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

Nel mondo dell'agricoltura, la selezione delle noci è un compito che richiede sia velocità che un occhio attento. Per secoli, agricoltori ed elaboratori si sono affidati alle mani umane o a semplici setacci meccanici per separare le noci buone da quelle cattive. Questi metodi tradizionali funzionano, ma sono lenti e spesso trascurano difetti sottili nascosti in profondità all'interno del guscio. Per vedere cosa si cela sotto l'esterno duro senza romperlo, gli ingegneri si rivolgono all'imaging a raggi X. Questa tecnologia, familiare a chiunque abbia visitato un ospedale, utilizza radiazioni invisibili che attraversano oggetti solidi, rivelandone la densità interna e la struttura su uno schermo. Quando combinata con la moderna visione artificiale, queste immagini a raggi X possono essere analizzate da software che imparano a riconoscere i modelli, distinguendo un gheriglio pieno e sano da uno raggrinzito o vuoto. La sfida, tuttavia, risiede nel farlo con la velocità necessaria per un nastro trasportatore, dove le noci scorrono in un flusso continuo e caotico. Il computer deve non solo identificare ogni noce, ma anche tracciarne il movimento da un momento all'altro, assicurando che venga selezionata correttamente anche mentre si scontra con le sue vicine.

I ricercatori dell'Università di Xinjiang hanno affrontato questo problema specifico sviluppando un nuovo sistema progettato per osservare e selezionare le noci mentre viaggiano attraverso una macchina di selezione industriale. Il loro obiettivo era creare un occhio digitale che fosse abbastanza nitido da vedere i dettagli interni fini e abbastanza veloce da tenere il passo con il ritmo di una linea di fabbrica. Sono partiti da uno strumento esistente molto potente per trovare oggetti nelle immagini, un tipo di intelligenza artificiale nota come rete neurale, e poi lo hanno perfezionato specificamente per le sfide uniche dei raggi X delle noci. Nei loro esperimenti, hanno alimentato il sistema con migliaia di immagini a raggi X di noci, che andavano da perfettamente piene a completamente vuote, insegnando al software a riconoscere le sottili differenze nel modo in cui la radiazione attraversa il guscio e il gheriglio all'interno.

Il cuore della loro soluzione prevede due parti operative che funzionano in tandem. La prima parte è un rilevatore che scansiona le immagini a raggi X per trovare ogni noce e determinarne la qualità. La seconda parte è un tracciatore che segue ogni noce mentre si muove lungo il nastro, assegnandole un'identità univoca in modo che la macchina sappia in quale contenitore inserirla. I ricercatori hanno scoperto che le versioni standard di questi strumenti non erano abbastanza valide. Le immagini a raggi X delle noci hanno spesso un basso contrasto, rendendo i dettagli interni sfocati, e il software standard perdeva talvolta il tracciamento di una noce quando questa si muoveva troppo velocemente o si avvicinava troppo a un'altra. Per risolvere il problema, il team ha apportato tre miglioramenti specifici al software di rilevamento. Hanno aggiunto un nuovo meccanismo di attenzione che aiuta il computer a concentrarsi sui dettagli più importanti e sparsi dell'interno della noce, ignorando lo sfondo di disturbo. Hanno sostituito un passaggio standard che ingrandisce l'immagine con un metodo più dinamico che preserva i bordi morbidi e la texture della noce, evitando che l'immagine diventi a blocchi o distorta. Infine, hanno snellito la parte del sistema che combina diversi livelli di informazione, eliminando calcoli non necessari per rendere l'intero processo più veloce senza perdere accuratezza.

Per la componente di tracciamento, i ricercatori hanno modificato il modo in cui il software decide che due immagini di una noce in frame diversi appartengono allo stesso oggetto. Invece di affidarsi esclusivamente a quanto le forme si sovrappongono, hanno introdotto un metodo che considera anche la distanza tra i centri delle forme. Questo piccolo aggiustamento si è rivelato vitale quando le noci erano ammassate o parzialmente nascoste, poiché ha aiutato il sistema a mantenere un blocco costante su ogni singola noce, impedendogli di scambiare accidentalmente le identità o di perdere del tutto il tracciamento. Quando hanno testato il loro sistema migliorato rispetto alle versioni originali, i risultati sono stati chiari. Il nuovo rilevatore identificava le noci con un'accuratezza significativamente maggiore, catturando più difetti sottili e meno falsi allarmi. Elaborava le immagini a una velocità di 412 fotogrammi al secondo, il che è sufficiente per gestire il rapido flusso di una vera linea di produzione. Anche il sistema di tracciamento è migliorato, riducendo gli errori in cui il computer poteva perdere un bersaglio o confondere una noce con un'altra.

Lo studio dimostra che, calibrando attentamente questi strumenti digitali sulla fisica specifica dell'imaging a raggi X e sul comportamento delle noci su un nastro trasportatore, è possibile automatizzare un compito che per lungo tempo si è basato sul giudizio umano. Il sistema migliorato non si limita a trovare le noci; comprende il loro movimento e la loro qualità interna con un livello di precisione che le macchine tradizionali non possono eguagliare. Questo lavoro suggerisce una strada percorribile per l'industria della lavorazione delle noci, dove velocità e qualità sono ugualmente critiche. Dimostrando che questi algoritmi avanzati possono essere adattati per gestire le condizioni disordinate e reali di un pavimento di fabbrica, i ricercatori hanno fornito un modello per una selezione di noci più efficiente, affidabile e automatizzata. I risultati indicano che il futuro della selezione agricola non risiede solo in macchine più veloci, ma in software più intelligenti che possano vedere ciò che l'occhio umano potrebbe perdere e ricordare ciò che la mano umana potrebbe dimenticare.