Problematyka programowania systemów wizyjnych do identyfikacji owoców

• Autorzy: Tomasik Marcin , Bałuszyńska Paulina

Identyfikatory

DOI

10.15199/48.2025.02.26

Warianty tytułu

EN

(Programming of vision systems for fruit identification

• Języki publikacji: PL

Abstrakty

PL

Systemy wizyjne to zaawansowane zestawy składające się z sensorów obrazu, sprzętu komputerowego oraz wyspecjalizowanych algorytmów oprogramowania. Przetwarzają i analizują obrazy z otoczenia, wspierając kontrolę, automatyzację procesów i inspekcję produktów. Typowe elementy takich systemów to oświetlenie, obiektywy, sensory obrazu, jednostki przetwarzania wizji oraz systemy komunikacji. W przemyśle spożywczym i rolniczym systemy wizyjne są coraz częściej wykorzystywane do identyfikacji owoców, rozpoznawania i klasyfikowania ich na podstawie cech takich jak kolor, kształt, rozmiar i stopień dojrzałości. Badania skupiały się na programowaniu systemów wizyjnych do identyfikacji truskawek z użyciem środowiska Python oraz bibliotek OpenCV. Do oceny skuteczności identyfikacji owoców i poprawności określania ich współrzędnych wykorzystano kamerę inspekcyjną DF Robot OpenMV Cam H7. Kalibracja i uczenie maszynowe zostały przeprowadzone na zestawie owoców o różnych cechach. Algorytm został skonfigurowany do identyfikacji pikseli o wartościach RGB odpowiadających kolorowi czerwonego. Badania obejmowały uczenie maszynowe w celu identyfikacji obiektów, analizę wpływu natężenia światła, wykrywanie obiektów o określonym kolorze oraz ocenę dokładności odczytu współrzędnych owoców. Wyniki pokazały, że system najlepiej identyfikował czerwone truskawki z powodu wysokiego kontrastu. Dostosowanie ekspozycji kamery umożliwia preferencyjne wykrywanie bardziej nasyconych kolorów.

EN

Machine vision systems are advanced sets composed of electronic components, computer hardware and specialized software algorithms. They process and analyze images from the environment, supporting control, process automation and product inspection. Typical components include lighting, lenses, image sensors, vision processing units, and communication systems. In the food and agricultural industries, vision systems are increasingly used to identify fruit, recognizing and classifying them based on features such as color, shape, size and degree of ripeness. The research focused on programming vision systems for strawberry identification using the Python environment and OpenCV libraries. The DF Robot OpenMV Cam H7 inspection camera was used to assess the effectiveness of fruit identification and the correctness of determining their coordinates. Calibration and machine learning were performed on a set of fruits with different characteristics. The algorithm was configured to identify pixels with RGB values corresponding to the red color. The research included machine learning for object identification, analysis of the impact of light intensity, detection of objects of a specific color and assessment of the accuracy of reading fruit coordinates. The results showed that the system best identified red strawberries due to high contrast. Adjusting the camera exposure allows for preferential detection of more saturated colors.

Słowa kluczowe

PL

system wizyjny; przetwarzanie obrazu; programowanie; automatyzacja procesu; analiza obrazu

EN

vision system; image processing; programming; process automation; image analysis

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2025
• Tom: R. 101, nr 2
• Strony: 106--111
• Opis fizyczny: Bibliogr. 18 poz., rys.

Twórcy

autor

Tomasik Marcin

• Uniwersytet Rolniczy w Krakowie, Katedra Inżynierii Bioprocesów, Energetyki i Automatyzacji, ul. Balicka 116B, 30-149 Kraków

• https://orcid.org/0000-0002-3152-4654

autor

Bałuszyńska Paulina

• Uniwersytet Rolniczy w Krakowie, Katedra Inżynierii Bioprocesów, Energetyki i Automatyzacji, ul. Balicka 116B, 30-149 Kraków

• https://orcid.org/0009-0008-1235-7775

Bibliografia

• [1] Baker, H., Dagdelen, J., Li, X.: Robot Vision: A Review. Journal of Visual Communication and Image Representation, 47, pp. 138-156, 2017.
• [2] Gómez-Sanchís, J., et al.: A review on machine vision technology in fruit grading. Journal of Food Engineering, 204, pp. 21-36, 2017.
• [3] Guerrero, J.J., et. al.: A Survey of Visual Sensors in Agri-Food Robotics. Sensors, 16(2), pp. 200, 2016.
• [4] Jain, D., Nandy, S.: Vision-Based Robotic Harvesting of Fruits: A Review. IEEE Transactions on Automation Science and Engineering, 17(2), pp. 532-548, 2020.
• [5] Lee, S.; Choi, G.; Park, H.-C.; Choi, C.: Automatic Classification Service System for Citrus Pest Recognition Based on Deep Learning. Sensors, 22, pp. 8911, 2022.
• [6] Syed-Ab-Rahman, S.F.; Hesamian, M.H.; Prasad, M.: Citrus disease detection and classification using end-to-end anchorbased deep learning model. Appl. Intell., 52, 927-938 2022.
• [7] Khojastehnazhand, et. al.: Machine Vision Technology in Agriculture for Yield Prediction and Yield Mapping A Review. Computers and Electronics in Agriculture, 142, pp. 283-301, 2017.
• [8] Huang, Q., et. al.: Visual Perception for Robots: A Survey. IEEE Transactions on Visualization and Computer Graphics, 24(11), pp. 2608-2626, 2018.
• [9] Lu, H., et. al.: Review of Machine Vision Technology Application in Fruit and Vegetable Quality Inspection. IEEE Access, 6, pp. 22759-22772, 2018.
• [10] Vasconcelos, F., et. al.: A Review on Computer Vision Techniques Applied to Industrial Robots. Robotics, 9(2), pp. 41, 2020.
• [11] Karczewski G.: Systemy wizyjne w robotach Fanuc Robotic. Pozyskano z: https://automatykab2b.pl/prezentacje/40301- systemy-wizyjne-w-robotach-fanuc-robotics, data pobrania [18.12.2023].
• [12] Lemessa Jembere, A., Jakubowski, T.: Investigating the Impact of UV-C Radiation on the Mechanical Characteristics of Semifinished Potato Tubers Prepared from Varied Potato Cultivars. Nuclear Technology,210, pp. 1-12, 2024.
• [13] Ali K, Johnson BA.: Land-Use and Land-Cover Classification in Semi-Arid Areas from Medium-Resolution Remote-Sensing Imagery: A Deep Learning Approach. Sensors. 22(22) pp. 8750. 2022.
• [14] Kielczewski M.: Pozyskano z: Segmentacja obrazu http://marcin.kielczewski.pracownik.put.poznan.pl/POiSW7.pdf, data pobrani [18.12.2023].
• [15] Dutt, M.; El-Mohtar, C.A.; Wang, N.: Biotechnological approaches for the resistance to citrus diseases. In The Citrus Genome; Springer: Cham, Switzerland, pp. 245–257, 2020.
• [16] Dhiman, P.; et. al.: Novel Deep Learning Model for Detection of Severity Level of the Disease in Citrus Fruits. Electronics, 11, pp. 495, 2022.
• [17] Sethy, P.K.; Barpanda, N.K.; Rath, A.K.; Behera, S.K. Image processing techniques for diagnosing rice plant disease: A survey. Procedia Comput. Sci.,167, pp. 516–530, 2020.
• [18] Kutyrev, A., et. al. Robotic Platform for Horticulture: Assessment Methodology and Increasing the Level of Autonomy. Sensors, 22, pp. 1-26, 2020.