مسح الرموز أو التقاط الصور، في وقت لا يتجاوز نصف ثانية للتعرف على المنتج الواحد. تُحسّن هذه التطبيقات كفاءة التشغيل بشكل كبير وتقلل من هدر الطعام.

5. التحديات التكنولوجية واتجاهات التنمية

على الرغم من التقدم الملحوظ في فحص الفاكهة باستخدام الرؤية الحاسوبية، لا تزال هناك تحديات تكنولوجية عديدة. تُعد القدرة على تعميم النموذج مشكلة جوهرية، وتحتاج قدرته على التكيف مع بيئات وأصناف مختلفة إلى تحسين. ويمثل التعلم باستخدام عدد قليل من اللقطات تحديًا آخر؛ فبالنسبة لأصناف الفاكهة النادرة، يجب تطوير أساليب الكشف باستخدام عدد قليل من اللقطات. علاوة على ذلك، تُعدّ متطلبات الوقت الفعلي صارمة للغاية في السيناريوهات الصناعية، مما يستلزم مزيدًا من تحسين كفاءة حساب النموذج.

سيتطور مستقبل تكنولوجيا الفحص البصري للفاكهة في اتجاهات متعددة. ويُعدّ دمج المعلومات متعدد الوسائط اتجاهًا هامًا، إذ يجمع بين تقنيات التصوير الطيفي والحراري لتحقيق كشف غير مدمر للجودة الداخلية للفاكهة. على سبيل المثال، يُمكن استخدام مطيافية الانعكاس للكشف عن الأمراض على سطح الفاكهة والأوراق، بينما يُمكن استخدام مطيافية النفاذية للكشف عن الأمراض الداخلية.

يُعد تصميم النماذج خفيفة الوزن اتجاهًا آخر، وهو مناسب لسيناريوهات الحوسبة الطرفية. تحقق النماذج خفيفة الوزن المُحسّنة، مثل YOLOv5n، معدل كشف يبلغ 23 إطارًا في الثانية ودقة متوسطة تبلغ 89% على منصة TI Sitara، مما يُلبي متطلبات أنظمة بيع الفاكهة الآلية في الوقت الفعلي.

سيُسهم توسيع نطاق التطبيقات متعددة المجالات في دفع عجلة التطور التكنولوجي. فتكنولوجيا الرؤية الحاسوبية، التي تمتد من فحص الفاكهة إلى مراقبة جودة المنتجات الزراعية ومراقبة جودة تصنيع الأغذية، تتمتع بآفاق تطبيقية واسعة. ومع تحسين الخوارزميات وخفض تكاليف الأجهزة، ستواصل أنظمة فحص الفاكهة الذكية تطورها نحو انتشار واسع وذكاء أكبر.

خاتمة

أصبحت تقنية فحص جودة الفاكهة القائمة على الرؤية الحاسوبية عنصرًا أساسيًا في الزراعة الذكية، مما يُسهم في الارتقاء بمستوى صناعة الفاكهة بشكل ذكي. من معالجة الصور التقليدية إلى التعلم العميق، حسّن التطور التكنولوجي دقة وكفاءة الفحص بشكل ملحوظ. ومع نضج تقنيات مثل الاندماج متعدد الوسائط والحوسبة الطرفية، سيلعب فحص الفاكهة البصري دورًا أكثر أهمية في الزراعة الدقيقة وإدارة سلسلة التوريد الغذائي، موفرًا دعمًا فنيًا قويًا للحد من خسائر ما بعد الحصاد وتحسين جودة الفاكهة.