Detection and Tracking Method for Walnuts in a Walnut Sorting Device Based on Improved YOLOv8n+DeepSORT

In der Welt der Landwirtschaft ist das Sortieren von Nüssen eine Aufgabe, die sowohl Schnelligkeit als auch ein geschultes Auge erfordert. Seit Jahrhunderten verlassen sich Landwirte und Verarbeiter auf menschliche Hände oder einfache mechanische Siebe, um gute Walnüsse von schlechten zu trennen. Diese traditionellen Methoden funktionieren zwar, sind aber langsam und übersehen oft subtile Mängel, die tief im Inneren der Schale verborgen liegen. Um zu sehen, was sich unter dem harten Äußeren befindet, ohne die Schale aufzubrechen, wenden Ingenieure die Röntgenbildgebung an. Diese Technologie, die jedem bekannt ist, der jemals ein Krankenhaus besucht hat, nutzt unsichtbare Strahlung, um durch feste Objekte zu dringen und deren interne Dichte und Struktur auf einem Bildschirm sichtbar zu machen. In Kombination mit moderner Computer Vision können diese Röntgenbilder von einer Software analysiert werden, die lernt, Muster zu erkennen und so zwischen einem prallen, gesunden Kern und einem geschrumpften oder leeren unterscheidet. Die Herausforderung besteht jedoch darin, dies schnell genug für ein Förderband zu tun, auf dem Walnüsse in einem kontinuierlichen, chaotischen Fluss vorbeiströmen. Der Computer muss nicht nur jede Nuss identifizieren, sondern auch deren Bewegung von einem Moment zum nächsten verfolgen, um sicherzustellen, dass sie korrekt sortiert wird, selbst wenn sie gegen ihre Nachbarn stößt.

Forscher der Xinjiang University haben dieses spezifische Problem angegangen, indem sie ein neues System entwickelt haben, das darauf ausgelegt ist, Walnüsse zu beobachten und zu sortieren, während sie durch eine industrielle Sortiermaschine fahren. Ihr Ziel war es, ein digitales Auge zu erschaffen, das sowohl scharf genug ist, um feine interne Details zu erkennen, als auch schnell genug, um mit dem Tempo einer Fabrikstraße Schritt zu halten. Sie begannen mit einem leistungsstarken bestehenden Werkzeug zur Objekterkennung in Bildern, einer Art künstlicher Intelligenz, die als neuronales Netzwerk bekannt ist, und verfeinerten es dann speziell für die einzigartigen Herausforderungen von Walnuss-Röntgenbildern. In ihren Experimenten speisten sie tausende von Röntgenbildern von Walnüssen in das System ein – reichend von perfekt gefüllten bis hin zu völlig leeren –, um der Software beizubringen, die subtilen Unterschiede zu erkennen, wie die Strahlung durch die Schale und den Kern im Inneren verläuft.

Der Kern ihrer Lösung besteht aus zwei arbeitenden Teilen, die Hand in Hand funktionieren. Der erste Teil ist ein Detektor, der die Röntgenbilder scannt, um jede Walnuss zu finden und deren Qualität zu bestimmen. Der zweite Teil ist ein Tracker, der jede Walnuss verfolgt, während sie sich auf dem Band bewegt, und ihr eine eindeutige Identität zuweist, damit die Maschine weiß, in welche Kiste sie sie fallen lassen soll. Die Forscher stellten fest, dass die Standardversionen dieser Werkzeuge nicht ganz ausreichten. Die Röntgenbilder von Walnüssen weisen oft einen geringen Kontrast auf, was die internen Details verschwommen erscheinen lässt, und die Standardsoftware verlor manchmal die Spur einer Nuss, wenn diese sich zu schnell bewegte oder zu nah an einer anderen war. Um dies zu beheben, nahm das Team drei spezifische Verbesserungen an der Detektionssoftware vor. Sie fügten einen neuen Aufmerksamkeitsmechanismus (Attention Mechanism) hinzu, der dem Computer hilft, sich auf die wichtigsten, verstreuten Details des Inneren der Walnuss zu konzentrieren und den störenden Hintergrund zu ignorieren. Sie ersetzten einen Standardprozess zur Bildvergrößerung durch eine dynamischere Methode, die die glatten Kanten und die Textur der Nuss bewahrt und verhindert, dass das Bild blockartig oder verzerrt wird. Schließlich optimierten sie den Teil des Systems, der verschiedene Informationsebenen kombiniert, indem sie unnötige Berechnungen entfernten, um den gesamten Prozess zu beschleunigen, ohne an Genauigkeit zu verlieren.

Für die Tracking-Komponente änderten die Forscher die Art und Weise, wie die Software entscheidet, ob zwei Bilder einer Walnuss aus verschiedenen Einzelbildern zum selben Objekt gehören. Anstatt sich ausschließlich darauf zu verlassen, wie stark sich die Formen überschneiden, führten sie eine Methode ein, die auch den Abstand zwischen den Mittelpunkten der Formen berücksichtigt. Diese kleine Anpassung erwies sich als entscheidend, wenn Walnüsse dicht gedrängt lagen oder teilweise verdeckt waren, da sie dem System half, eine stabile Verbindung zu jeder einzelnen Nuss aufrechtzuerhalten und zu verhindern, dass die Identitäten versehentlich vertauscht wurden oder die Spur verloren ging. Als sie ihr verbessertes System gegen die Originalversionen testeten, waren die Ergebnisse eindeutig. Der neue Detektor identifizierte Walnüsse mit deutlich höherer Genauigkeit, erkannte mehr subtile Defekte und lieferte weniger Fehlalarme. Er verarbeitete Bilder mit einer Geschwindigkeit von 412 Bildern pro Sekunde, was schnell genug ist, um den raschen Fluss einer echten Produktionslinie zu bewältigen. Auch das Tracking-System verbesserte sich und reduzierte Fehler, bei denen der Computer ein Ziel verlieren oder eine Nuss mit einer anderen verwechseln könnte.

Die Studie zeigt, dass es möglich ist, eine Aufgabe, die lange Zeit auf menschlichem Urteilsvermögen beruhte, zu automatisieren, indem man diese digitalen Werkzeuge sorgfältig auf die spezifische Physik der Röntgenbildgebung und das Verhalten von Walnüssen auf einem Förderband abstimmt. Das verbesserte System findet die Nüsse nicht nur; es versteht deren Bewegung und deren interne Qualität mit einer Präzision, die traditionelle Maschinen nicht erreichen können. Diese Arbeit weist den Weg für die Walnussverarbeitungsindustrie, in der Geschwindigkeit und Qualität gleichermaßen kritisch sind. Indem sie bewiesen haben, dass diese fortschrittlichen Algorithmen angepasst werden können, um die unordentlichen, realen Bedingungen eines Fabrikbodens zu bewältigen, haben die Forscher einen Bauplan für eine effizientere, zuverlässigere und automatisierte Sortierung von Walnüssen und potenziell anderen ähnlichen Nutzpflanzen geliefert. Die Ergebnisse deuten darauf hin, dass die Zukunft der landwirtschaftlichen Sortierung nicht allein in schnelleren Maschinen liegt, sondern in smarterer Software, die sehen kann, was das menschliche Auge übersieht, und sich erinnern kann, was die menschliche Hand vergisst.