Журнал Российского общества по неразрушающему контролю и технической диагностике
The journal of the Russian society for non-destructive testing and technical diagnostic
 
| Русский Русский | English English |
 
Главная Текущий номер
29 | 03 | 2024
2022, 01 январь (January)

DOI: 10.14489/td.2022.01.pp.038-044

Балабанов П. В., Дивин А. Г., Егоров А. С., Жиркова А. А.
СИСТЕМА ОПТИКО-ЭЛЕКТРОННОЙ СОРТИРОВКИ ЯБЛОК НА КОНВЕЙЕРЕ
(с. 38-44)

Аннотация. Описана система оптико-электронного контроля качества яблок. Предложен алгоритм распознавания дефектов яблок, предусматривающий получение от линейного фотодетектора гиперспектральной камеры информации об интенсивности отраженного света в диапазоне 400…1000 нм с шагом 2,5 нм и последующую обработку полученных спектров, включающую вычисление пяти вегетационных индексов, используемых в дальнейшем в качестве входных параметров нейронной сети, предназначенной для классификации растительных тканей яблок по видам имеющихся дефектов. Проведены испытания системы, показавшие, что точность выявления дефектов составляет не менее 87 %.

Ключевые слова:  гиперспектральный контроль, дефекты плодов, объекты растительного происхождения, роботизированный комплекс, сортировка, сохранность продуктов, система технического зрения, спектроскопия.

 

Balabanov P. V., Divin A. G., Egorov A. S., Zhirkova A. A.
THE SYSTEM OF OPTICAL-ELECTRONIC SORTING OF APPLES ON THE CONVEYOR
(pp. 38-44)

Abstract. The system of optical-electronic quality control of apples is described. An algorithm for detecting apple defects is proposed. It provides for obtaining information from a linear photodetector of a hyperspectral camera about the intensity of reflected light in the range of 400...1000 nm in 2.5 nm increments and subsequent processing of the obtained spectra, including the calculation of five vegetation indices. They are used as input parameters of a neural network designed to classify apple plant tissues by types of defects. The results of testing the system showed an accuracy of detecting defects of at least 87 %.

Keywords: hyperspectral control, fruit defects, objects of plant origin, robotic complex, sorting, safety of products, technical vision system, spectroscopy.

Рус

П. В. Балабанов, А. Г. Дивин, А. С. Егоров, А. А. Жиркова (ФГБОУ ВО «Тамбовский государственный технический университет», Тамбов, Россия) Е-mail: Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра. , Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра. , Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра. , Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.  

Eng

P. V. Balabanov, A. G. Divin, A. S. Egorov, A. A. Zhirkova (Tambov State Technical University, Tambov, Russia) Е-mail: Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра. , Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра. , Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра. , Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.  

Рус

1. Moallem P., Serajoddin A., Pourghassem H. Computer Vision-Based Apple Grading for Golden Delicious Apples Based on Surface Features // Inf. Process. Agric. 2017. V. 4, No. 1. Р. 33 – 40. DOI 10.1016/j.inpa.2016.10.003
2. Solovchenko A., Dorokhov A., Shurygin B. et al. Linking Tissue Damage to Hyperspectral Reflectance for Non-Invasive Monitoring of Apple Fruit in Orchards // Plants. 2021. V. 10, No. 2. P. 310 – 325. DOI 10.3390/plants10020310
3. Vincent J., Wang H., Nibouche O., Maguire P. Differentiation of Apple Varieties and Investigation of Organic Status Using Portable Visible Range Reflectance Spectroscopy // Sensors (Switzerland). 2018. V. 18, No. 6. P. 1708 – 1721. DOI 10.3390/s18061708
4. Yu Y., Velastin S. A., Yin F. Automatic Grading of Apples Based on Multi-Features and Weighted K-Means Clustering Algorithm // Inf. Process. Agric. 2020. V. 7, No. 4. P. 555 – 565. DOI 10.1016/j.inpa.2019.11.003
5. Kondo N. Fruit Grading Robot // IEEE / ASME International Conference on Advanced Intelligent Mechatronics, AIM. 2003. V. 2. P. 1366 – 1371. DOI 10.1109/AIM.2003.1225542
6. Jia W., Zhang Y., Lian J. et al. Apple Harvesting Robot under Information Technology // Intern. J. of Ad. Rob. Syst. 2020. V. 17, No. 3. P. 1 – 16. DOI 10.1177/1729881420925310
7. Mohammadi Baneh N., Navid H., and Kafashan J. Mechatronic Components in Apple Sorting Machines with Computer Vision // J. of Food Measurement and Characterization. 2018. V. 12, No. 2. P. 1135 – 1155. DOI 10.1007/s11694-018-9728-1
8. Baek I., Cho B.-K., Gadsden S. A., Eggleton Ch. A Novel Hyperspectral Line-Scan Imaging Method for Whole Surfaces of Round Shaped Agricultural Products // Biosyst. Eng. 2019. V. 188, No. 1. P. 57 – 66. DOI 10.1016/j.biosystemseng.2019.09.014
9. Wang S. M., Zhang A., Hu Sh.-X., Wang J.-M. The Linear Hyperspectral Camera Rotating Scan Imaging Geometric Correction Based on the Precise Spectral Sampling // Guang Pu Xue Yu Guang Pu Fen Xi: Spectroscopy Spectr. Anal. 2015. V. 35, No. 2. P. 557 – 562. DOI 10.3964/j.issn.1000-0593(2015)02-0557-06
10. Oliveira R. A., Tommaselli A. M. G., Honkavaara E. Generating a Hyperspectral Digital Surface Model Using a Hyperspectral 2D Frame Camera // ISPRS J. Photogramm. Remote Sens. 2019. V. 147. P345 – 360. DOI 10.1016/j.isprsjprs.2018.11.025
11. Balabanov P. V., Divin A. G., Belyaev P. S. et al. Technical Vision System for Quality Control of Objects of the Ball-Shaped Form when Sorting on the Conveyor // Journal of Physics: Conf. Ser. 2020.V. 1546, No. 1. IV International Scientific and Technical Conference “Mechanical Science and Technology Update”, Omsk, 17 – 19 march 2020. MSTU, 2020. DOI 10.1088/1742-6596/1546/1/012001.
12. Haykin S. Neural Networks: a Comprehensive Foundation by Simon Haykin // The Knowledge Engineering Review.1999. V. 13, No. 4. 105 p.
13. Huang R., Zhou L. Hyperspectral Feature Selection and Classification with a RBF-based Novel Double Parallel Feedforward Neural Network and Evolution Algorithms // 4th IEEE Conference on Industrial Electronics and Applications. Xi'an, China, 25 – 27 May 2009. Xi'an, 2009. DOI 10.1109/ICIEA.2009.5138290
14. Blank V. A., Podlipnov V. V., Skidanov R. V. A Dual-Range Diffraction Grating for Imaging Hyper-spectrometer Based on the Offner Scheme // Journal of Physics: Conf. Ser. 2018. V. 1096, No. 1. P. 1 – 4. DOI 10.1088/1742-6596/1096/1/012131

Eng

1. Moallem P., Serajoddin A., Pourghassem H. (2017). Computer Vision-Based Apple Grading for Golden Delicious Apples Based on Surface Features. Information Processing in Agriculture, Vol. 4, (1), pp. 33 – 40. DOI: 10.1016/j.inpa.2016.10.003
2. Solovchenko A., Dorokhov A., Shurygin B. et al. (2021). Linking Tissue Damage to Hyperspectral Reflectance for Non-Invasive Monitoring of Apple Fruit in Orchards. Plants, Vol. 10, (2), pp. 310 – 325. DOI: 10.3390/plants10020310
3. Vincent J., Wang H., Nibouche O., Maguire P. (2018). Differentiation of Apple Varieties and Investigation of Organic Status Using Portable Visible Range Reflectance Spectroscopy. Sensors, Vol. 18, (6), pp. 1708 – 1721. DOI: 10.3390/s18061708
4. Yu Y., Velastin S. A., Yin F. (2020). Automatic Grading of Apples Based on Multi-Features and Weighted K-Means Clustering Algorithm. Information Processing in Agriculture, Vol. 7, (4), pp. 555 – 565. DOI: 10.1016/ j.inpa.2019.11.003
5. Kondo N. (2003). Fruit Grading Robot. IEEE / ASME International Conference on Advanced Intelligent Mechatronics, AIM, Vol. 2, pp. 1366 – 1371. DOI: 10.1109/AIM.2003.1225542
6. Jia W., Zhang Y., Lian J. et al. (2020). Apple Harvesting Robot under Information Technology. International Journal of Advanced Robotics Systems, Vol. 17, (3), pp. 1 – 16. DOI: 10.1177/1729881420925310
7. Mohammadi Baneh N., Navid H., Kafashan J. (2018). Mechatronic Components in Apple Sorting Machines with Computer Vision. Journal of Food Measurement and Characterization, Vol. 12, (2), pp. 1135 – 1155. DOI: 10.1007/s11694-018-9728-1
8. Baek I., Cho B.-K., Gadsden S. A., Eggleton Ch. (2019). A Novel Hyperspectral Line-Scan Imaging Method for Whole Surfaces of Round Shaped Agricultural Products. Biosystems Engineering, Vol. 188, (1), pp. 57 – 66. DOI: 10.1016/j.biosystemseng.2019.09.014
9. Wang S. M., Zhang A., Hu Sh.-X., Wang J.-M. (2015). The Linear Hyperspectral Camera Rotating Scan Imaging Geometric Correction Based on the Precise Spectral Sampling. Guang Pu Xue Yu Guang Pu Fen Xi/Spectroscopy and Spectral Analysis, Vol. 35, (2), pp. 557 – 562. DOI: 10.3964/j.issn.1000-0593(2015)02-0557-06
10. Oliveira R. A., Tommaselli A. M. G., Honkavaara E. (2019). Generating a Hyperspectral Digital Surface Model Using a Hyperspectral 2D Frame Camera. ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 147, pp. 345 – 360. DOI: 10.1016/j.isprsjprs.2018.11.025
11. Balabanov P. V., Divin A. G., Belyaev P. S. et al. (2020). Technical Vision System for Quality Control of Objects of the Ball-Shaped Form when Sorting on the Conveyor. Journal of Physics: Conference Series, Vol. 1546, (1). IV International Scientific and Technical Conference “Mechanical Science and Technology Update”. Omsk: MSTU. DOI: 10.1088/1742-6596/1546/1/012001.
12. Haykin S. (1999). Neural Networks: a Comprehensive Foundation by Simon Haykin. The Knowledge Engineering Review, Vol. 13, (4).
13. Huang R., Zhou L. (2009). Hyperspectral Feature Selection and Classification with a RBF-based Novel Double Parallel Feedforward Neural Network and Evolution Algorithms. 4th IEEE Conference on Industrial Electronics and Applications. Xi'an. DOI: 10.1109/ICIEA.2009.5138290
14. Blank V. A., Podlipnov V. V., Skidanov R. V. (2018). A Dual-Range Diffraction Grating for Imaging Hyperspectrometer Based on the Offner Scheme. Journal of Physics: Conference Series, Vol. 1096, (1), pp. 1 – 4. DOI: 10.1088/1742-6596/1096/1/012131

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 500 руб. (в том числе НДС 20%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа скопируйте doi статьи:

10.14489/td.2022.01.pp.038-044

и заполните  форму 

Отправляя форму вы даете согласие на обработку персональных данных.

.

 

Eng

This article  is available in electronic format (PDF).

The cost of a single article is 500 rubles. (including VAT 20%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please copy the article doi:

10.14489/td.2022.01.pp.038-044

and fill out the  form  

 

.

 

 
Поиск
На сайте?
Сейчас на сайте находятся:
 20 гостей на сайте
Опросы
Понравился Вам сайт журнала?
 
Баннер
Rambler's Top100 Яндекс цитирования