Система сортировки и оценки качества урожая с ИИ
Оптический сортировщик на зерновом элеваторе делает 15 снимков каждого зерна за 2 мс и принимает решение об отбраковке быстрее, чем успевает моргнуть человек. Это один из немногих случаев в агро-CV, где компьютерное зрение работает в production уже 20 лет — ещё с классическими алгоритмами. Задача сегодня — поднять точность, снизить количество ложных отбраковок, добавить предсказание внутренних дефектов.
Стек CV-методов по типу продукта
Задачи сортировки радикально отличаются в зависимости от продукта:
Зерно и бобовые (высокая скорость, поштучная обработка)
Конвейерные оптические сортеры работают со скоростью 5–15 т/ч. Каждое зерно фотографируется в RGB + ближний ИК. Инференс должен укладываться в < 3 ms на объект. Архитектура — лёгкая классификационная сеть (MobileNetV2 или EfficientNet-Lite0) с INT8 квантизацией на NVIDIA Jetson или FPGA (Xilinx Zynq).
Классы дефектов зерна пшеницы: битое, щуплое, проросшее, поражённое фузариозом, зелёное, примесь культуры. Межклассовая путаница — щуплое vs нормальное при нестандартном освещении. Решение: нормировка по эталонному белому перед каждой партией + аугментация освещения при обучении.
Фрукты и овощи (внешний вид + предсказание внутренних дефектов)
Внешняя сортировка по размеру, цвету, форме — задача для классических CV-методов плюс detection. Интереснее — NIR-спектроскопия для неразрушающего контроля внутреннего качества: сухое вещество (°Brix), внутреннее побурение яблок, пустотелость. Один NIR-датчик (Zeiss Corona 45 NIR или Carl Zeiss MCS 600) + калибровочная PLS-регрессия — стандартный подход на производстве.
Более современный: гиперспектральная камера (400–1700 нм) над конвейером. Каждое яблоко получает полный спектр, CNN с 1D-спектральной веткой предсказывает °Brix с RMSE = 0.6 и внутреннее побурение с accuracy 0.91 (против 0.79 у PLS).
Глубокий разбор: сортировка картофеля
Продуктивный кейс из практики. Клиент — переработчик картофеля, линия 8 т/ч. Задача: автоматическая сортировка по 4 классам (экстра / первый / второй / технический) по совокупности признаков.
Признаки: масса (весовой датчик), размер (3D-scanner или стереокамера), наличие зелени, количество и глубина глазков, механические повреждения, гниль.
Архитектура решения:
- YOLOv8m-seg для сегментации картофелины и детекции дефектов
- Отдельная голова regression для оценки размера по маске
- Фьюжн с весовым датчиком и цветовыми признаками
- Gradient Boosting для финального классификационного решения по всем признакам
Результат: точность соответствия стандарту ГОСТ Р 51808 — 94.3% против 78% у предыдущего механического рассева. Ложных «понижений» класса — 3.1% (важно: недооценка дороже переоценки).
| Метрика | До внедрения | После внедрения |
|---|---|---|
| Точность классификации | 78% | 94.3% |
| Производительность | 8 т/ч | 8 т/ч |
| Ложных понижений класса | ~12% | 3.1% |
| Ручной контроль | 2 оператора | 0.5 оператора |
Интеграция в производственную линию
Система работает в связке с PLC (Siemens S7 / Allen-Bradley) через PROFINET или OPC UA. Команда на пневматический клапан отбраковки приходит с задержкой < 5 ms после инференса. Конвейерная скорость — от системы управления линией, CV синхронизируется по энкодеру.
Деплой: NVIDIA Jetson AGX Orin для тяжёлых моделей (картофель, фрукты) или Jetson Orin NX для зерна. TensorRT engine, FP16 для точности или INT8 при критичных требованиях к скорости.
Процесс внедрения
- Техническое обследование линии, определение точек съёмки и освещения
- Сбор данных под производственным освещением, разметка (500+ образцов на класс дефекта)
- Обучение и валидация на отложенной выборке
- Интеграция с PLC, тестирование на реальной скорости конвейера
- Калибровка порогов отбраковки совместно с технологом
- Мониторинг точности в продакшене, переобучение при смене сорта/партии
Сроки
Система для одного типа продукта (зерно или фрукты): 6–10 недель. Комплексная линия с NIR-модулем и интеграцией в ERP: 3–5 месяцев.