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

Dans le monde de l'agriculture, le tri des noix est une tâche qui exige à la fois de la rapidité et un œil exercé. Depuis des siècles, les agriculteurs et les transformateurs comptent sur les mains humaines ou sur de simples tamis mécaniques pour séparer les bonnes noix des mauvaises. Ces méthodes traditionnelles fonctionnent, mais elles sont lentes et manquent souvent de subtiles imperfections cachées profondément à l'intérieur de la coque. Pour voir ce qui se trouve sous l'extérieur dur sans l'ouvrir, les ingénieurs se tournent vers l'imagerie par rayons X. Cette technologie, familière à quiconque a déjà visité un hôpital, utilise un rayonnement invisible qui traverse les objets solides, révélant leur densité interne et leur structure sur un écran. Lorsqu'elle est combinée à la vision par ordinateur moderne, ces images de rayons X peuvent être analysées par un logiciel qui apprend à reconnaître des motifs, distinguant un cerneau charnu et sain d'un autre flétri ou vide. Le défi, cependant, consiste à le faire assez rapidement pour un tapis roulant en mouvement, où les noix défilent dans un flux continu et chaotique. L'ordinateur doit non seulement identifier chaque noix, mais aussi suivre son mouvement d'un instant à l'autre, garantissant qu'elle soit triée correctement même lorsqu'elle s'entrechoque avec ses voisines.

Des chercheurs de l'Université du Xinjiang ont abordé ce problème spécifique en développant un nouveau système conçu pour observer et trier les noix lorsqu'elles circulent dans une machine de tri industrielle. Leur objectif était de créer un œil numérique à la fois assez aiguisé pour voir les détails internes fins et assez rapide pour suivre le rythme d'une ligne d'usine. Ils ont commencé par un outil puissant existant pour la détection d'objets dans les images, un type d'intelligence artificielle connu sous le nom de réseau neuronal, puis l'ont perfectionné spécifiquement pour les défis uniques des rayons X des noix. Dans leurs expériences, ils ont alimenté le système avec des milliers d'images de rayons X de noix, allant de parfaitement pleines à complètement vides, apprenant au logiciel à reconnaître les différences subtiles dans la manière dont le rayonnement traverse la coque et le cerneau à l'intérieur.

Le cœur de leur solution repose sur deux parties opérationnelles qui fonctionnent de concert. La première partie est un détecteur qui scanne les images de rayons X pour trouver chaque noix et déterminer sa qualité. La seconde partie est un traceur qui suit chaque noix lors de son déplacement le long du tapis, lui attribuant une identité unique afin que la machine sache dans quel bac la déposer. Les chercheurs ont constaté que les versions standards de ces outils n'étaient pas tout à fait suffisantes. Les images de rayons X des noix présentent souvent un faible contraste, rendant les détails internes flous, et le logiciel standard perd parfois la trace d'une noix lorsqu'elle se déplace trop rapidement ou qu'elle se rapproche trop d'une autre. Pour y remédier, l'équipe a apporté trois améliorations spécifiques au logiciel de détection. Ils ont ajouté un nouveau mécanisme d'attention qui aide l'ordinateur à se concentrer sur les détails les plus importants et dispersés de l'intérieur de la noix, ignorant l'arrière-plan distrayant. Ils ont remplacé une étape standard d'agrandissement de l'image par une méthode plus dynamique qui préserve les contours lisses et la texture de la noix, évitant ainsi que l'image ne devienne pixélisée ou déformée. Enfin, ils ont rationalisé la partie du système qui combine les différentes couches d'informations, supprimant les calculs inutiles pour rendre l'ensemble du processus plus rapide sans perdre en précision.

Pour la composante de suivi, les chercheurs ont modifié la manière dont le logiciel décide que deux images d'une noix dans des cadres différents appartiennent au même objet. Au lieu de se fier uniquement à la superposition des formes, ils ont introduit une méthode qui prend également en compte la distance entre les centres des formes. Cet ajustement mineur s'est avéré vital lorsque les noix étaient entassées ou partiellement cachées, car il a aidé le système à maintenir un verrouillage constant sur chaque noix individuelle, l'empêchant d'échanger accidentellement d'identité ou de perdre sa trace. Lorsqu'ils ont testé leur système amélioré par rapport aux versions originales, les résultats étaient clairs. Le nouveau détecteur identifiait les noix avec une précision nettement supérieure, capturant plus de défauts subtils et moins de fausses alertes. Il traitait les images à une vitesse de 412 images par seconde, ce qui est assez rapide pour gérer le flux rapide d'une véritable ligne de production. Le système de suivi s'est également amélioré, réduisant les erreurs où l'ordinateur pourrait perdre une cible ou confondre une noix avec une autre.

L'étude démontre qu'en ajustant soigneusement ces outils numériques à la physique spécifique de l'imagerie par rayons X et au comportement des noix sur un tapis roulant, il est possible d'automatiser une tâche qui a longtemps reposé sur le jugement humain. Le système amélioré ne se contente pas de trouver les noix ; il comprend leur mouvement et leur qualité interne avec un niveau de précision que les machines traditionnelles ne peuvent égaler. Ce travail suggère une voie d'avenir pour l'industrie de la transformation des noix, où la vitesse et la qualité sont tout aussi critiques. En prouvant que ces algorithmes avancés peuvent être adaptés pour gérer les conditions réelles et désordonnées d'un plancher d'usine, les chercheurs ont fourni un modèle pour un tri plus efficace, plus fiable et plus automatisé des noix et potentiellement d'autres cultures similaires. Les conclusions indiquent que l'avenir du tri agricole ne réside pas seulement dans des machines plus rapides, mais dans des logiciels plus intelligents capables de voir ce que l'œil humain pourrait manquer et de se souvenir de ce que la main humaine pourrait oublier.