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

In de wereld van de landbouw is het sorteren van noten een taak die zowel snelheid als een scherp oog vereist. Eeuwenlang hebben boeren en verwerkers vertrouwd op menselijke handen of eenvoudige mechanische zeven om goede walnoten van slechte te scheiden. Deze traditionele methoden werken, maar ze zijn traag en missen vaak subtiele gebreken die diep in de schil verborgen zitten. Om te zien wat er onder de harde buitenkant ligt zonder deze open te breken, wenden ingenieurs zich tot röntgenbeeldvorming. Deze technologie, bekend bij iedereen die wel eens een ziekenhuis heeft bezocht, gebruikt onzichtbare straling die door vaste objecten heen gaat, waardoor de interne dichtheid en structuur op een scherm zichtbaar worden. Wanneer deze röntgenbeelden worden gecombineerd met moderne computervisie, kunnen de beelden worden geanalyseerd door software die leert patronen te herkennen, waarbij het onderscheid maakt tussen een volle, gezonde kern en een verschrompelde of lege kern. De uitdaging ligt echter in het doen van dit proces snel genoeg voor een bewegende transportband, waar walnoten voorbijstromen in een continue, chaotische stroom. De computer moet niet alleen elke noot identificeren, maar ook de beweging ervan van het ene moment naar het volgende volgen, om ervoor te zorgen dat deze correct wordt gesorteerd, zelfs wanneer deze tegen zijn buren aan botst.

Onderzoekers aan de Xinjiang University hebben dit specifieke probleem aangepakt door een nieuw systeem te ontwikkelen dat ontworpen is om walnoten te observeren en te sorteren terwijl ze door een industriële sorteermachine reizen. Hun doel was om een digitaal oog te creëren dat zowel scherp genoeg is om fijne interne details te zien als snel genoeg om het tempo van een productielijn bij te houden. Ze begonnen met een krachtig bestaand hulpmiddel voor het vinden van objecten in afbeeldingen, een type kunstmatige intelligentie dat bekend staat als een neuraal netwerk, en verfijnden dit vervolgens specif specifiek voor de unieke uitdagingen van walnoot-röntgenfoto's. In hun experimenten voedden ze het systeem met duizenden röntgenbeelden van walnoten, variërend van perfect vol tot volledig leeg, om de software te leren de subtiele verschillen te herkennen in de manier waarop de straling door de schil en de kern binnenin gaat.

De kern van hun oplossing bestaat uit twee werkende onderdelen die samenwerken. Het eerste deel is een detector die de röntgenbeelden scant om elke walnoot te vinden en de kwaliteit ervan te bepalen. Het tweede deel is een tracker die elke walnoot volgt terwijl deze over de band beweegt, waarbij het een unieke identiteit toekent zodat de machine weet in welke bak hij de noot moet laten vallen. De onderzoekers ontdekten dat de standaardversies van deze tools niet goed genoeg waren. De röntgenbeelden van walnoten hebben vaak een laag contrast, waardoor de interne details wazig lijken, en de standaardsoftware verloor soms het spoor van een noot wanneer deze te snel bewoog of te dicht bij een andere kwam. Om dit op te lossen, heeft het team drie specifieke verbeteringen aangebracht in de detectiesoftware. Ze voegden een nieuw aandachtmechanisme toe dat de computer helpt te focussen op de belangrijkste, verspreide details van het binnenste van de walnoot, terwijl de afleidende achtergrond wordt genegeerd. Ze vervingen een standaardstap die de afbeelding vergroot door een meer dynamische methode die de vloeiende randen en textuur van de noot behoudt, waardoor voorkomt dat het beeld blokkerig of vervormd raakt. Ten slotte hebben ze het deel van het systeem dat verschillende informatielagen combineert gestroomlijnd, waarbij onnodige berekeningen zijn verwijderd om het hele proces sneller te maken zonder aan nauwkeurigheid in te boeten.

Voor het trackingcomponent hebben de onderzoekers de manier veranderd waarop de software besluit dat twee afbeeldingen van een walnoot in verschillende frames bij hetzelfde object horen. In plaats van uitsluitend te vertrouwen op de mate waarin de vormen overlappen, introduceerden ze een methode die ook de afstand tussen de centra van de vormen overweegt. Deze kleine aanpassing bleek cruciaal wanneer walnoten dicht op elkaar gepakt zaten of gedeeltelijk verborgen waren, omdat het het systeem hielp een constante grip op elke individuele noot te behouden, waardoor het voorkomen werd dat de computer per ongeluk van identiteit wisselde of het spoor volledig verloor. Toen ze hun verbeterde systeem testten tegenover de originele versies, waren de resultaten duidelijk. De nieuwe detector identificeerde walnoten met aanzienlijk hogere nauwkeurigheid, waardoor meer subtiele defecten werden opgemerkt en minder valse meldingen ontstonden. Het verwerkte beelden met een snelheid van 412 frames per seconde, wat snel genoeg is om de snelle stroom van een echte productielijn aan te kunnen. Het trackingsysteem verbeterde ook, waardoor fouten waarbij de computer een doelwit verloor of een noot met een andere verwart, werden verminderd.

De studie toont aan dat door deze digitale instrumenten zorgvuldig af te stemmen op de specifieke fysica van röntgenbeeldvorming en het gedrag van walnoten op een transportband, het mogelijk is om een taak te automatiseren die lang op menselijk oordeel heeft geleund. Het verbeterde systeem vindt niet alleen de noten; het begrijpt hun beweging en hun interne kwaliteit met een precisieniveau dat traditionele machines niet kunnen evenaren. Dit werk suggereert een pad voorwaarts voor de notenverwerkingsindustrie, waar snelheid en kwaliteit even cruciaal zijn. Door te bewijzen dat deze geavanceerde algoritmen kunnen worden aangepast om de rommelige, reële omstandigheden van een fabrieksvloer aan te kunnen, hebben de onderzoekers een blauwdruk geboden voor een efficiëntere, betrouwbaardere en meer geautomatiseerde sortering van walnoten en potentieel andere soortgelijke gewassen. De bevindingen wijzen erop dat de toekomst van het sorteren in de landbouw niet alleen ligt in snellere machines, maar in slimmere software die kan zien wat het menselijk oog misschien mist en kan onthouden wat de menselijke hand misschien vergeet.