L'application et les perspectives de la vision artificielle dans l'inspection et le classement de la qualité des fruits

Le tri manuel traditionnel des fruits est remplacé par la technologie de vision artificielle, inaugurant une révolution en matière d’efficacité dans l’agriculture moderne.

Dans un centre de production, d'éducation et de recherche agricoles situé dans la ville de Zhongzhuang, dans le comté de Yiyuan, province du Shandong, des caisses de pommes de différentes nuances de vert, de rouge et de calibre sont automatiquement triées par un appareil intelligent. Cet appareil trie et élimine avec précision les fruits malades et de mauvaise qualité en fonction de leur taille, de leur teneur en sucre et de leur couleur.

Ce système d'inspection des fruits basé sur la vision industrielle modifie progressivement la pratique traditionnelle des arboriculteurs qui s'appuient sur leur expérience et le toucher pour déterminer la qualité des fruits, devenant ainsi un élément crucial de la modernisation agricole.

1 Transformation technologique dans l'inspection de la qualité des fruits

La population mondiale connaît une croissance exponentielle d'environ 1,09 % par an, entraînant une hausse de la demande en denrées alimentaires et autres biens de première nécessité. Dans ce contexte, la réduction des pertes post-récolte est devenue un enjeu majeur pour le secteur agricole.

Les fruits et légumes sont particulièrement bénéfiques pour les humains, car ils fournissent une variété de vitamines, de minéraux et d’antioxydants. Cependant, leur nature périssable rend une manipulation efficace et appropriée cruciale pour éviter leur détérioration. Le tri et le calibrage sont les étapes les plus critiques, les plus difficiles et les plus longues de la chaîne post-récolte.

Les méthodes traditionnelles de criblage manuel sont très sensibles aux dommages causés aux fruits et ne conviennent qu'aux petites exploitations. Face à la croissance démographique et à la raréfaction des ressources, la production agricole a un besoin urgent de technologies d'inspection qualité plus efficaces et plus précises.

La technologie de vision artificielle est apparue pour répondre à ce besoin. Elle utilise des ordinateurs pour reproduire la vision humaine, remplaçant ainsi la perception objective du monde tridimensionnel par l'œil humain. Ce domaine interdisciplinaire, englobant l'intelligence artificielle, la neurobiologie, la psychophysique, l'informatique, le traitement d'images et la reconnaissance de formes, offre de nouvelles solutions pour l'inspection de la qualité des fruits.

Le contrôle de la qualité des fruits englobe principalement la qualité externe et interne. Le contrôle externe traditionnel utilise principalement des calibreuses, qui classent les fruits selon des critères tels que la taille et le poids. Cependant, cette méthode ne permet pas d'évaluer avec précision la couleur, la texture et les défauts de surface.

Avec les progrès de la technologie de vision artificielle, les systèmes basés sur la vision par ordinateur ont suscité une attention considérable pour l'évaluation et le classement de la qualité des fruits. Ces technologies sont efficaces, rapides, cohérentes, rapides, fiables et rentables, permettant un traitement des produits adapté aux besoins du marché. Une fois développées, elles ne nécessitent que peu ou pas de connaissances spécialisées et peuvent être appliquées à la production à grande échelle.

2 méthodes techniques fondamentales de la vision artificielle

Les systèmes d'inspection des fruits par vision artificielle se composent généralement de deux sous-systèmes principaux : un système de détection des défauts et un système de tri mécanique. L'architecture matérielle du module de transport et de tri utilise un tapis roulant motorisé pour transporter les fruits, tandis qu'un bras robotisé relié à un servomoteur les trie dans les bacs correspondants en fonction des résultats de l'inspection.

Le module d'acquisition d'images utilise une caméra couleur, couplée à une source lumineuse LED pour éliminer les ombres, afin de capturer des images RVB du fruit en environnement fermé. Un microcontrôleur coordonne les résultats du traitement d'images avec les mouvements mécaniques pour assurer un contrôle en boucle fermée.

Les approches techniques sont principalement classées en algorithmes de traitement d’images traditionnels et en méthodes d’apprentissage en profondeur.

Les solutions de traitement d'image prétraitent l'image RVB dans un espace colorimétrique tel que les niveaux de gris ou le HSV afin d'optimiser la cohérence de l'éclairage. Une segmentation par seuil est ensuite effectuée pour extraire la zone cible. Des opérations morphologiques telles que la dilatation et l'érosion permettent ensuite de supprimer le bruit et d'améliorer les contours. Enfin, le pourcentage de défauts est calculé.

Par exemple, pour la détection des défauts des pommes, le système détermine la fenêtre de traitement d'image, utilise l'opérateur de Sobel et Hilditch pour affiner les contours et identifie le point centroïde représentant le diamètre du fruit, détectant ainsi sa taille et son apparence globales. Les solutions d'apprentissage profond combinent des jeux de données publics avec des images auto-collectées pour constituer une bibliothèque d'apprentissage et améliorer la généralisation des modèles grâce à des techniques d'augmentation des données telles que la rotation, le retournement et le flou. Des structures de réseaux convolutifs personnalisées peuvent être conçues pour prendre en compte les caractéristiques de différents fruits.

Dans une étude menée à l'Université d'agriculture de Faisalabad, des réseaux convolutionnels personnalisés ont été conçus pour les mangues et les tomates, respectivement : le modèle de mangue utilisait une structure convolutionnelle à 7 couches et le modèle de tomate utilisait une structure convolutionnelle à 5 couches, tous deux utilisant un classificateur softmax pour la sortie.

Ces dernières années, la série d'algorithmes YOLO est devenue une nouvelle option pour la détection des fruits. Grâce à l'optimisation de la structure du réseau principal et à l'introduction d'un mécanisme d'attention dynamique, YOLOv8 peut détecter avec plus de précision les changements de texture de la peau des fruits, les différences de couleur et les caractéristiques morphologiques, améliorant ainsi considérablement la précision de l'identification des zones pourries.

Le dernier YOLOv10 élimine même le besoin de suppression non maximale (NMS), réduisant ainsi la surcharge de calcul et améliorant encore l'efficacité de la détection.

3 avantages et avancées techniques

Par rapport à l'inspection manuelle traditionnelle, les systèmes de vision industrielle offrent de multiples avantages techniques. En termes d'efficacité d'inspection, une machine à agrumes à quatre canaux peut traiter 12 à 15 tonnes de fruits en une heure, soit l'équivalent de près d'une semaine de travail pour un seul ouvrier auparavant.

En termes de précision d'inspection, un modèle d'apprentissage profond basé sur CNN affiche un taux de précision vérifié de 95 % pour la détection des défauts des mangues et de 93,5 % pour celle des tomates. En pratique, l'équipement de tri intelligent affiche un taux de précision global de 97 % pour la détection des défauts de surface et de 95 % pour le contrôle qualité interne.

Le système de vision industrielle possède des capacités d'inspection multiparamètres, capables d'évaluer simultanément plusieurs paramètres des caractéristiques des fruits, notamment la taille, la forme, la couleur et les défauts de surface.

Pour détecter la taille, les chercheurs déplacent et font pivoter le fruit pour obtenir des images sous différents angles, calculent le rayon et la surface équatoriaux du fruit et estiment sa taille en traitant le fruit comme un ellipsoïde.

Pour la détection des couleurs, certains fruits ont une seule couleur uniformément répartie sur la peau (couleur primaire), tandis que d'autres (comme les pêches, les pommes et les tomates) ont des couleurs secondaires qui peuvent servir de bon indicateur de maturité.

La détection des défauts de surface est un autre avantage des systèmes de vision industrielle, qui permettent de détecter les imperfections, les dommages et les rayures sur les fruits. Par exemple, la couleur brun-rougeâtre des pommes Golden Delicious peut être détectée et classée grâce à un algorithme spécifique.

Les avantages économiques sont tout aussi significatifs. Grâce à l'installation d'équipements de tri intelligents, les coûts de traitement des entreprises ont été considérablement réduits, passant de 600-800 yuans par tonne à 100 yuans par tonne, soit une réduction de plus de 80 %. Cela améliore non seulement l'efficacité de la production agricole, mais apporte également des avantages économiques tangibles aux producteurs de fruits.

4 cas d'application pratique

L'application de la vision artificielle à l'inspection des fruits s'est avérée efficace dans de nombreuses régions productrices de fruits en Chine. Dans le district de Wuming, à Nanning, au Guangxi, une zone de production clé pour les oranges Wogan, des équipements intelligents ont permis de classer les oranges Wogan en fonction de leurs défauts externes.

Les fabricants locaux faisaient auparavant appel à leurs ouvriers pour trier visuellement les oranges Wogan, une méthode inefficace et incapable d'identifier les lésions internes. Des équipements intelligents permettent de distinguer les « fruits à peau rugueuse », les « fruits ulcérés » et les « fruits en forme de soleil », améliorant considérablement la standardisation des oranges Wogan et faisant de Wuming Wogan une marque de fruits de renommée nationale.

Concernant l'inspection des pommes, les chercheurs ont développé un système spécifique pour inspecter et classer les pommes en fonction de leur qualité externe. Le système capture d'abord trois images couvrant toute la surface de la pomme, puis en extrait les caractéristiques.

La forme de la pomme est décrite par l'opérateur de Fourier, et un réseau neuronal basé sur l'algorithme L-M est utilisé pour classer les pommes par forme. La détection des couleurs convertit les valeurs RVB de l'image en un histogramme (HIS), générant ainsi un histogramme de chromaticité. Un algorithme d'optimisation par essaim de particules est ensuite utilisé pour optimiser le réseau neuronal pour l'étalonnage des couleurs.

Une équipe de recherche de l'Université d'Agriculture de Faisalabad a développé des systèmes d'inspection spécialisés, adaptés aux caractéristiques des mangues et des tomates. Des évaluations expérimentales ont montré que l'algorithme de traitement d'images atteignait des précisions de détection des défauts de 89 % et 92 % pour les mangues et de 95 % pour les tomates, respectivement. Grâce à une architecture CNN, la précision de vérification pour les deux fruits a atteint 95 % et 94 %.

Dans des applications commerciales, des appareils intelligents ont été utilisés pour inspecter et emballer plus de 20 variétés de fruits, dont des pommes, des agrumes, des oranges, des pruneaux, des dattes d'hiver et des prunes. Ces appareils ont été utilisés dans près de 10 provinces, municipalités et régions autonomes, dont le Yunnan, le Guangxi, le Hubei et le Xinjiang, et ont permis d'inspecter et d'emballer au total des millions de tonnes de fruits divers.

5 défis et tendances de développement futures

Bien que la vision artificielle ait réalisé des progrès significatifs dans l'inspection des fruits, elle reste confrontée à plusieurs défis. Les caractéristiques complexes de la surface des fruits, telles que les variations de couleur, les textures diverses et les formes irrégulières, compliquent la précision de l'inspection.

La segmentation par seuil peut facilement échouer lorsque le contraste entre la peau du fruit et l'arrière-plan est faible ou lorsque l'éclairage est inégal. Par exemple, le dégradé jaune-vert de la peau de mangue peut être confondu avec un défaut, ce qui entraîne un taux élevé de faux positifs.

Les différences entre les différentes variétés de fruits augmentent également la difficulté de l’inspection, nécessitant le développement de solutions personnalisées pour chaque fruit.

Les tendances de développement futures présenteront les caractéristiques suivantes : La convergence technologique poussera l'inspection des fruits vers la multimodalité, combinant la détection spectrale, la détection par rayons X, la détection par nez électronique et la détection par résonance magnétique nucléaire pour obtenir une évaluation de la qualité plus complète.

Les capacités de détection dynamique constitueront une orientation clé. Les futures technologies d'inspection de la qualité des fruits évolueront de la détection statique vers la détection dynamique, imposant des exigences accrues en matière de stabilité matérielle et de précision logicielle de traitement d'images.

L'intégration embarquée permettra d'alléger les systèmes, et les modèles légers basés sur l'informatique de périphérie deviendront un axe de recherche prioritaire pour répondre aux exigences de traitement en temps réel.

La prise de décision intelligente continuera de s'améliorer, passant d'un contrôle qualité unique à une gestion globale de la qualité, intégrant l'analyse du Big Data pour prédire la durée de conservation des fruits et la demande du marché. L'industrie du tri des fruits a connu quatre phases de développement : la phase 1.0 s'est concentrée sur le calibre ; la phase 2.0 a ajouté le calibrage et la classification au poids ; la phase 3.0 a mis davantage l'accent sur la couleur ; et la phase 4.0 a commencé à explorer la détection des défauts externes et la qualité interne.

Actuellement, les entreprises chinoises ont atteint un niveau de mécanisation comparable aux normes mondiales en matière de tri des fruits et sont même à la pointe des algorithmes d’intelligence artificielle.

Grâce aux progrès technologiques constants, les systèmes d'inspection visuelle des fruits deviendront de plus en plus intelligents et sophistiqués. De nouveaux algorithmes, comme YOLOv10, ont éliminé le besoin de NMS, réduisant ainsi la charge de calcul. À l'avenir, des modèles encore plus légers pourraient être intégrés directement aux smartphones ou aux appareils portables, permettant aux consommateurs d'effectuer des contrôles qualité des fruits à tout moment.

L'application d'appareils intelligents dans la zone de production de Wogan (Wugan) à Wuhan a démontré que le Wogan trié intelligemment améliore non seulement la qualité, mais élargit également les canaux de distribution et entraîne une croissance durable des revenus des agriculteurs. Cette « tendance technologique » transforme radicalement l'image de l'agriculture traditionnelle, perçue comme « ennuyeuse et brute », insufflant innovation et dynamisme à la production agricole.