Development of elements of a digital system for identifying soil lumps and separating them from potato tubers in a potato harvester | Разработка элементов цифровой системы идентификации почвенных комков от клубней картофеля картофелеуборочного комбайна

anglais. Equipping mechanical wiper units with automation elements does not fully ensure the quality of cleaning commercial products from mechanical impurities. The introduction of a digital identification system for separated biological objects from mechanical impurities based on hyperspectral reflection will help solve this problem. The purpose of the research is to study approaches for processing hyperspectral reflection data of potato tubers and soil clods using the YOLOv8 neural network model of the digital identification system for soil clods from potato tubers of a potato harvester. A machinery diagram of a potato harvester with a digital system for identifying biological objects based on hyperspectral reflection of potato tubers and recognition of soil clods in an automated mode has been developed. Potato tubers and soil clods in the images were recognized using trained models with a separate indication of damage areas. Curves for estimating the accuracy and completeness of recognizing soil lumps in the wavelength range of 500 to 700 nm were obtained. The optimal confidence level for neural network models was 0.28 for soil clods and 0.37 for potato tubers. The parameters of calculating metrics for binary and multiclass classification of the developed models of convolutional neural networks at various wavelength ranges by classes "Potato", "Soil on potatoes" and "Soil clod" were determined. As found the highest average recognition accuracy for soil clods of mAP 0.329 and that for potato tubers of mAP 0.407 was is reached at a wavelength of 600 nm. The hyperspectral data obtained has significant potential for accurate classification and recognition of diseases and lesions on tubers and can be used to detect minor changes in the condition of tubers. The accuracy of non-invasive recognition of soil clods and potato tubers using hyperspectral images is comparable to that of human experts, with a deviation of no more than 11.3%.

russe. Оснащение элементами автоматизации механических устройств очистки не в полной мере обеспечивает качество очистки товарной продукции от механических примесей. Внедрение системы цифровой идентификации разделяемых биологических объектов от механических примесей на основе гиперспектрального отражения поможет решить данную проблему. Цель исследований - изучение подходов по обработке данных гиперспектрального отражения клубней картофеля и почвенных комков использованием модели нейронной сети YOLOv8 цифровой системы идентификации почвенных комков от клубней картофеля картофелеуборочного комбайна. Разработали конструктивную схему картофелеуборочного комбайна с цифровой системой идентификации биологических объектов на основе гиперспектрального отражения клубней картофеля и распознавания почвенных комков в автоматизированном режиме. Распознавание клубней картофеля и комков почвы на изображениях выполнили с помощью обученных моделей с выделением областей поражения. Получили кривые оценки точности и полноты распознавания комков почвы в диапазоне длин волн 500…700 нм. Оптимальный уровень уверенности для моделей нейронных сетей составил 0,28 для комков почвы и 0,37 – для клубней картофеля. Определили параметры расчета метрик бинарной и мультиклассовой классификации разработанных моделей сверточных нейронных сетей на различных диапазонах длин волн по классам "Картофель", "Почва на картофеле" и "Комок почвы". Установили, что при длине волны 600 нм достигается наивысшая средняя точность распознавания комков почвы mAP 0,329 и клубней картофеля mAP 0,407. Полученные гиперспектральные данные обладают значительным потенциалом для точной классификации и распознавания болезней и повреждений на клубнях и могут быть использованы для выявления незначительных изменений в состоянии клубней. Точность неинвазивного распознавания комков почвы и клубней картофеля с использованием гиперспектральных изображений сравнима с точностью экспертов-людей (отклонение – не более 11,3%).