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

Ogni giorno, milioni di uova si muovono lungo i nastri trasportatori nelle strutture di confezionamento, viaggiando dalla fattoria alla tavola. Per la maggior parte del tempo, questo viaggio è fluido, ma la superficie di un uovo è un paesaggio fragile dove la sicurezza può essere compromessa da minacce minuscole e quasi invisibili. Durante il processo di deposizione, le uova possono raccogliere piccoli frammenti di feci, sangue o fango. Questi contaminanti non sono solo antiestetici; spesso trasportano batteri pericolosi come la Salmonella che possono far ammalare le persone se l'uovo non viene manipolato correttamente. Per decenni, l'unico modo per trovare queste minuscole imperfezioni è stato far esaminare ogni singolo uovo da un lavoratore umano, un compito lento e faticoso che dipende dalla vista e dalla capacità di attenzione del lavoratore. Gli esseri umani si stancano, la loro concentrazione cala e inevitabilmente perdono alcuni difetti o scambiano una macchia naturale sul guscio per una sporcizia. Per risolvere questo problema, gli ingegneri si sono rivolti alla visione artificiale, una tecnologia che utilizza telecamere e computer per "vedere" e analizzare il mondo, sperando di automatizzare il processo di ispezione con la velocità di una macchina e l'accuratezza di un occhio esperto.

La sfida, tuttavia, è che il guscio di un uovo non è una tela bianca. Ha la sua texture naturale, un motivo screziato di macchie e variazioni di colore che possono apparire molto simili ai veri contaminanti che il sistema sta cercando di individuare. Quando una telecamera cattura l'immagine di un uovo in movimento, lo sfondo è spesso confuso dalla trama del nastro trasportatore e da un'illuminazione irregolare, creando un rumore visivo che confonde i programmi informatici standard. Questi programmi spesso faticano a distinguere tra una macchia naturale innocua e una sporcizia pericolosa, portando allo scarto inutile delle uova o, peggio, al passaggio di uova pericolose. Ricercatori dell'Università Zhejiang A&F in Cina si sono posti l'obiettivo di costruire un sistema che potesse superare questa confusione, creando un metodo che fosse abbastanza veloce, delicato e preciso da individuare le più piccole imperfezioni su un uovo in movimento.

Il team ha iniziato insegnando al computer come guardare un uovo in modo diverso. Prima ancora che il computer potesse provare a identificare una macchia, i ricercatori dovevano pulire l'immagine che stava vedendo. Hanno sviluppato un processo che isola l'uovo dal suo ambiente circostante, cancellando efficacemente il nastro trasportatore e le ombre dalla vista del computer. Trasformando lo sfondo in un bianco uniforme e luminoso, il sistema costringe il computer a concentrarsi interamente sulla superficie dell'uovo stesso. Questo passaggio è cruciale perché rimuove le distrazioni che di solito confondono il computer. Una volta pulita l'immagine, il computer può vedere molto più chiaramente il contrasto tra il guscio dell'uovo e le macchie scure su di esso, facendo risaltare le piccole sporcizie contro lo sfondo bianco e liscio.

Con le immagini preparate, i ricercatori si sono concentrati sul cervello dell'operazione: un sofisticato programma per computer progettato per riconoscere oggetti. Sono partiti da un potente e moderno sistema di rilevamento noto come YOLOv8s, famoso per la sua velocità e la capacità di trovare elementi nelle immagini. Tuttavia, la versione standard di questo programma non era abbastanza valida per il compito specifico di trovare macchie microscopiche sulle uova. Tendeva a perdere le macchie molto piccole o a scambiare la texture naturale del guscio per un difetto. Per risolvere il problema, i ricercatori hanno aggiunto tre aggiornamenti specifici all'architettura del programma. In primo luogo, hanno aggiunto un modulo che aiuta il computer a comprendere il quadro generale, permettendogli di vedere come le diverse parti dell'immagine siano correlate tra loro a livello globale. In secondo luogo, hanno introdotto un meccanismo che agisce come un riflettore, dicendo al computer di prestare particolare attenzione alle caratteristiche più importanti ignorando il rumore di fondo irrilevante. Infine, hanno aggiunto uno strato specializzato progettato specificamente per catturare oggetti minuscoli, assicurando che anche il più piccolo granello di sporco non venga trascurato.

Il risultato di questi miglioramenti combinati è un nuovo sistema che chiamano AEP2-YOLOv8s. Testato su una vasta collezione di immagini reali di uova, questo sistema aggiornato ha performato significativamente meglio della versione originale. Ha identificato i contaminanti con un alto grado di accuratezza, migliorando la sua capacità di trovare i target corretti di quasi sette punti percentuali rispetto al modello non modificato. Il sistema si è dimostrato particolarmente bravo a distinguere tra i motivi naturali dell'uovo e la vera sporcizia, riducendo il numero di falsi allarmi. È riuscito inoltre a localizzare le macchie con maggiore precisione, tracciando confini più stretti attorno ai difetti. I ricercatori hanno scoperto che, sebbene esistessero altri tipi di meccanismi di attenzione, la specifica combinazione da loro scelta funzionava meglio per questo particolare problema, bilanciando la necessità di velocità con quella di estrema accuratezza.

Questo lavoro dimostra che è possibile automatizzare l'ispezione delle uova senza danneggiarle o rallentare le linee di produzione. Pulendo l'input visivo e perfezionando la capacità del computer di concentrarsi sui dettagli giusti, i ricercatori hanno creato uno strumento capace di gestire la realtà disordinata di un ambiente agricolo. Il sistema non è perfetto; affronta ancora sfide quando le macchie sono estremamente tenui o quando le condizioni di illuminazione sono difficili, ma rappresenta un passo avanti importante. Lo studio suggerisce che, combinando la pulizia delle immagini con aggiornamenti intelligenti e mirati al software di rilevamento, possiamo costruire macchine che siano molto più affidabili dell'occhio umano nel individuare le più piccole minacce alla sicurezza alimentare. Questo approccio offre una via pratica per garantire che le uova che arrivano sulle nostre tavole siano pulite e sicure, mantenendo al contempo la produzione ai ritmi elevati richiesti dall'agricoltura moderna.