Оптимизация параметров освещения в процессе съемки модуля оптической идентификации

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.

1. Курбанов 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.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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.

9. 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.2019.106454

10. 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.

11. 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.

12. 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.

13. 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.

14. 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.

15. 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.

16. 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.