Тамбовские учёные научили роботов выявлять внутренние дефекты овощей и фруктов на этапе сортировки

Спуститься в погреб и умереть

Профессор Михаил Челышев занимал должность заведующего кафедрой гражданского и предпринимательского права КФУ восемь лет. Он был председателем диссертационного совета вуза и членом научно-консультативного совета Верховного суда республики Татарстан. На юридические консультации к нему съезжались со всех уголков страны.

Возвращаясь домой после насыщенного трудового дня, Михаил Юрьевич принимался за работу по хозяйству. И даже тёплый августовский вечер не был исключением. В один из таких вечеров мужчина решил навести порядок в погребе – совсем скоро сбор урожая. Спустившись вниз и сделав пару вдохов в сыром подвале, он сразу же почувствовал себя плохо. Заметив долгое отсутствие Михаила, на поиски отправилась его жена. К тому времени мужчина был без сознания. Она спустилась к нему, но самостоятельно выбраться она уже не могла. Тогда на помощь пришёл 18-летний сын, а за ним, заподозрив неладное и попросив соседа вызвать скорую помощь, последовала бабушка.

Прибывшие вскоре полицейские и медработники констатировали смерть всех членов семьи, кроме восьмилетней девочки, младшей дочери Михаила Челышева, которая и обнаружила тела родственников.

Причиной внезапной смерти стал скопившиеся из-за гниения картофеля углекислый газ и ядовитые пары продуктов разложения. Чтобы отравиться насмерть, хватает всего нескольких вдохов. К летальному исходу может привести даже минута, проведённая в таком подвале.

В данном случае виной всему неправильно устроенная вентиляция погреба в частном доме, но такие происшествия не редкость и на крупных специально оборудованных овощехранилищах. Жертвами смертельных паров стали рабочие крестьянско-фермерских хозяйств в сёлах Моторское и Казанцево, Красноярский край, с разницей в четыре года. В Казахстане зафиксировано несколько аналогичных случаев. В сентябре 2019 года от отравления скопившимся в овощехранилище посёлка Магнитка газом погибли трое взрослых и подросток.

Проблема быстрого распространения процесса гниения на хранящийся урожай приносит не только материальные убытки владельцам фермерских хозяйств, но и влечёт за собой человеческие смерти. При этом нарушение техники хранения – не единственная причина порчи овощей и фруктов. Все начинается на этапе сортировки урожая, ведь даже самый зоркий человеческий глаз не может заглянуть внутрь плода и определить степень его качества.

Так, красивые снаружи, но гнилые внутри овощи и фрукты попадают в хранилища, где очень быстро распространяют свою «болезнь». Гниение может быть вызвано не только высокой влажностью, но и различными паразитами и грибками, а накапливающиеся даже в, казалось бы, внешне привлекательных овощах и фруктах токсины могут стать причиной, если не смерти, то тяжелого отравления или острой аллергической реакции.

Фото: pixabay.com

Всевидящее компьютерное око

Наряду с человеческим зрением уже давно применяется зрение техническое. Наибольшее развитие оно получило в робототехнике и связанных с ней технологиях. Зародилось машинное зрение как одно из направлений искусственного интеллекта в 50-е годы прошлого столетия. Тогда учёные спорили не только о возможности создания механизма, который будет обучаться, как человек, но и о способности данного механизма к самостоятельному восприятию окружающего мира.

Первооткрывателем был профессор Массачусетского технологического института Оливер Селфридж. В 1955 году он поделился с научным сообществом идеей о снабжении компьютеров аудио- и видеосистемами для самостоятельного распознавания ими образов. В этот момент и возникло понятие «техническое зрение».

Для того, чтобы позволить компьютеру воспринимать мир объёмно, аналогично человеку, ученые изучали возможность непрерывного движения одной камеры, применения двух- или многокамерных систем, различные алгоритмы обработки полученных данных. Но всё это было лишь в теории – применяемые тогда видеосистемы такого не позволяли. Да и сами по себе существовать они не могли – для обработки и анализа полученных изображений нужен «мозг», способный к обучению. А для обучения – как можно больше данных.

В 1958 году американский учёный Фрэнк Розенблатт попытался научить созданную им электронную модель человеческого мозга различать простые геометрические формы. Аппарат под названием Персептрон Марк-1 соединил в себе только зарождавшиеся принципы машинного обучения и технического зрения. Он считывал двумерные плоские изображения с помощью фото-сенсоров, которые служили моделью сетчатки, и путём преобразования их в математические значения определял, что же ему показывают.

Фото: pixabay.com

Научить машину видеть

Сейчас настройка систем технического зрения также осуществляется путём машинного обучения. А оно, в свою очередь, основывается на большом количестве исходных данных, признаков и последовательной работе математических алгоритмов.

Самое главное для качественного обучения – это десятки и сотни тысяч примеров. Компьютер не обладает богатым жизненным опытом, и нужная информация не загружается в него автоматически. Поэтому, чтобы научить машину определять рекламную рассылку в огромном множестве электронных писем, нужно показать ей примеры рекламной рассылки; чтобы предсказывать стоимость акций, необходимо предоставить как можно больше данных об истории цен. Данные собирают как вручную, так и с помощью систем поиска.

Одну и ту же задачу в машинном обучении можно решить с помощью различных методов – алгоритмов. От выбора метода зависит скорость и точность работы. Один из наиболее популярных и точных вариантов машинного обучения – это нейросеть. Множество нейронов-функций объединяются в слои и связываются каналами, которые передают информацию в виде цифр от одной функции к другой. Прочность этих связей определяет их цифровой вес. В процессе обучения связи становятся прочнее между теми нейронами, которые передают правильные данные.

Читайте также:

Российские инженеры создали экобетон повышенной прочности, который поможет увеличить темпы строительства в 4 раза

Допустим, мы загрузим в программу нейросети обучающий набор, который состоит из фотографий разноцветных геометрических фигур, и отдельно обозначим красный квадрат. Нейросеть преобразует все изображения в числовые значения, сравнит с сотнями других геометрических фигур и научится находить именно красный квадрат среди множества других фигур.

То есть системы технического зрения работают следующим образом: видеокамеры с помощью чувствительных элементов считывают изображение в виде множества точек, преобразуя их в цифровые значения. Затем они передают данные на контроллер, место обитания заранее прописанных разработчиком алгоритмов, выбор которых зависит от конкретных задач. Следуя им, программа сравнивает полученные данные с заданными верными значениями. В случае отклонения от нормы система подает сигнал о несоответствии продукта.

Благодаря высокой точности работы такие системы позволяют оптимизировать многие производственные процессы и снизить процент человеческой ошибки и недосмотра. За считанные минуты они проверяют качество и соответствие стандартам сотен наименований продукции. Поскольку контроллер соединяется со всеми рабочими элементами 100-метровыми кабелями, людям даже приближаться к аппарату, оснащенному техническим зрением, необязательно.

Внешность – не главное

Учёные Тамбовского государственного технического университета (ТГТУ) решили пойти дальше и научить систему технического зрения видеть не только внешние дефекты продукции, но и внутренние. Разработанная ими система предназначена для отбора некачественных овощей и фруктов на этапе сортировки.

Главной особенностью разработки стало внедрение в неё датчиков считывания инфракрасного теплового излучения. Такое излучение исходит ото всех окружающих нас предметов. Человек его не видит, но чувствует.

Специалисты ТГТУ в течение двух лет разрабатывали модели температурных полей плодов с дефектами и без и выявляли разницу. На основе полученных данных они разработали алгоритм теплового бесконтактного контроля качества. То есть видеокамера с чувствительным температурным датчиком как бы сканирует фрукт или овощ, поглощая инфракрасное излучение. Так она считывает температурное поле, а затем отправляет полученные данные в компьютер, который соотносит их с нормой и определяет, здоров продукт или нет.

Сортировкой овощей и фруктов занимается робот-манипулятор, который был разработан в рамках совместного проекта с индустриальным партнёром ТГТУ – научно-производственным объединением «Андроидная техника». Робот сканирует продукты и отбирает некачественные, которые способны навредить остальному урожаю, а в дальнейшем и человеку.

Изобретение уже запатентовано и готово к внедрению в производство. Стоимость базовой модели робота-манипулятора, оснащённого системой технического зрения, составляет около 2 млн рублей. В данный момент также ведётся разработка робота-манипулятора, который поможет в ручной сортировке овощей и фруктов. Как и в полностью роботизированном варианте, система будет сканировать продукты и выявлять некачественные. Но убирать испорченные плоды, на которые робот укажет с помощью лазерного луча, будет человек.

В дальнейшем такая система позволит минимизировать убытки от потери урожая и снизить вероятность нанесения непоправимого вреда здоровью человека.