vimjourСельскохозяйственные машины и технологииAgricultural Machinery and Technologies2073-7599Federal State Budgetary Scientific Institution «Federal Scientific Agroengineering Center VIM»10.22314/2073-7599-2025-19-3-43-50BRFXTYvimjour-687Research ArticleТЕХНИКА И ТЕХНОЛОГИИ ДЛЯ САДОВОДСТВАMACHINERY AND TECHNOLOGIES FOR GARDENINGОптимизация параметров освещения в процессе съемки модуля оптической идентификацииOptimization of Lighting Parameters for Imaging with the Optical Identification ModuleЧиликинА. Д.ChilikinA. D.

Андрей Дмитриевич Чиликин, аспирант, научный сотрудник 

Москва 

Andrey D. Chilikin, Ph.D. student (Eng.), researcher 

Moscow 

gwinnyandrei@yandex.ruХортД. О.HortD. O.

Дмитрий Олегович Хорт, доктор технических наук, главный научный сотрудник 

Москва 

Dmitry O. Hort, Dr.Sc.(Eng.), chief researcher

Moscow 

dmitriyhort@mail.ruФедеральный научный агроинженерный центр ВИМРоссияFederal Scientific Agroengineering Center VIMRussian Federation2025170920251934350Copyright © Чиликин А.Д., Хорт Д.О., 20252025Чиликин А.Д., Хорт Д.О.Chilikin A.D., Hort D.O.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.vimsmit.com/jour/article/view/687

Гиперспектральный анализ представляет собой неинвазивный метод, способствующий снижению потерь и повышению качества плодов за счет эффективной идентификации дефектов при сортировке. Ключевым условием получения достоверных данных является стабильное и равномерное освещение, обеспечиваемое специализированными источниками с контролируемым спектром. Интеграция таких систем в автоматизированные линии снижает влияние человеческого фактора, повышает производительность и способствует устойчивому развитию аграрного сектора. (Цель исследования) Обосновать параметры гиперспектрометра и источника света в системе освещения. (Материалы и методы) Использовали модуль оптической идентификации, представляющий собой систему из шаговых двигателей, реечных и винтовых передач с подшипниками, стол с резиновыми валиками, скорость которых регулируется с помощью трехфазного двигателя, запитанного через частотный преобразователь. Подвеска стенда может перемещаться горизонтально и вертикально с заданной скоростью. Для сбора и обработки информации во время сканирования использовались программы SpecGrabber и CubeCreator, благодаря чему в дальнейшем полученные снимки возможно было анализировать в программе Gelion. (Результаты и обсуждение) Выбран гиперспектрометр в модуле идентификации. Определены основные источники света в системе освещения. (Выводы) Мощность светового потока, полученная в результате расчетов и равная 934 ватта на квадратный метр, соответствует чувствительности CMOS-детектора от 100-1500 ватт на квадратный метр, Это значит, что камера сможет фиксировать гиперспектральные данные при заданных экспозиции и освещенности. Для системы освещения в модуле необходимо установить четыре галогеновые лампы, что соответствует уровню освещенности 3010 люксов. При данном уровне освещенности были получены достоверные графики спектра здоровой и пораженной болезнью областей, а также низкий показатель экспозиции кадра спектрометра 2,1 миллисекунды, что повлияло на время сканирование, которое оказалось менее, чем 2 секунды.

Hyperspectral analysis is a non-invasive method that reduces losses and improves fruit quality by accurately identifying defects during sorting. A key requirement for obtaining reliable data is stable, uniform illumination provided by specialized light sources with a controlled spectrum. The integration of such systems into automated production lines minimizes human error, increases productivity, and supports the sustainable development of the agricultural sector. (Research purpose) The study aims to substantiate the selection of parameters for the hyperspectrometer and the light source within the illumination system. (Materials and methods) The optical identification module used in this study consists of stepper motors, rack-and-pinion and screw drives with bearings, and a platform with rubber rollers, the speed of which is regulated by a three-phase motor powered through a frequency converter. The stand suspension can move both horizontally and vertically at a preset speed. SpecGrabber and CubeCreator software was used to collect and process data during scanning, enabling subsequent image analysis using Gelion software. (Results and discussion) A hyperspectrometer was selected for the identification module, and the main light sources for the illumination system were determined. (Conclusions) The calculated luminous flux is 934 watts per square meter, which falls within the sensitivity range of 100–1500 watts per square meter for the Complementary Metal-Oxide-Semiconductor (CMOS) detector. This confirms that the camera can capture hyperspectral data under the specified exposure and illumination conditions. It was determined that four halogen lamps should be installed in the illumination module, providing an illuminance level of 3010 lux. At this lighting level, reliable spectral graphs were obtained for both healthy and diseased fruit areas. Additionally, the short exposure time of 2.1 milliseconds per spectrometer frame resulted in a total scanning time of less than 2 seconds.

гиперспектральная съемкагиперспектрометрспектральный анализсистема освещенияисточники светагалогенные лампыспектральная калибровкасортировка фруктовhyperspectral imaginghyperspectrometerspectral analysisillumination systemlight sourceshalogen lampsspectral calibrationfruit sortingReferencesКурбанов Р.К., Ценч Ю.С., Захарова Н.И. Основные тенденции в развитии технологии аэрофотосъемки сельскохозяйственных угодий // Сельскохозяйственные машины и технологии. 2025. Т. 19. N1. С. 86-96. DOI: 10.22314/2073-7599-2025-19-1-86-95.Kurbanov R.K., Tsench Yu.S., Zakharova N.I. The main trends in the development of aerial photography technology of agricultural lands. Agricultural Machinery and Technologies. 2025. Vol. 19. N1. 86-96. DOI: 10.22314/2073-7599-2025-19-1-86-95.Ахалая Б.Х., Ценч Ю.С., Миронова А.В. и др. Электрический и механический плодосъемники // Сельский механизатор. 2023. N5. С. 15. DOI: 10.47336/0131-7393-2023-5-15-21.Ahalaya B.Kh., Tsench Yu.S., Mironova A.V. et al. Electric and mechanical fruit pickers. Selskiy Mechanizator. 2023. N5. 15-21 (In Russian). DOI: 10.47336/0131-7393-2023-5-15-21.Бланк В.А., Скиданов Р.В., Досколович Л.Л. Исследование спектральной линзы для формирования вегетационного индекса NDVI 0,705 // Оптический журнал. 2022. Т. 89. N3. С. 20-27. DOI: 10.17586/1023-5086-2022-89-03-20-27.Blank V.A., Skidanov R.V., Doskolovich L.L. Investigation of a spectral lens for the formation of a normalized difference vegetation index NDVI0.705. Journal of Optical Technology. 2022. Vol. 89. N3. 20-27. DOI: 10.17586/1023-5086-2022-89-03-20-27.Коротченя В.М., Ценч Ю.С., Лобачевский Я.П. Разработка типажей сельскохозяйственных технологий для системы машин // Технический сервис машин. 2024. Т. 62. С. 136-148. DOI: 10.22314/2618-8287-2024-62-4-136-148.Korotchenya V.M., Tsench Yu.S., Lobachevsky Ya.P. Development of types of agricultural technologies for the machine system. MachineryTechnical Service of. 2024. Vol. 62. N4. 136-148. DOI: 10.22314/2618-8287-2024-62-4-136-148.Balabanov P.V., Zhirkova A.A., Chugunov M.V. et al. Detection of defects on apples using hyperspectral reflection visualization combining both vegetation index analysis and neural network. Journal of Physics. 2020. Vol. 1515. 9. DOI: 10.1088/1742-6596/1515/3/032064.Balabanov P.V., Zhirkova A.A., Chugunov M.V. et al. Detection of defects on apples using hyperspectral reflection visualization combining both vegetation index analysis and neural network. Journal of Physics: IOP. 2020. Vol. 1515 9 (In English). DOI: 10.1088/1742-6596/1515/3/032064.Zhirkova A.A. optoelectronic quality control of apples using methods of multidimensional statistical analysis in the frames of lean manufacturing approach. Quality Management, Transport and Information Security, Information Technologies. 2022. Vol. 67. 243-246. DOI: 10.1109/ITQMIS56172.2022.9976708.Zhirkova A.A. Optoelectronic quality control of apples using methods of multidimensional statistical analysis in the frames of lean manufacturing approach. Quality Management, Transport and Information Security, Information Technologies. 2022. Vol. 67. 243-246 (In English). DOI: 10.1109/ITQMIS56172.2022.9976708.Drozdov D., Kolomeychenko M., Borisov Y. Supervisory mutual augmentation of spectral sensing and machine learning for non-invasive detection of apple fruit damages. Horticulturae. 2023. Vol. 8. 2-13. DOI: 10.3390/horticulturae8121111.Drozdov D. Supervisory Mutual augmentation of spectral sensing and machine learning for non-invasive detection of apple fruit damages. Horticulturae. 2023. Vol. 8. 2-13 (In English). DOI: 10.3390/horticulturae8121111.Шурыгин Б.М., Смирнов И.Г., Чиликин А.Д. и др. Взаимное дополнение спектрального зондирования и машинного обучения для неинвазивного обнаружения повреждений плодов яблони. Horticulturae. 2022. Т. 8. С. 4-12. DOI: 10.3390/horticulturae8121111.Shurygin B.M., Smirnov I.G., Chilikin A.D. et al. Complementarity of spectral sensing and machine learning for noninvasive detection of damage to apple trees. Horticulturae. 2022. Vol. 8. 4-12 DOI: 10.3390/horticulturae8121111.Wu A., Zhu Z., Ren T. Detection of apple defect using laser-induced light backscattering imaging and convolutional neural network. Computers & Electrical Engineering. 2020. Vol. 81, 4- 6. DOI: 10.1016/j.compeleceng.2019.106454Wu A., Zhu Z., Ren T. Detection of apple defect using laser-induced light backscattering imaging and convolutional neural network. Computers & Electrical Engineering. 2020. Vol. 81. 4-6 (In English). DOI: 10.1016/j.compeleceng.2019.106454.Fan S., Li J., Zhang Y. et al. On line detection of defective apples using computer vision system combined with deep learning methods. Journal of Food Engineering. 2020. Vol. 286. 7-12. DOI: 10.1016/j.jfoodeng.2020.110102.Fan S., Li J., Zhang Y., Tian X., Huang W. On line detection of defective apples using computer vision system combined with deep learning methods. Journal of Food Engineering. 2020. Vol. 286. 7-12 (In English). DOI: 10.1016/j. jfoodeng.2020.110102.Huang Y., Lu R., Chen K. Detection of internal defect of apples by a multichannel Vis/NIR spectroscopic system. Postharvest Biology and Technology. 2020. Vol. 161. 7-14. DOI: 10.1016/j.postharvbio.2019.111065.Huang Y., Lu R., Chen K. Detection of internal defect of apples by a multichannel Vis/NIR spectroscopic system. Postharvest Biology and Technology. 2020. Vol. 161. 7-14 (In English). DOI: 10.1016/j.postharvbio.2019.111065.Tang Z., Chen Z., Li G., Hu Y. Multicolor nitrogen dots for rapid detection of thiram and chlorpyrifos in fruit and vegetable samples. Analytica Chemical Acta. 2020. Vol. 1136. 72-81. DOI: 10.1016/j.aca.2020.08.038.Tang Z., Chen Z., Li G., Hu Y Multicolor nitrogen dots for rapid detection of thiram and chlorpyrifos in fruit and vegetable samples. Analytica Chemical Acta. 2020. Vol. 1136. 72-81 (In English). DOI: 10.1016/j.aca.2020.08.038.Фирсов Н.А., Подлипнов В.В., Ивлиев Н.А. и др. Нейросетевая классификация гиперспектральных изображений растительности с формированием обучающей выборки на основе адаптивного вегетационного индекса // Компьютерная оптика. 2021. Т. 45 (6). С. 887-896. DOI: 10.18287/2412-6179-CO-1038.Firsov N.A., Podlipnov V.V., Ivliev N.A. et al. Neural network-aided classification of hyperspectral vegetation images with a training sample generated using an adaptive vegetation index. Computer Optics. 2021. Vol. 45. N6. 887-896. DOI: 10.18287/2412-6179-CO-1038.Vanoli M., Van Beers R., Sadar N. Time- and spatiallyresolved spectroscopy to determine the bulk optical properties of Braeburn apples after ripening in shelf life. Postharvest Biology and Technology. 2020. Vol. 168. 5-7. DOI: 10.1016/j.postharvbio.2020.111233.Vanoli M., Van Beers R., Sadar N. Time- and spatially-resolved spectroscopy to determine the bulk optical properties of Braeburn apples after ripening in shelf life. Postharvest Biology and Technology. 2020. Vol. 168. 5-7 (In English). DOI: 10.1016/j.postharvbio.2020.111233.Ali Shah S., Zeb A., Waqar S. Towards fruit maturity estimation using NIR spectroscopy. Infrared Physics & Technology. 2020. Vol. 111. 4-7. DOI: 10.1016/j.infrared.2020.103479.Ali Shah S., Zeb A., Waqar S. Towards fruit maturity estimation using NIR spectroscopy. Infrared Physics & Technology. 2020. Vol. 111. 4-7 (In English). DOI: 10.1016/j.infrared.2020.103479.Балабанов П.В., Жиркова А.А., Дивин А.Г. Получение спектрограмм для участков поверхности объектов контроля (яблок), включающих неповрежденную и поврежденную зоны, а также для поверхности конвейера, на котором транспортируются объекты контроля // Национальная ассоциация ученых. 2021. N36- 2 (63). С. 17-19. EDN: RVHEDR.Balabanov P.V., Divin A.G., Zhirkova A.A. Obtaining spectrograms for the surface areas of the control objects (apples), including intact and damaged zones, as well as for the surface of the conveyor on which the control objects are transported. National Association of Scientists. 2021. N36-2 (63). 17-19 (In Russian). EDN: RVHEDR.

The authors declare that there are no conflicts of interest present.