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

En el mundo de la agricultura, clasificar las nueces es una tarea que exige tanto velocidad como un ojo agudo. Durante siglos, los agricultores y procesadores han dependido de las manos humanas o de tamices mecánicos simples para separar las nueces buenas de las malas. Estos métodos tradicionales funcionan, pero son lentos y a menudo pasan por alto fallas sutiles ocultas en lo profundo del interior de la cáscara. Para ver lo que hay debajo del duro exterior sin abrirla, los ingenieros recurren a la imagen de rayos X. Esta tecnología, familiar para cualquiera que haya visitado un hospital, utiliza radiación invisible que atraviesa objetos sólidos, revelando su densidad y estructura interna en una pantalla. Al combinarse con la visión computacional moderna, estas imágenes de rayos X pueden ser analizadas por un software que aprende a reconocer patrones, distinguiendo un grano sano y turgente de uno marchito o vacío. El desafío, sin embargo, radica en hacer esto con la rapidez suficiente para una cinta transportadora en movimiento, donde las nueces pasan en un flujo continuo y caótico. La computadora no solo debe identificar cada nuez, sino también rastrear su movimiento de un momento a otro, asegurando que se clasifique correctamente incluso mientras se sacude contra sus vecinas.

Investigadores de la Universidad de Xinjiang han abordado este problema específico desarrollando un nuevo sistema diseñado para observar y clasificar las nueces mientras viajan a través de una máquina de clasificación industrial. Su objetivo era crear un ojo digital que fuera lo suficientemente nítido para ver detalles internos finos y lo suficientemente rápido para seguir el ritmo de una línea de fábrica. Comenzaron con una herramienta potente ya existente para encontrar objetos en imágenes, un tipo de inteligencia artificial conocida como red neuronal, y luego la refinaron específicamente para los desafíos únicos de los rayos X de las nueces. En sus experimentos, alimentaron el sistema con miles de imágenes de rayos X de nueces, que iban desde perfectamente llenas hasta completamente vacías, enseñando al software a reconocer las sutiles diferencias en cómo la radiación atraviesa la cáscara y el núcleo en su interior.

El núcleo de su solución involucra dos partes operativas que funcionan en tándem. La primera parte es un detector que escanea las imágenes de rayos X para encontrar cada nuez y determinar su calidad. La segunda parte es un rastreador que sigue cada nuez a medida que se mueve a lo largo de la cinta, asignándole una identidad única para que la máquina sepa en qué contenedor debe depositarla. Los investigadores descubrieron que las versiones estándar de estas herramientas no eran lo suficientemente buenas. Las imágenes de rayos X de las nueces suelen tener bajo contraste, lo que hace que los detalles internos se vean borrosos, y el software estándar a veces perdía el rastro de una nuez cuando se movía demasiado rápido o se acercaba demasiado a otra. Para solucionar esto, el equipo realizó tres mejoras específicas al software de detección. Añadieron un nuevo mecanismo de atención que ayuda a la computadora a concentrarse en los detalles más importantes y dispersos del interior de la nuez, ignorando el fondo distractor. Reemplazaron un paso estándar que amplía la imagen por un método más dinámico que preserva los bordes suaves y la textura de la nuez, evitando que la imagen se vuelva bloqueada o distorsionada. Finalmente, optimizaron la parte del sistema que combina diferentes capas de información, eliminando cálculos innecesarios para hacer todo el proceso más rápido sin perder precisión.

Para el componente de seguimiento, los investigadores cambiaron la forma en que el software decide que dos imágenes de una nuez en diferentes fotogramas pertenecen al mismo objeto. En lugar de depender únicamente de cuánto se superponen las formas, introdujeron un método que también considera la distancia entre los centros de las formas. Este pequeño ajuste resultó vital cuando las nueces estaban amontonadas o parcialmente ocultas, ya que ayudó al sistema a mantener un bloqueo constante en cada nuez individual, evitando que accidentalmente intercambiara identidades o perdiera el rastro por completo. Cuando probaron su sistema mejorado contra las versiones originales, los resultados fueron claros. El nuevo detector identificó las nueces con una precisión significativamente mayor, detectando más defectos sutiles y menos falsas alarmas. Procesó imágenes a una velocidad de 412 fotogramas por segundo, lo cual es lo suficientemente rápido para manejar el flujo rápido de una línea de producción real. El sistema de seguimiento también mejoró, reduciendo los errores donde la computadora podría perder un objetivo o confundir una nuez con otra.

El estudio demuestra que, al ajustar cuidadosamente estas herramientas digitales a la física específica de la imagen de rayos X y al comportamiento de las nueces en una cinta transportadora, es posible automatizar una tarea que durante mucho tiempo ha dependido del juicio humano. El sistema mejorado no solo encuentra las nueces; entiende su movimiento y su calidad interna con un nivel de precisión que las máquinas tradicionales no pueden igualar. Este trabajo sugiere un camino a seguir para la industria del procesamiento de nueces, donde la velocidad y la calidad son igualmente críticas. Al demostrar que estos algoritmos avanzados pueden adaptarse para manejar las condiciones desordenadas del mundo real en una planta de producción, los investigadores han proporcionado un plano para una clasificación de nueces más eficiente, confiable y automatizada, y potencialmente de otros cultivos similares. Los hallazgos indican que el futuro de la clasificación agrícola no reside solo en máquinas más rápidas, sino en un software más inteligente que pueda ver lo que el ojo humano podría pasar por alto y recordar lo que la mano humana podría olvidar.