АЛГОРИТМЫ ОБРАБОТКИ ИЗОБРАЖЕНИЙ И МОДЕЛИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ АВТОМАТИЧЕСКОЙ СОРТИРОВКИ ЯБЛОК

АННОТАЦИЯ

В статье рассматриваются алгоритмы обработки изображений и модели искусственного интеллекта, применяемые для автоматической сортировки яблок по цветовым характеристикам и качеству поверхности. Предложен подход, основанный на использовании методов машинного зрения, фильтрации, сегментации и нормализации цветовых параметров. Для классификации объектов применена сверточная нейронная сеть, обеспечивающая высокую точность распознавания. Проведённые эксперименты показали эффективность предложенных методов, позволяющих достигать высокой точности и обеспечивать работу системы в реальном времени.

ABSTRACT

This paper presents image processing algorithms and artificial intelligence models used for automatic sorting of apples based on color characteristics and surface quality. The proposed approach is based on computer vision techniques, including image filtering, segmentation, and normalization of color parameters. A convolutional neural network (CNN) is applied for object classification, ensuring high accuracy of recognition. Experimental results demonstrate the effectiveness of the proposed methods, achieving high classification accuracy and enabling real-time system operation.

Ключевые слова: искусственный интеллект, машинное зрение, обработка изображений, сортировка яблок, классификация, нейронные сети, CNN, сегментация, RGB модель, автоматизация

Keywords: artificial intelligence, computer vision, image processing, apple sorting, classification, neural networks, CNN, segmentation, RGB model, automation

Введение. В современных условиях агропромышленного производства повышение качества и эффективности обработки продукции является одной из приоритетных задач. Сортировка яблок по цвету и состоянию поверхности играет важную роль в формировании их товарной ценности и конкурентоспособности [1,2]. Традиционные методы сортировки, основанные на ручном труде, характеризуются низкой производительностью и субъективностью оценки, что ограничивает их применение при больших объёмах переработки и требует внедрения автоматизированных решений [3]. Современные системы машинного зрения позволяют получать изображения объектов и анализировать их с использованием алгоритмов обработки изображений, обеспечивая объективное определение характеристик плодов, включая цвет и дефекты поверхности [4,5]. Особое значение в таких системах имеют методы искусственного интеллекта, в частности сверточные нейронные сети, обеспечивающие высокую точность классификации изображений [6,7], что обусловливает необходимость разработки и исследования эффективных алгоритмов обработки изображений и моделей искусственного интеллекта для автоматической сортировки яблок по цветовым характеристикам и качеству поверхности с обеспечением высокой точности и работы в режиме реального времени. Однако при разработке систем возникает необходимость обеспечения высокой скорости обработки при сохранении точности, что требует оптимизации алгоритмов [8]. Кроме того, важным аспектом является устойчивость системы к изменениям условий съёмки, таким как освещённость и положение объекта, для чего применяются методы фильтрации, сегментации и нормализации цветовых характеристик [9,10].

Материалы и методы. В работе разработаны алгоритмы обработки изображений и модель классификации на основе искусственного интеллекта для автоматической сортировки яблок по цвету и качеству поверхности. Методика основана на последовательной обработке изображений с использованием методов машинного зрения и глубокого обучения [1,2].

1. Получение изображения

Рисунок 1. Проекционная модель камеры

Изображения объектов формируются с использованием камеры, описываемой центральной проекционной моделью:

;        ;                            (1)

где  — пространственные координаты объекта,  — координаты изображения,  — фокусное расстояние.

2. Предварительная обработка

Рисунок 2. Результат фильтрации изображения

Для повышения качества изображений применяется гауссова фильтрация:

                                         (2)

Фильтрация позволяет уменьшить шум и улучшить выделение границ объектов.

3. Сегментация объекта

Выделение объекта выполняется на основе градиентного метода:

                                            (3)

Это обеспечивает отделение яблока от фона и подготовку к анализу [4].

4. Анализ цветовых характеристик

Для определения цвета используется нормализованная RGB-модель:

                       (4)

Рисунок 3. Цветовая классификация по модели RGB

Данный подход снижает влияние освещённости и повышает точность классификации [5].

5. Определение параметров объекта

Центр объекта вычисляется по формуле:

                               (5)

где  — количество точек объекта. Это необходимо для дальнейшего управления процессом сортировки [6].

Рисунок 4. Определение центра объекта

6. Классификация объектов

Классификация выполняется с использованием сверточной нейронной сети (CNN), позволяющей разделять яблоки на классы: по цвету и наличию дефектов. Модель обеспечивает автоматическое извлечение признаков и высокую точность распознавания [7,8].

7. Оценка эффективности

Производительность системы определяется выражением:

                                                  (6)

где  — скорость конвейера,  — расстояние между объектами. Точность классификации рассчитывается по формуле:

Рисунок 5. Архитектура CNN модели

                        (7)

Эти показатели используются для оценки качества работы системы [9,10].

РЕЗУЛЬТАТЫ

В ходе экспериментов разработанная система автоматической сортировки яблок была протестирована в лабораторных условиях. Классификация проводилась по четырём категориям: красные, зелёные, жёлтые и дефектные.

Полученные результаты показали:

• общая точность классификации — 93–95 %;
• точность определения цвета — до 95 %;
• точность выявления дефектов — 90–92 %.

Скорость обработки изображений составила 0.02–0.05 с на один объект, что обеспечивает обработку до 20–40 объектов в секунду и позволяет системе работать в реальном времени.

Производительность системы при скорости конвейера 0.3–0.5 м/с достигла:

• в среднем 1.5–4 т/час;
• максимально — до 5 т/час.

ОБСУЖДЕНИЕ

Рисунок 6. Результаты классификации объектов

Результаты исследования показали высокую эффективность предложенных алгоритмов обработки изображений и моделей искусственного интеллекта. Достигнутый уровень точности подтверждает корректность выбранных методов сегментации, фильтрации и цветового анализа.

Использование нормализованной RGB-модели позволило снизить влияние освещения, что повысило устойчивость системы. В то же время выявлено, что при резких изменениях внешних условий возможны незначительные отклонения в точности. Высокая скорость обработки данных свидетельствует о возможности применения системы в реальных производственных условиях. При этом достигнут баланс между скоростью и точностью, что является важным преимуществом. Вместе с тем использование нейронных сетей требует вычислительных ресурсов, что может ограничивать применение системы без оптимизации аппаратной части.

В целом предложенный подход демонстрирует высокую эффективность и перспективность для внедрения в автоматизированные линии сортировки.

Заключение. В работе разработаны алгоритмы обработки изображений и модель классификации на основе искусственного интеллекта для автоматической сортировки яблок.

Основные результаты исследования: обеспечена высокая точность классификации (до 95 %), достигнута высокая скорость обработки изображений, реализована возможность работы системы в реальном времени, повышена устойчивость к изменениям условий съёмки.

Предложенный подход может быть использован при создании автоматизированных систем сортировки сельскохозяйственной продукции.

Список литературы:

1. Li X., Zhao Y. Классификация фруктов с использованием глубоких сверточных нейронных сетей // Computers and Electronics in Agriculture. – 2018.
2. Kamilaris A., Prenafeta-Boldú F. Глубокое обучение в сельском хозяйстве: обзор // Computers and Electronics in Agriculture. – 2018.
3. Улджаев Э., Абдихалилов У., Сулейманова С., Таджитдинов Г.
   Анализ методов и средств сортировки фруктов и выбор рационального метода сортировки фруктов // International Journal of Mechatronics and Applied Mechanics. – 2025. – Вып. 22, Т. II. – С. 233–241.
4. Bargoti S., Underwood J. Глубокое обнаружение фруктов в садах // IEEE Robotics and Automation Letters. – 2017.
5. Cubero S. и др. Машинное зрение для сортировки и оценки качества фруктов // Biosystems Engineering. – 2016.
6. Rahnemoonfar M., Sheppard C. Глубокое обучение для обнаружения и подсчёта фруктов // Sensors. – 2017.
7. Tian Y., Yang G. Обнаружение и классификация яблок с использованием глубокого обучения // Information Processing in Agriculture. – 2019.
8. Wang Z., Walsh K. Методы машинного зрения для оценки качества фруктов // Postharvest Biology and Technology. – 2018.
9. Liu S., Li J. Распознавание фруктов в реальном времени с использованием сверточных нейронных сетей // Computers and Electronics in Agriculture. – 2020.
10. Chen C., Lin Y. Методы классификации фруктов на основе глубокого обучения // Artificial Intelligence in Agriculture. – 2021.