تشخیص میوه‌های سالم و معیوب با استفاده از پردازش تصویر

در سال‌های اخیر، کاربرد تکنیک‌های پردازش تصویر در کنترل کیفیت محصولات کشاورزی توجه ویژه‌ای جلب کرده است. از میان وظایف مختلف، تشخیص میوه‌های سالم و معیوب از اهمیت بالایی برخوردار است تا ایمنی غذایی تضمین شده، ضایعات کاهش یافته و عملیات زنجیره تأمین بهینه شود. بازرسی دستی سنتی نیازمند نیروی انسانی زیاد، ذهنی و مستعد خطا است—به‌ویژه در شرایط تولید با حجم بالا. با استفاده از بینایی ماشین و یادگیری ماشین، می‌توانیم درجه‌بندی میوه‌ها را خودکار کنیم، معایب را زود تشخیص دهیم و ارزیابی کیفیت را در مقیاس بزرگ استانداردسازی کنیم. در این مقاله به مراحل کامل شناسایی میوه‌های سالم و معیوب با استفاده از روش‌های پردازش تصویر می‌پردازیم: از جمع‌آوری داده و پیش‌پردازش گرفته تا استخراج ویژگی، الگوریتم‌های طبقه‌بندی، معیارهای ارزیابی، ملاحظات عملی و چشم‌اندازهای آینده.

۱. جمع‌آوری داده و راه‌اندازی تصویربرداری برای تشخیص میوه‌های سالم و معیوب

۱.۱ سخت‌افزار تصویربرداری

یک چینش تصویربرداری مستحکم زیربنای موفقیت در بازرسی کیفیت میوه است. اجزای کلیدی عبارت‌اند از:

• دوربین: دوربین‌های صنعتی با وضوح بالا (۲–۵ مگاپیکسل) جزئیات لازم برای آشکارسازی عیوب ریز را فراهم می‌کنند. حسگرهای CMOS با شاتر سراسری از ایجاد اعوجاج حرکتی جلوگیری می‌کنند.

• نورپردازی: روشنایی یکنواخت و پراکنده (با استفاده از رینگ‌لایت LED یا چادر نور) سایه‌ها را کاهش داده و بازتاب‌های ناخواسته را کنترل می‌کند. می‌توان از نور در طیف مرئی و نزدیک به مادون‌قرمز برای ثبت جزئیات زیرسطحی نیز بهره برد.

• پس‌زمینه: یک پس‌زمینه متضاد و بدون بازتاب (مثلاً مات سیاه یا سفید) جداسازی میوه را ساده‌تر می‌کند. از سطوح بافت‌دار یا بازتاب‌دهنده بپرهیزید.

• نقاله یا سینی گردان: خودکارسازی جابجایی میوه و قرارگیری آن در موقعیت ثابت. سینی‌های گردان امکان تصویربرداری از زوایای مختلف را فراهم می‌کنند.

۱.۲ جمع‌آوری مجموعه داده

برای ساخت یک مجموعه داده نماینده باید:

1. انواع میوه و مراحل رسیدگی

   • چندین رقم مختلف (مثلاً سیب، پرتقال، موز) و مراحل رسیدگی متنوع را در نظر بگیرید تا تعمیم‌پذیری مدل حفظ شود.

2. دسته‌های نقص

   • لکه‌های کوبیده‌شدگی، بریدگی‌ها، خسارت حشره، کپک‌زدگی، آفتاب‌زدگی، تغییر رنگ.

   • نمونه‌های سالم نیز باید تنوع طبیعی رنگ، شکل و اندازه را پوشش دهند.

3. حاشیه‌نویسی

   • برچسب‌گذاری هر تصویر به عنوان «سالم» یا «معیوب»، و اختیاری تعیین جعبه‌های محدودکننده (bounding box) یا نقاب‌های جداسازی (segmentation mask) برای ناحیه‌های معیوب.

   • از ابزارهایی مثل LabelImg (برای جعبه‌ها) یا LabelMe (برای چندضلعی‌ها) استفاده کنید.

داشتن مجموعه داده متعادل—برای مثال چند هزار تصویر برای هر کلاس—اهمیت زیادی در جلوگیری از سوگیری مدل دارد.

۲. پیش‌پردازش تصویر

تصاویر خام اغلب نویز، نورپردازی نابرابر یا عناصر پس‌زمینه نامربوط دارند. پیش‌پردازش، قابلیت اطمینان مراحل بعدی را افزایش می‌دهد.

۲.۱ تبدیل فضای رنگ

• RGB به HSV / Lab: جدا کردن اجزای رنگ (hue/saturation) از روشنایی برای تسهیل تقسیم‌بندی بر اساس رنگ.

• خاکستری (Grayscale): برای تحلیل بافت و برخی عملیات مورفولوژیکی مفید است.

۲.۲ کاهش نویز

• فیلتر گوسی (Gaussian Filter): نویز فرکانس بالا را کاهش داده و لبه‌ها را حفظ می‌کند.

• فیلتر میانه (Median Filter): برای حذف نویز نمک‌و‌فلفل مناسب است، به‌ویژه در دوربین‌های کم‌هزینه.

۲.۳ تصحیح نورپردازی

• تعدیل هیستوگرام (Histogram Equalization): توزیع شدت پیکسل‌ها را برای بهبود کنتراست یکنواخت می‌کند.

• آستانه‌گذاری تطبیقی (Adaptive Thresholding): در نورپردازی غیر یکنواخت، باینری‌سازی محلی انجام می‌دهد.

۲.۴ تقسیم‌بندی (Segmentation)

جدا کردن دقیق میوه از پس‌زمینه ضروری است:

• آستانه‌گذاری ساده (Simple Thresholding): زمانی که رنگ میوه و پس‌زمینه متمایز باشد.

• تقسیم‌بندی مبتنی بر رنگ: با آستانه‌بندی در فضای HSV یا Lab.

• روش‌های مبتنی بر لبه: تشخیص لبه Canny، و سپس عملیات بسته شدن مورفولوژیک برای پر کردن شکاف‌ها.

• مایع‌های فعال (Active Contours / Snakes): منحنی را iteratively برای یافتن مرز میوه تکامل می‌دهند.

• GrabCut: استخراج پیش‌زمینه با کمک مستطیل اولیه؛ می‌توان با جعبه‌های محدودکننده خودکارش کرد.

پس از تقسیم‌بندی، با عملیات مورفولوژیکی (خورندگی، گسترش) ماسک را تصحیح کنید.

۳. استخراج ویژگی

پس از جداسازی منطقه میوه، ویژگی‌هایی استخراج می‌شوند که سالم و معیوب را از هم متمایز کنند. ویژگی‌ها عمدتاً در چهار دسته رنگ، بافت، شکل و نمایش‌های عمیق قرار می‌گیرند.

۳.۱ ویژگی‌های رنگ

• هیستوگرام رنگ: توزیع شدت پیکسل‌ها در کانال‌های RGB، HSV یا Lab. نقص‌ها معمولاً خوشه‌های رنگ غیرعادی ایجاد می‌کنند.

• لحظات رنگی (Color Moments): میانگین، واریانس و skewness هر کانال رنگی.

۳.۲ ویژگی‌های بافت

• ماتریس هم‌آروی خاکستری (GLCM): معیارهای آماری (contrast, correlation, energy, homogeneity) الگوی بافت را توصیف می‌کنند.

• الگوهای باینری محلی (LBP): وقتی نور متفاوت باشد، بافت محلی را به شکل مقاومی کد می‌کند.

• فیلترهای گابور (Gabor Filters): فیلترهای چند‌مقیاسی و چند‌جهتی بافت‌های جهت‌دار مانند خطوط ضربه را آشکار می‌کنند.

۳.۳ ویژگی‌های شکل

• مساحت و محیط (Area, Perimeter): تفاوت‌های کلی اندازه ممکن است نقص‌ها را نشان دهد.

• بیضویتی و مدوریت (Eccentricity, Circularity): میوه‌های سالم تقریباً شبیه بیضی هستند؛ معیوب‌ها انحراف نشان می‌دهند.

• نواحی فرو رفتگی در هاله محدب (Convex Hull Defects): اختلاف بین کانتور میوه و هاله محدب آن را اندازه‌گیری می‌کند تا فرورفتگی‌ها (مثل گازگرفتگی یا ضربه) نمایش داده شوند.

۳.۴ ویژگی‌های عمیق

شبکه‌های عصبی پیچشی (CNN) ویژگی‌های سلسله‌مراتبی را مستقیماً از پیکسل‌ها یاد می‌گیرند:

• مدل‌های از پیش تعلیم‌دیده: ResNet، VGG، Inception—با یادگیری انتقالی روی وزن‌های ImageNet و تنظیم مجدد برای مجموعه میوه.

• معماری‌های سفارشی: شبکه‌های سبک برای اجرا روی دستگاه‌های لبه (edge).

• ماژول‌های توجه: برای تمرکز روی نواحی معیوب و بهبود دقت طبقه‌بندی.

ویژگی‌های عمیق معمولاً در آشکارسازی نقص‌های ظریف یا پیچیده از ویژگی‌های دست‌ساز پیشی می‌گیرند.

۴. روش‌های طبقه‌بندی

۴.۱ یادگیری ماشین سنتی

با استفاده از ویژگی‌های دست‌ساز، طبقه‌بندهای متداول عبارت‌اند از:

• ماشین بردار پشتیبان (SVM): در فضای ابعاد بالا مؤثر است؛ برای جداسازی غیرخطی از کرنل RBF استفاده کنید.

• جنگل تصادفی / درخت تصمیم: انواع مختلف ویژگی‌ها را مدیریت کرده و اهمیت ویژگی‌ها را فراهم می‌کنند.

• k-نزدیک‌ترین همسایه (k-NN): ساده اما در استنتاج برای مجموعه داده بزرگ سنگین است.

• بوستینگ گرادیان (XGBoost, LightGBM): عملکرد بالا روی مجموعه ویژگی‌های جدولی.

روند:

1. استخراج ویژگی → ۲. نرمال‌سازی (مثلاً StandardScaler) → ۳. آموزش طبقه‌بند → ۴. ارزیابی

۴.۲ رویکردهای یادگیری عمیق

• تنظیم مجدد (Fine-Tuning): لایه‌های انتهایی یک CNN از پیش تعلیم‌دیده را جایگزین و روی داده میوه آموزش دهید؛ در صورت کمبود داده، لایه‌های اولیه را فریز کنید.

• آموزش از صفر: اگر مجموعه داده عظیمی دارید، یک CNN سفارشی را از ابتدا آموزش دهید.

• شبکه‌های مبتنی بر ناحیه (Region-Based): برای مکان‌یابی نقص‌ها از Faster R-CNN یا YOLO استفاده کنید تا ناحیه‌های معیوب را شناسایی و طبقه‌بندی کند.

• تقسیم‌بندی معنایی (Semantic Segmentation): U-Net یا DeepLab نواحی معیوب را در سطح پیکسل جداسازی می‌کنند و امکان کمی‌سازی دقیق نقص را فراهم می‌آورند.

۵. آموزش و ارزیابی مدل تشخیص میوه‌های سالم و معیوب

۵.۱ افزایش داده (Data Augmentation)

برای بهبود تعمیم‌پذیری:

• تبدیلات هندسی: چرخش، تغییر مقیاس، انتقال، انعکاس.

• تغییر رنگ: تغییر روشنایی، کنتراست، اشباع.

• حذف تصادفی (Random Erasing): شبیه‌سازی پوشش موقت.

۵.۲ استراتژی‌های آموزش

• تقسیم‌بندی Train/Test/Validation: به‌طور معمول ۷۰/۱۵/۱۵ یا ۸۰/۱۰/۱۰؛ با اطمینان از تقارن کلاس‌ها.

• اعتبارسنجی متقابل: k-fold CV برای تخمین پایداری عملکرد.

• تنظیم ابرپارامترها: جستجوی شبکه‌ای، جستجوی تصادفی یا بهینه‌سازی بیزین.

۵.۳ معیارهای ارزیابی

• دقت (Accuracy): نرخ کلی طبقه‌بندی درست.

• دقت و بازیابی (Precision / Recall / F1-Score): به‌ویژه در صورت عدم تعادل کلاس‌ها (معیوب ممکن است کم‌یاب باشد).

• منحنی ROC و AUC: توانایی تمایز را می‌سنجد.

• ماتریس سردرگمی (Confusion Matrix): انواع خطاها (مثبت کاذب و منفی کاذب) را بررسی می‌کند.

۵.۴ ملاحظات پیاده‌سازی

• سرعت اجرا: طبقه‌بندی در زمان واقعی روی نقاله نیازمند تأخیر کم (<۵۰ میلی‌ثانیه به ازای هر نمونه) است.

• محدودیت‌های سخت‌افزاری: دستگاه‌های لبه ممکن است نیاز به کمینه‌سازی مدل (quantization, pruning) داشته باشند.

• یکپارچه‌سازی: اتصال با PLC، سیستم‌های SCADA یا ربات‌های برداشت.

۶. مطالعه موردی: تشخیص نقص در سیب

برای مثال، شناسایی ضربه‌دیدگی و لکه‌های کپک در سیب:

1. جمع‌آوری داده: ۵۰۰۰ تصویر از سیب گلدن دلیشیس؛ ۲۰۰۰ سالم و ۳۰۰۰ نقص‌دار.

2. پیش‌پردازش:

   • تبدیل RGB به Lab.

   • اعمال بلور گوسی (σ = ۱.۵) برای کاهش نویز.

   • استفاده از آستانه‌گذاری Otsu روی کانال a برای جداسازی سیب از پس‌زمینه سفید.

3. استخراج ویژگی:

   • محاسبه میانگین و انحراف معیار کانال‌های L، a، b.

   • استخراج ویژگی‌های بافت GLCM (contrast, homogeneity) روی تصویر خاکستری.

   • محاسبه ویژگی‌های شکل کانتوری.

4. طبقه‌بند: آموزش SVM با کرنل RBF (C = 10, γ = 0.01) روی بردار ویژگی ۱۲‌بعدی.

5. نتایج:

   • دقت: ۹۴.۲٪

   • دقت (معیوب): ۹۲.۸٪

   • بازیابی (معیوب): ۹۵.۶٪

   • AUC: ۰.۹۷

6. پیاده‌سازی: مدل روی Jetson Nano بارگذاری شد؛ زمان اجرا به‌صورت میانگین ۲۲ میلی‌ثانیه به ازای هر تصویر.

۷. موضوعات پیشرفته

۷.۱ تصویربرداری چندطیفی و فراطیفی

• فراتر از RGB: باندهای نزدیک به مادون‌قرمز ضربه‌دیدگی زیرسطحی را آشکار می‌کنند.

• تحلیل امضای طیفی: تغییرات شیمیایی مرتبط با فساد یا رسیدگی را تشخیص می‌دهد.

۷.۲ تصویربرداری سه‌بعدی و نور ساخت‌یافته

• دوربین عمق: توپولوژی سطح را برداشت می‌کند؛ فرورفتگی‌های ناشی از نقص برجسته می‌شوند.

• اسکن نور ساخت‌یافته: با الگوپردازی، مدل سه‌بعدی دقیق تولید می‌کند.

۷.۳ ترکیب مدالیته‌ها

ادغام داده‌های RGB، طیفی و عمق از طریق تکنیک‌های فیوژن داده، به‌طور چشم‌گیری نرخ شناسایی را افزایش می‌دهد.

۷.۴ قابل‌توضیح‌پذیری

• Grad-CAM / نقشه‌های برجستگی: نقاط تمرکز CNN را نشان می‌دهند تا تأیید شود مدل روی نواحی نقص تمرکز می‌کند.

• اهمیت ویژگی (SHAP, LIME): برای مدل‌های سنتی، تبیین می‌کند کدام ویژگی‌ها بیشترین تأثیر را دارند.

۸. چالش‌ها و بهترین شیوه‌ها برای تشخیص میوه‌های سالم و معیوب

• تنوع ظاهر میوه: تفاوت ارقام، مراحل رسیدگی و نوسانات فصلی نیازمند مجموعه داده بزرگ و متنوع است.

• پوشش و انباشتگی: میوه‌ها اغلب روی هم قرار می‌گیرند؛ جداسازی خودکار آن‌ها دشوار است.

• شرایط واقعی: گرد و غبار، رطوبت و تغییرات نور در سالن‌های تولید به الگوریتم‌های مقاوم نیاز دارد.

• کیفیت حاشیه‌نویسی: برچسب‌گذاری ناسازگار منجر به سیگنال‌های آموزشی نویزی می‌شود؛ در سرمایه‌گذاری روی راهنماهای حاشیه‌نویسی و کنترل کیفیت دقت کنید.

• مطابقت با مقررات: استانداردهای ایمنی غذا ممکن است نیاز به قابلیت ردیابی و لاگ‌های بازرسی خودکار داشته باشند.

بهترین شیوه‌ها:

1. خط لوله مدولار: اجزای جمع‌آوری، پیش‌پردازش، استخراج ویژگی و طبقه‌بندی را جدا کنید تا هر بخش به‌طور جداگانه قابل بهبود باشد.

2. یادگیری مداوم: مدل را دوره‌ای به‌روزرسانی کنید تا با ظهور انواع جدید نقص تطبیق یابد.

3. موازنه لبه در برابر ابری: بین تأخیر، پهنای باند و حریم خصوصی تعادل برقرار کنید.

4. چرخه بازخورد کاربر: مکانیزم لغو دستی و بازبینی نادر برای کاهش منفی‌های کاذب فراهم کنید.

۹. چشم‌اندازهای آینده

در آینده انتظار می‌رود:

• یادگیری فدرال (Federated Learning): آموزش مشارکتی مدل‌ها در چندین مرکز بدون اشتراک‌گذاری تصاویر خام و حفظ حریم خصوصی.

• یادگیری خودنظارتی (Self-Supervised Learning): کاهش نیاز به حاشیه‌نویسی با یادگیری از تصاویر میوه بدون برچسب.

• ادغام با برداشت رباتیک: جفت‌کردن شناسایی نقص با برداشت خودکار برای جداسازی میوه‌ها در زمان واقعی.

• بلاک‌چین برای ردیابی: ثبت امن نتایج بازرسی برای شفافیت زنجیره تأمین.

• اینترنت اشیاء و کشاورزی هوشمند: تعبیه دوربین‌های ریز در باغ‌ها برای نظارت میدانی و تشخیص زودهنگام بیماری‌ها.

نتیجه‌گیری

خودکارسازی ارزیابی کیفیت میوه با پردازش تصویر نه‌تنها عملیات را ساده می‌کند، بلکه ایمنی غذایی را ارتقا داده و ضایعات را کاهش می‌دهد. از راه‌اندازی دقیق تصویربرداری تا مدل‌های پیشرفته یادگیری عمیق، هر جزئی از خط لوله نقش حیاتی‌ای ایفا می‌کند. اگرچه چالش‌هایی مانند مدیریت انواع متعدد نقص و عملکرد در شرایط متغیر باقی است، پیشرفت‌های مداوم در بینایی ماشین، یادگیری ماشین و پلتفرم‌های سخت‌افزاری راه را برای راه‌حل‌های دقیق‌تر و کارآمدتر هموار می‌سازد. با پیروی از بهترین شیوه‌ها و آگاهی از فناوری‌های نوظهور، می‌توان سامانه‌های مقاومی ساخت که چشم‌انداز کشاورزی را متحول کنند.