Recherche et application d'une technologie d'inspection de la qualité des fruits basée sur la vision par ordinateur
Le contrôle de la qualité des fruits est un maillon essentiel de la chaîne de valeur agricole moderne, influençant directement leur valeur commerciale et leur compétitivité sur le marché. Grâce au développement rapide des technologies de vision par ordinateur et d'intelligence artificielle, le contrôle des fruits est passé du tri manuel traditionnel à un traitement intelligent et automatisé. Cet article passe en revue les progrès de la recherche et les perspectives d'application des technologies de contrôle de la qualité des fruits basées sur la vision par ordinateur.
1. Principes techniques et composition du système d'inspection visuelle des fruits
Un système d'inspection des fruits basé sur la vision par ordinateur acquiert principalement des images numériques des fruits grâce à un équipement d'acquisition d'images. Ensuite, des algorithmes de traitement d'images ou des modèles d'apprentissage profond sont utilisés pour analyser ces images, extrayant des paramètres caractéristiques tels que la taille, la forme, la couleur et les défauts de surface des fruits, permettant ainsi un classement et une évaluation de la qualité automatisés.
Un système de calibrage automatisé de fruits typique comprend deux sous-systèmes principaux : un système de détection des défauts et un système de tri mécanique. Du point de vue matériel, le système se compose généralement d'un convoyeur, d'un module d'acquisition d'images, d'une unité de contrôle et d'un actionneur. Le module d'acquisition d'images utilise une caméra CCD ou USB associée à une source lumineuse LED pour capturer des images RVB des fruits dans un environnement clos, éliminant ainsi les ombres et les interférences lumineuses extérieures. L'unité de contrôle, quant à elle, utilise un microcontrôleur pour coordonner le traitement des images avec les actions mécaniques, assurant ainsi un contrôle en boucle fermée.
L'algorithme de traitement d'image prétraite l'image RGB en la convertissant en niveaux de gris, HSV et autres espaces colorimétriques afin d'optimiser l'homogénéité de l'éclairage. Il extrait ensuite la région cible par segmentation par seuillage, applique des opérations morphologiques telles que la dilatation et l'érosion pour réduire le bruit et améliorer la netteté des contours, et calcule enfin la proportion de zones défectueuses. Par exemple, si cette proportion est supérieure à 5 %, le fruit est considéré comme non conforme.
2. Comparaison des techniques traditionnelles de traitement d'images et d'apprentissage profond
La technologie d'inspection visuelle des fruits se développe principalement selon deux voies : l'une est basée sur les méthodes traditionnelles de traitement d'images, et l'autre sur les méthodes d'apprentissage profond.
Les techniques traditionnelles de traitement d'images utilisent principalement l'extraction de caractéristiques de couleur et de texture, combinée à des algorithmes d'apprentissage automatique, pour détecter la qualité des fruits. Shao Yu et al. ont proposé une méthode de détection des maladies des feuilles de pommier basée sur le traitement d'images. Ils ont utilisé les algorithmes GrabCut et de segmentation par ligne de partage des eaux pour supprimer l'arrière-plan, puis extrait les caractéristiques des maladies foliaires grâce à un algorithme de projection de préservation locale discriminante. Enfin, ils ont détecté la maladie à l'aide d'un classificateur des k plus proches voisins, atteignant une précision de 91,84 %. Dans leurs travaux sur la détection de la maladie des taches noires chez le jujubier, Sun Shipeng et al. ont analysé et modélisé neuf composantes de couleur d'images dans les espaces colorimétriques RGB, HSB et Lab, obtenant une précision de détection de 94,2 %.
Les méthodes traditionnelles présentent l'avantage d'être transparentes sur le plan algorithmique, peu complexes à calculer et peu gourmandes en ressources matérielles. Cependant, leurs performances de détection sont fortement influencées par les conditions d'éclairage ; la segmentation par seuillage est sujette à des erreurs lorsque le contraste entre la couleur de la peau du fruit et le fond est faible ou que l'éclairage est irrégulier. Par exemple, la zone à dégradé jaune-vert sur la peau de la mangue est facilement interprétée à tort comme un défaut, ce qui entraîne un taux de faux positifs élevé.
Les technologies d'apprentissage profond, notamment les réseaux de neurones convolutifs (CNN) et l'algorithme YOLO, améliorent considérablement la précision et la robustesse de la détection des fruits grâce à l'extraction automatique de caractéristiques par un apprentissage de bout en bout. Une étude menée à l'Université agricole de Faisalabad a démontré que la précision de validation du modèle CNN pour la détection des défauts des mangues et des tomates a atteint respectivement 95 % et 93,5 %, des résultats nettement supérieurs aux 89 % et 92 % obtenus par les méthodes de traitement d'images traditionnelles.
Les modèles d'apprentissage profond présentent une meilleure adaptabilité aux environnements complexes, surmontant efficacement les difficultés liées à la position des fruits, à l'occlusion et aux changements d'arrière-plan. Par exemple, YOLOv8, grâce à l'optimisation de son architecture réseau et à l'introduction d'un mécanisme d'attention dynamique, capture avec plus de précision les variations de texture de la peau, les différences de couleur et les caractéristiques morphologiques des fruits, améliorant ainsi significativement la détection des zones pourries.
3. Indicateurs clés d'évaluation de l'inspection de la qualité des fruits
L'inspection de la qualité des fruits basée sur la vision par ordinateur s'articule principalement autour de la qualité de l'apparence, incluant quatre paramètres principaux : la taille, la forme, la couleur et les défauts de surface.
La taille et la forme constituent les critères fondamentaux du classement des fruits. La taille est généralement quantifiée par des indicateurs tels que le diamètre transversal, le diamètre longitudinal et le volume. La forme peut être décrite par des caractéristiques géométriques comme la rondeur, la rectangularité et l'excentricité. La formule de la rondeur est 4π × aire / périmètre², reflétant la proximité du fruit à un cercle ; la rectangularité est le rapport de l'aire du fruit à l'aire du plus petit rectangle englobant. Ces caractéristiques géométriques permettent de bien distinguer les fruits quasi circulaires, comme les pommes et les oranges.
Les caractéristiques de couleur sont des indicateurs importants pour juger de la maturité et de la qualité des fruits. Dans les systèmes de vision par ordinateur, la couleur des fruits est généralement représentée à l'aide d'espaces colorimétriques tels que RVB, HSV et Lab. L'espace colorimétrique HSV sépare les informations de couleur des informations de luminosité, ce qui correspond davantage aux caractéristiques de la perception visuelle humaine. Les caractéristiques des couleurs peuvent être quantifiées grâce à des caractéristiques statistiques de teinte, de saturation et de luminosité, telles que la moyenne et l'écart type. Par exemple, les bananes passent progressivement du vert au jaune pendant la maturation, pour finalement devenir un jaune foncé avec des taches brunes. Ce changement peut être identifié avec précision en analysant la distribution des teintes dans l'espace colorimétrique HSV.
La détection des défauts de surface est une étape cruciale du contrôle qualité des fruits. Ces défauts, tels que les maladies, les infestations d'insectes et les meurtrissures, affectent directement la valeur commerciale des fruits. Les méthodes d'apprentissage profond sont particulièrement performantes dans ce domaine ; par exemple, le modèle YOLOv8-timm atteint une précision mAP@0,5 de 95,3 % pour l'identification des fruits sains et abîmés, avec une vitesse de détection en temps réel de 42 images par seconde.
4. Scénarios d'application et analyse pratique
La technologie de vision par ordinateur a un large éventail d'applications dans le contrôle de la qualité des fruits, couvrant l'ensemble de la chaîne industrielle, de la production agricole à la consommation au détail.
En agriculture, des caméras ou des drones peuvent être déployés dans les champs pour surveiller en temps réel la maturité des fruits et légumes grâce au modèle YOLO, aidant ainsi les agriculteurs à déterminer le moment optimal de la récolte. Les systèmes de vision intégrés aux robots de récolte intelligents peuvent identifier l'emplacement, la maturité et l'adhérence des fruits, contrôlant le bras robotisé pour une récolte précise et résolvant les problèmes de cueillette de fruits verts ou de fruits mûrs non récoltés.
Dans le traitement et le calibrage après récolte, les systèmes de tri automatisés peuvent considérablement améliorer l'efficacité. Des études montrent que les systèmes automatisés basés sur la vision sont 10 à 20 fois plus efficaces que l'inspection manuelle traditionnelle, avec un taux de précision (mAP) supérieur à 90 % et une réduction de 60 % des coûts de main-d'œuvre. Les travaux de Yuan Jinli sur un système d'inspection et de calibrage externe des pommes permettent un calibrage rapide grâce à la collecte de multiples images couvrant toute la surface du fruit et à l'intégration de quatre paramètres : forme, taille, couleur et défauts de surface.
Dans les secteurs du commerce de détail et de la restauration, les étagères intelligentes utilisent des caméras pour contrôler en temps réel le type et la fraîcheur des fruits et légumes et mettre à jour automatiquement les étiquettes de prix ; les bornes de libre-service utilisent une technologie de reconnaissance des fruits, permettant aux utilisateurs d’identifier rapidement les catégories de produits en scannant les codes ou en prenant des photos, avec un temps de reconnaissance inférieur à 0,5 seconde. Ces applications améliorent considérablement l’efficacité opérationnelle et réduisent le gaspillage alimentaire.
5. Défis technologiques et tendances de développement
Malgré les progrès significatifs réalisés dans l'inspection des fruits par vision par ordinateur, plusieurs défis technologiques persistent. La capacité de généralisation du modèle est un enjeu majeur, et son adaptabilité à différents environnements et variétés doit être améliorée. L'apprentissage à partir de quelques exemples constitue un autre défi ; pour les variétés de fruits rares, des méthodes de détection à partir de quelques exemples doivent être développées. De plus, les exigences de temps réel sont particulièrement strictes dans les contextes industriels, ce qui nécessite une optimisation plus poussée de l'efficacité de calcul du modèle.
L'avenir des technologies d'inspection visuelle des fruits s'orientera vers de multiples axes de développement. La fusion d'informations multimodales, combinant imagerie spectrale et thermique pour une détection non destructive de la qualité interne des fruits, constitue une tendance majeure. Par exemple, la spectroscopie de réflectance permet de détecter les maladies à la surface des fruits et des feuilles, tandis que la spectroscopie de transmission permet de déceler les maladies internes.
La conception de modèles légers est une autre tendance, particulièrement adaptée aux applications de périphérie. Des modèles légers améliorés, tels que YOLOv5n, atteignent un taux de détection de 23 images par seconde et une précision moyenne de 89 % sur la plateforme TI Sitara, répondant ainsi aux exigences de temps réel des distributeurs automatiques de fruits.
L'expansion des applications intersectorielles stimulera également le développement technologique. De l'inspection des fruits au contrôle qualité des produits agricoles et à la transformation des aliments, la vision par ordinateur offre de vastes perspectives d'application. Grâce à l'optimisation des algorithmes et à la réduction des coûts matériels, les systèmes intelligents d'inspection des fruits continueront d'évoluer vers une adoption généralisée et une intelligence accrue.
Conclusion
L'inspection visuelle des fruits par vision artificielle est devenue un élément essentiel de l'agriculture intelligente, contribuant à la modernisation de la filière fruitière. Du traitement d'images traditionnel à l'apprentissage profond, l'évolution technologique a considérablement amélioré la précision et l'efficacité des inspections. Grâce à la maturité de technologies telles que la fusion multimodale et l'informatique de périphérie, l'inspection visuelle des fruits jouera un rôle encore plus important dans l'agriculture de précision et la gestion de la chaîne d'approvisionnement alimentaire, en apportant un soutien technique précieux pour réduire les pertes après récolte et améliorer la qualité des fruits.
