Problematyka programowania systemów wizyjnych do identyfikacji owoców

Systemy wizyjne to zaawansowane zestawy składające się z sensorów obrazu, sprzętu komputerowego oraz wyspecjalizowanych algorytmów oprogramowania. Przetwarzają i analizują obrazy z otoczenia, wspierając kontrolę, automatyzację procesów i inspekcję produktów. Typowe elementy takich systemów to oświetlenie, obiektywy, sensory obrazu, jednostki przetwarzania wizji oraz systemy komunikacji. W przemyśle spożywczym i rolniczym systemy wizyjne są coraz częściej wykorzystywane do identyfikacji owoców, rozpoznawania i klasyfikowania ich na podstawie cech takich jak kolor, kształt, rozmiar i stopień dojrzałości. Badania skupiały się na programowaniu systemów wizyjnych do identyfikacji truskawek z użyciem środowiska Python oraz bibliotek OpenCV. Do oceny skuteczności identyfikacji owoców i poprawności określania ich współrzędnych wykorzystano kamerę inspekcyjną DF Robot OpenMV Cam H7. Kalibracja i uczenie maszynowe zostały przeprowadzone na zestawie owoców o różnych cechach. Algorytm został skonfigurowany do identyfikacji pikseli o wartościach RGB odpowiadających kolorowi czerwonego. Badania obejmowały uczenie maszynowe w celu identyfikacji obiektów, analizę wpływu natężenia światła, wykrywanie obiektów o określonym kolorze oraz ocenę dokładności odczytu współrzędnych owoców. Wyniki pokazały, że system najlepiej identyfikował czerwone truskawki z powodu wysokiego kontrastu. Dostosowanie ekspozycji kamery umożliwia preferencyjne wykrywanie bardziej nasyconych kolorów.

---

Machine vision systems are advanced sets composed of electronic components, computer hardware and specialized software algorithms. They process and analyze images from the environment, supporting control, process automation and product inspection. Typical components include lighting, lenses, image sensors, vision processing units, and communication systems. In the food and agricultural industries, vision systems are increasingly used to identify fruit, recognizing and classifying them based on features such as color, shape, size and degree of ripeness. The research focused on programming vision systems for strawberry identification using the Python environment and OpenCV libraries. The DF Robot OpenMV Cam H7 inspection camera was used to assess the effectiveness of fruit identification and the correctness of determining their coordinates. Calibration and machine learning were performed on a set of fruits with different characteristics. The algorithm was configured to identify pixels with RGB values corresponding to the red color. The research included machine learning for object identification, analysis of the impact of light intensity, detection of objects of a specific color and assessment of the accuracy of reading fruit coordinates. The results showed that the system best identified red strawberries due to high contrast. Adjusting the camera exposure allows for preferential detection of more saturated colors.