Rapid and non-destructive identification of micro-contaminants on eggshell surfaces based on machine vision and deep learning

हर दिन, पैकिंग सुविधाओं में लाखों अंडे कन्वेयर बेल्ट के माध्यम से चलते हैं, जो खेत से मेज तक का सफर तय करते हैं। अधिकांशतः, यह यात्रा सुगम होती है, लेकिन अंडे की सतह एक नाजुक परिदृश्य है जहाँ सुरक्षा को सूक्ष्म, लगभग अदृश्य खतरों से समझौता किया जा सकता है। अंडे देने की प्रक्रिया के दौरान, अंडों पर मल, रक्त या कीचड़ के छोटे कण लग सकते हैं। ये दूषित पदार्थ न केवल देखने में खराब लगते हैं; वे अक्सर साल्मोनेला (Salmonella) जैसे खतरनाक बैक्टीरिया भी ले जाते हैं जो लोगों को बीमार कर सकते हैं यदि अंडे को सही ढंग से नहीं संभाला गया। दशकों तक, इन सूक्ष्म दोषों को खोजने का एकमात्र तरीका यह था कि एक मानव कार्यकर्ता हर एक अंडे को देखता, जो एक धीमी और थका देने वाली नौकरी थी जो कार्यकर्ता की दृष्टि और ध्यान अवधि पर निर्भर करती थी। मनुष्य थक जाते हैं, उनका ध्यान भटक जाता है, और वे अनिवार्य रूप से कुछ दोषों को मिस कर देते हैं या खोल के प्राकृतिक निशान को दाग समझ लेते हैं। इसे हल करने के लिए, इंजीनियरों ने मशीन विजन की ओर रुख किया है, जो एक ऐसी तकनीक है जो दुनिया को "देखने" और उसका विश्लेषण करने के लिए कैमरों और कंप्यूटरों का उपयोग करती है, इस उम्मीद में कि मशीन की गति और प्रशिक्षित आंख की सटीकता के साथ निरीक्षण प्रक्रिया को स्वचालित किया जा सके।

हालाँकि, चुनौती यह है कि अंडे का खोल कोई कोरा कैनवास नहीं है। इसमें अपना स्वयं का प्राकृतिक टेक्सचर है, धब्बों और रंग के विविध पैटर्न का एक चितकबरा स्वरूप है जो वास्तविक दूषित पदार्थों के समान दिख सकता है जिन्हें खोजने की प्रणाली कोशिश कर रही है। जब एक कैमरा चलते हुए अंडे की छवि कैप्चर करता है, तो बैकग्राउंड अक्सर कन्वेयर बेल्ट की बनावट और असमान रोशनी से भरा होता है, जो एक दृश्य शोर (visual noise) पैदा करता है जो मानक कंप्यूटर प्रोग्रामों को भ्रमित कर देता है। ये प्रोग्राम अक्सर एक हानिरहित प्राकृतिक धब्बे और एक खतरनाक दाग के बीच अंतर करने में संघर्ष करते हैं, जिससे अंडे अनावश्यक रूप से फेंक दिए जाते हैं या, और भी बुरा, खतरनाक अंडे चूक जाते हैं। चीन के झेजियांग ए एंड एफ यूनिवर्सिटी (Zhejiang A&F University) के शोधकर्ताओं ने एक ऐसा सिस्टम बनाने का लक्ष्य रखा जो इस भ्रम को दूर कर सके, एक ऐसी विधि बना सके जो चलती हुई अंडे पर सबसे छोटे दोषों को पहचानने के लिए पर्याप्त तेज़, कोमल और सटीक हो।

टीम ने कंप्यूटर को अंडे को अलग तरह से देखना सिखाने से शुरुआत की। इससे पहले कि कंप्यूटर दाग की पहचान करने की कोशिश भी करता, शोधकर्ताओं को उस छवि को साफ करना था जिसे वह देख रहा था। उन्होंने एक ऐसी प्रक्रिया विकसित की जो अंडे को उसके परिवेश से अलग करती है, प्रभावी रूप से कंप्यूटर के दृश्य से कन्वेयर बेल्ट और छायाओं को मिटा देती है। बैकग्राउंड को एक समान, चमकदार सफेद रंग में बदलकर, सिस्टम कंप्यूटर को पूरी तरह से अंडे की सतह पर ध्यान केंद्रित करने के लिए मजबूर करता है। यह कदम महत्वपूर्ण है क्योंकि यह उन विकर्षणों को हटा देता है जो आमतौर पर कंप्यूटर को भ्रमित करते हैं। एक बार छवि साफ हो जाने के बाद, कंप्यूटर अंडे के खोल और उस पर मौजूद किसी भी गहरे धब्बे के बीच के कंट्रास्ट को बहुत अधिक स्पष्ट रूप से देख सकता है, जिससे छोटे दाग चिकने, सफेद बैकग्राउंड के सामने उभर कर आते हैं।

छवियों को तैयार करने के बाद, शोधकर्ताओं ने ऑपरेशन के मस्तिष्क की ओर रुख किया: वस्तुओं को पहचानने के लिए डिज़ाइन किया गया एक परिष्कृत कंप्यूटर प्रोग्राम। उन्होंने एक शक्तिशाली, आधुनिक डिटेक्शन सिस्टम से शुरुआत की जिसे YOLOv8s के रूप में जाना जाता है, जो अपनी गति और चित्रों में चीजों को खोजने की क्षमता के लिए प्रसिद्ध है। हालाँकि, इस प्रोग्राम का मानक संस्करण अंडों पर सूक्ष्म दागों को खोजने के विशिष्ट कार्य के लिए पर्याप्त अच्छा नहीं था। यह बहुत छोटे धब्बों को मिस करने या खोल की प्राकृतिक बनावट को दोष समझने की प्रवृत्ति रखता था। इसे ठीक करने के लिए, शोधकर्ताओं ने प्रोग्राम के आर्किटेक्चर में तीन विशिष्ट अपग्रेड जोड़े। सबसे पहले, उन्होंने एक ऐसा मॉड्यूल जोड़ा जो कंप्यूटर को बड़ी तस्वीर (big picture) समझने में मदद करता है, जिससे यह देखने में सक्षम होता है कि छवि के विभिन्न हिस्से वैश्विक स्तर पर एक-दूसरे से कैसे संबंधित हैं। दूसरा, उन्होंने एक ऐसा तंत्र पेश किया जो एक स्पॉटलाइट की तरह काम करता है, जो कंप्यूटर को निर्देश देता है कि वह अप्रासंगिक बैकग्राउंड शोर को अनदेखा करते हुए सबसे महत्वपूर्ण विशेषताओं पर अतिरिक्त ध्यान दे। अंत में, उन्होंने विशेष रूप से सूक्ष्म वस्तुओं को पकड़ने के लिए डिज़ाइन किया गया एक विशेष लेयर जोड़ा, यह सुनिश्चित करते हुए कि गंदगी का सबसे छोटा कण भी छूट न जाए।

इन संयुक्त सुधारों का परिणाम एक नया सिस्टम है जिसे वे AEP2-YOLOv8s कहते हैं। वास्तविक अंडे की छवियों के एक बड़े संग्रह पर परीक्षण किए जाने पर, इस अपग्रेड किए गए सिस्टम ने मूल संस्करण की तुलना में काफी बेहतर प्रदर्शन किया। इसने उच्च सटीकता के साथ दूषित पदार्थों की सफलतापूर्वक पहचान की, और अनमॉडिफाइड मॉडल की तुलना में अपने सही लक्ष्यों को खोजने की क्षमता में लगभग सात प्रतिशत सुधार किया। सिस्टम विशेष रूप से अंडे के प्राकृतिक पैटर्न और वास्तविक गंदगी के बीच अंतर करने में अच्छा साबित हुआ, जिससे गलत अलार्म की संख्या कम हो गई। इसने दोषों के चारों ओर सख्त सीमाएं खींचते हुए, अधिक सटीकता के साथ दागों का पता लगाने में भी सफलता प्राप्त की। शोधकर्ताओं ने पाया कि हालांकि अन्य प्रकार के अटेंशन मैकेनिज्म मौजूद थे, लेकिन उनके द्वारा चुना गया विशिष्ट संयोजन इस विशेष समस्या के लिए सबसे अच्छा काम करता था, जो अत्यधिक सटीकता की आवश्यकता के साथ गति का संतुलन बनाता है।

यह कार्य यह प्रदर्शित करता है कि अंडों के निरीक्षण को उन्हें नुकसान पहुँचाए बिना या उत्पादन लाइनों की गति कम किए बिना स्वचालित करना संभव है। विजुअल इनपुट को साफ करके और सही विवरणों पर ध्यान केंद्रित करने की कंप्यूटर की क्षमता को परिष्कृत करके, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो खेत के वातावरण की अव्यवस्था को संभाल सकता है। सिस्टम पूर्ण नहीं है; यह अभी भी चुनौतियों का सामना करता है जब दाग अत्यंत धुंधले होते हैं या जब प्रकाश की स्थितियाँ कठिन होती हैं, लेकिन यह एक बड़ा कदम है। अध्ययन सुझाव देता है कि इमेज क्लीनिंग को डिटेक्शन सॉफ्टवेयर के स्मार्ट, लक्षित अपग्रेड के साथ जोड़कर, हम ऐसे मशीन बना सकते हैं जो खाद्य सुरक्षा के लिए सबसे छोटे खतरों को पहचानने में मानवीय आंखों की तुलना में कहीं अधिक विश्वसनीय हों। यह दृष्टिकोण यह सुनिश्चित करने के लिए एक व्यावहारिक मार्ग प्रदान करता है कि हमारे मेज तक पहुँचने वाले अंडे साफ और सुरक्षित हों, और साथ ही आधुनिक कृषि की आवश्यक उच्च गति पर उत्पादन लाइन को भी चालू रखा जा सके।