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

No mundo da agricultura, a classificação de nozes é uma tarefa que exige tanto velocidade quanto um olhar atento. Durante séculos, agricultores e processadores confiaram em mãos humanas ou peneiras mecânicas simples para separar nozes boas de ruins. Esses métodos tradicionais funcionam, mas são lentos e muitas vezes deixam passar falhas sutis escondidas profundamente dentro da casca. Para ver o que reside sob o exterior duro sem quebrá-lo, engenheiros recorrem à imagem de raio-X. Esta tecnologia, familiar para qualquer pessoa que já tenha visitado um hospital, utiliza radiação invisível para atravessar objetos sólidos, revelando sua densidade e estrutura interna em uma tela. Quando combinada com a visão computacional moderna, essas imagens de raio-X podem ser analisadas por um software que aprende a reconhecer padrões, distinguindo um núcleo carnudo e saudável de um murcho ou vazio. O desafio, entretanto, reside em fazer isso rápido o suficiente para uma esteira transportadora, onde as nozes passam em um fluxo contínuo e caótico. O computador deve não apenas identificar cada noz, mas também rastrear seu movimento de um momento para o outro, garantindo que seja classificada corretamente mesmo enquanto se amontoa contra suas vizinhas.

Pesquisadores da Universidade de Xinjiang enfrentaram esse problema específico ao desenvolver um novo sistema projetado para observar e classificar nozes enquanto elas viajam através de uma máquina de classificação industrial. O objetivo deles era criar um olho digital que fosse tão nítido para ver detalhes internos finos quanto rápido para acompanhar o ritmo de uma linha de produção. Eles começaram com uma ferramenta existente poderosa para encontrar objetos em imagens, um tipo de inteligência artificial conhecida como rede neural, e então a refinaram especificamente para os desafios únicos dos raios-X de nozes. Em seus experimentos, eles alimentaram o sistema com milhares de imagens de raio-X de nozes, variando de perfeitamente cheias a completamente vazias, ensinando o software a reconhecer as diferenças sutis na forma como a radiação atravessa a casca e o núcleo dentro dela.

O cerne de sua solução envolve duas partes operacionais que funcionam em conjunto. A primeira parte é um detector que varre as imagens de raio-X para encontrar cada noz e determinar sua qualidade. A segunda parte é um rastreador que segue cada noz conforme ela se move ao longo da esteira, atribuindo-lhe uma identidade única para que a máquina saiba em qual compartimento deve depositá-la. Os pesquisadores descobriram que as versões padrão dessas ferramentas não eram suficientemente boas. As imagens de raio-X de nozes frequentemente apresentam baixo contraste, fazendo com que os detalhes internos pareçam borrados, e o software padrão às vezes perdia o rastro de uma noz quando ela se movia muito rapidamente ou ficava muito próxima de outra. Para corrigir isso, a equipe fez três melhorias específicas no software de detecção. Eles adicionaram um novo mecanismo de atenção que ajuda o computador a focar nos detalhes mais importantes e dispersos do interior da noz, ignorando o fundo de distração. Eles substituíram uma etapa padrão que amplia a imagem por um método mais dinâmico que preserva as bordas suaves e a textura da noz, evitando que a imagem se torne quadriculada ou distorcida. Finalmente, eles simplificaram a parte do sistema que combina diferentes camadas de informação, removendo cálculos desnecessários para tornar todo o processo mais rápido sem perder a precisão.

Para o componente de rastreamento, os pesquisadores alteraram a forma como o software decide que duas imagens de uma noz em quadros diferentes pertencem ao mesmo objeto. Em vez de depender apenas de quanto as formas se sobrepõem, eles introduziram um método que também considera a distância entre os centros das formas. Esse pequeno ajuste provou ser vital quando as nozes estavam aglomeradas ou parcialmente escondidas, pois ajudou o sistema a manter um bloqueio constante em cada noz individual, evitando que ela trocasse acidentalmente de identidade ou perdesse o rastro completamente. Quando testaram seu sistema melhorado contra as versões originais, os resultados foram claros. O novo detector identificou as nozes com precisão significativamente maior, capturando mais defeitos sutis e menos alarmes falsos. Ele processou imagens a uma velocidade de 412 quadros por segundo, o que é rápido o suficiente para lidar com o fluxo rápido de uma linha de produção real. O sistema de rastreamento também melhorou, reduzindo erros onde o computador poderia perder um alvo ou confundir uma noz com outra.

O estudo demonstra que, ao ajustar cuidadosamente essas ferramentas digitais à física específica da imagem de raio-X e ao comportamento das nozes em uma esteira transportadora, é possível automatizar uma tarefa que há muito tempo depende do julgamento humano. O sistema melhorado não apenas encontra as nozes; ele entende seu movimento e sua qualidade interna com um nível de precisão que as máquinas tradicionais não conseguem igualar. Este trabalho sugere um caminho a seguir para a indústria de processamento de nozes, onde velocidade e qualidade são igualmente críticas. Ao provar que esses algoritmos avançados podem ser adaptados para lidar com as condições desordenadas do mundo real de um chão de fábrica, os pesquisadores forneceram um modelo para a classificação mais eficiente, confiável e automatizada de nozes e, potencialmente, de outras culturas semelhantes. Os achados indicam que o futuro da classificação agrícola não reside apenas em máquinas mais rápidas, mas em softwares mais inteligentes que podem ver o que o olho humano pode perder e lembrar o que a mão humana pode esquecer.