A Method for 3D Morphological Measurement and Cutting Point Localization of Green Asparagus Based on Improved YOLOv8n-seg and RGB-D Data

सब्जी के एक शांत खेत की पंक्तियों में, एक सरल लेकिन जिद्दी समस्या लंबे समय से किसानों को परेशान कर रही है: ऐसी फसल की कटाई कैसे की जाए जो तेजी से बढ़ती है, भीड़ में बढ़ती है, और स्थिर रहने से इनकार करती है। शतावरी (asparagus) एक बारहमासी पौधा है जो हर वसंत में कोमल अंकुर भेजता है, लेकिन ये अंकुर एक समान नहीं होते। वे मुड़ते हैं, टेढ़े होते हैं, और अक्सर अपनी जड़ों को मिट्टी में गहराई तक छिपा लेते हैं, जिससे मशीन के लिए यह जानना मुश्किल हो जाता है कि ठीक कहाँ से काटना है। दशकों से, इसका अर्थ यह रहा है कि कटाई पूरी तरह से मानव हाथों पर निर्भर करती है, जो एक श्रम-साध्य प्रक्रिया है और जो तेजी से महंगी और स्टाफ जुटाने में कठिन होती जा रही है। इसे हल करने के लिए, वैज्ञानिकों ने कंप्यूटर विजन के क्षेत्र की ओर रुख किया है, जो तकनीक की एक शाखा है जो मशीनों को कैमरों के माध्यम से दुनिया को "देखने" और समझने के लिए प्रशिक्षित करती है। लक्ष्य एक ऐसा रोबोट बनाना है जो शतावरी के एक पैच को देख सके, पहचान सके कि कौन से डंठल खाने के लिए तैयार हैं, उनके आकार को माप सके, और उन्हें धरती से अलग करने के लिए सटीक स्थान का पता लगा सके। हालांकि, मशीन को यह करने के लिए सिखाना केवल एक तस्वीर लेने जितना सरल नहीं है; पौधे का अनियमित आकार और खेत की जटिल रोशनी एक दृश्य पहेली बनाते हैं जिसे मानक सॉफ्टवेयर अक्सर हल करने में विफल रहता है।

जियांग्शी एकेडमी ऑफ एग्रीकल्चरल साइंसेज और चाइनीज एकेडमी ऑफ एग्रीकल्चरल साइंसेज के शोधकर्ताओं की एक टीम ने हाल ही में एक नया तरीका विकसित किया है जिससे रोबोट को हरी शतावरी स्पष्ट रूप से देखने में मदद मिल सके। उन्होंने एक विशेष कंप्यूटर प्रोग्राम बनाया, जो कृत्रिम बुद्धिमत्ता (AI) का एक प्रकार है जिसे एक तस्वीर में व्यक्तिगत पौधों को पहचानने और उनकी रूपरेखा बनाने के लिए डिज़ाइन किया गया है। शोधकर्ताओं ने छवियों में वस्तुओं को खोजने के लिए एक मौजूदा, प्रसिद्ध प्रणाली से शुरुआत की लेकिन उन्हें एहसास हुआ कि एक खेत में चलते हुए रोबोट के लिए यह बहुत भारी और धीमी थी। मूल प्रणाली एक शक्तिशाली लेकिन भारी इंजन की तरह थी जो एक छोटी, बैटरी से चलने वाली मशीन के लिए व्यावहारिक होने के लिए बहुत अधिक ईंधन खर्च करती थी। इसे ठीक करने के लिए, टीम ने प्रोग्राम के मूल भाग को फिर से डिजाइन किया, अनावश्यक वजन को हटाते हुए इसे शतावरी के डंठल के विशिष्ट, पतले आकार को पहचानने में अधिक तेज बनाया। उन्होंने प्रणाली के मानक "मस्तिष्क" को एक अधिक कुशल संरचना से बदल दिया जो सटीकता खोए बिना जानकारी को तेजी से संसाधित कर सकती थी। उन्होंने कंप्यूटर को पौधे की लंबी, पतली प्रकृति को समझने और खरपतवार या छाया के शोर को अनदेखा करने में मदद करने के लिए विशेष उपकरण भी जोड़े जो इसे भ्रमित कर सकते थे।

इस पुनर्गठन का परिणाम SES-YOLO नामक एक नया मॉडल है, जो एक संभावित कटाई रोबोट के लिए आँखों के रूप में कार्य करता है। जब यह मॉडल शतावरी के खेत की एक छवि देखता है, तो यह केवल पौधे को ही नहीं ढूंढता; बल्कि यह प्रत्येक डंठल के चारों ओर एक सटीक रूपरेखा खींचता है, उसे मिट्टी और पत्तियों से अलग करता है। यह एक महत्वपूर्ण कदम है क्योंकि, स्पष्ट त्वचा या विशिष्ट आकार वाले फलों के विपरीत, शतावरी एक लंबा, निरंतर तना है जो किसी भी दिशा में मुड़ सकता है। शोधकर्ताओं ने अपने नए मॉडल का परीक्षण कई अन्य लोकप्रिय प्रणालियों के विरुद्ध किया और पाया कि यह न केवल तेज था बल्कि अधिक सटीक भी था। अपने परीक्षणों में, नए मॉडल ने 98.6 प्रतिशत की सटीकता के साथ शतावरी के डंठल की सही पहचान की और रूपरेखा बनाई, जिसका अर्थ है कि इसने शायद ही कभी किसी पौधे को छोड़ा या किसी खरपतवार को फसल समझकर भ्रमित किया। यह पुराने संस्करणों की तुलना में काफी तेजी से भी चला, जो चलते हुए रोबोट के साथ तालमेल बिठाने के लिए पर्याप्त तेजी से छवियों को संसाधित करता है। यह गति महत्वपूर्ण है क्योंकि एक कटाई करने वाला रोबोट धीमे कंप्यूटर के सोचने का इंतजार नहीं कर सकता; उसे पंक्ति में चलते समय वास्तविक समय में निर्णय लेना चाहिए।

एक बार जब कंप्यूटर सफलतापूर्वक पौधे की रूपरेखा बना लेता है, तो अगली चुनौती इसे मापना और यह तय करना है कि कहाँ काटना है। शोधकर्ताओं ने दृश्य रूपरेखा को डेप्थ कैमरा (depth camera) से प्राप्त डेटा के साथ जोड़ा, जो एक विशेष प्रकार का लेंस है जो बता सकता है कि छवि का प्रत्येक हिस्सा कितनी दूर है। इस दूरी की जानकारी के साथ इस सपाट चित्र को मिलाकर, सिस्टम शतावरी के डंठल की वास्तविक लंबाई और मोटाई की गणना कर सकता है, भले ही वह मुड़ा हुआ हो। उन्होंने पाया कि डंठल को छोटे खंडों में तोड़कर और प्रत्येक को मापकर, वे 2 प्रतिशत से कम के औसत त्रुटि के साथ कुल लंबाई निर्धारित कर सकते हैं। सटीकता का यह स्तर महत्वपूर्ण है क्योंकि किसानों को यह जानने की आवश्यकता होती है कि फसल कटाई के लिए तैयार है या नहीं। सिस्टम "कटाई बिंदु" (cutting point) का भी पता लगाता है, जो तने पर वह विशिष्ट स्थान है जहाँ खाने योग्य भाग शुरू होता है और सख्त, लकड़ी जैसा जड़ वाला हिस्सा समाप्त होता है। चूंकि कोमल हरे शीर्ष और सफेद भूमिगत जड़ के बीच का संक्रमण अक्सर मिट्टी की सतह के ठीक नीचे छिपा होता है, इसलिए शोधकर्ताओं ने सिस्टम को डंठल की ज्यामिति के आधार पर इस बिंदु का अनुमान लगाने के लिए प्रोग्राम किया। अपने फील्ड परीक्षणों में, सिस्टम ने केवल 0.34 सेंटीमीटर की औसत त्रुटि के साथ इस कटाई बिंदु का पता लगाया, जो त्रुटि का इतना छोटा मार्जिन है कि एक यांत्रिक हाथ आसानी से इसके अनुसार समायोजित हो सकता है।

यह सिद्ध करने के लिए कि यह प्रणाली वास्तविक दुनिया में काम कर सकती है, शोधकर्ताओं ने अपने नए प्रोग्राम को एक छोटे, पोर्टेबल कंप्यूटर पर स्थापित किया, जिसे रोबोटों के लिए डिज़ाइन किया गया 'जेटसन ओरिन एनएक्स' (Jetson Orin NX) कहा जाता है। यह उपकरण जटिल सॉफ़्टवेयर चलाने के लिए पर्याप्त शक्तिशाली है लेकिन इतना छोटा और कुशल है कि इसे खेत में रोबोट द्वारा ले जाया जा सके। जब उन्होंने इस हार्डवेयर पर सिस्टम का परीक्षण किया, तो इसने 38.69 फ्रेम प्रति सेकंड की गति से छवियों को संसाधित किया। इसका अर्थ है कि रोबोट एक सेकंड में 38 से अधिक बार "देख" सकता है और निर्णय ले सकता है, जो कटाई के दौरान आवश्यक तीव्र गतिविधियों को संभालने के लिए पर्याप्त गति है। शोधकर्ताओं ने नोट किया कि यह गति मूल, बिना संशोधित प्रणाली की तुलना में लगभग 60 प्रतिशत तेज थी, जो यह प्रदर्शित करती है कि उनके हल्के डिजाइन ने गति की आवश्यकता और सटीकता की आवश्यकता के बीच सफलतापूर्वक संतुलन बनाया है। अध्ययन निष्कर्ष निकालता है कि यह दृष्टिकोण स्वचालित शतावरी हार्वेस्टर बनाने के लिए एक विश्वसनीय तकनीकी आधार प्रदान करता है, जो मैन्युअल रूप से चुनने के कठिन श्रम को एक ऐसी मशीन से बदलने का तरीका प्रदान करता है जो मानव जैसी सटीकता के साथ देख, माप और काट सकती है।