هادی صمیمی اخیجهانی

بخش کشاورزی به عنوان پیشران توسعه پایدار و مؤلفه‌ای استراتژیک در اقتصاد ملی، نقشی محوری در ارتقای ارزش افزوده و توسعه صادرات غیرنفتی ایفا می‌کند. در این میان، کشمش به‌عنوان یکی از مهم‌ترین فرآورده‌های انگور و محصولی صادرات‌محور، به دلیل ارزش تغذیه‌ای و ارزآوری بالا جایگاه ویژه‌ای در بازارهای جهانی دارد. حفظ این رقابت‌پذیری مستلزم رعایت استانداردهای کیفی دقیق و حذف خطاهای روش‌های سنتی مبتنی بر بازرسی انسانی است. جهت نیل به این‌ منظور، بهره‌گیری از فناوری پس از برداشت با تمرکز بر استفاده از سامانه‌های بینایی ماشین به ضرورتی اجتناب‌ناپذیر در زنجیره تأمین این محصول به‌شمار می‌آید. در این میان، فرآیند اجرای سامانه‌های درجه‌بندی مبتنی بر بینایی ماشین با تکیه بر الگوریتم‌های یادگیری عمیق و قابلیت استقرار بر روی سیستم‌های نهفته‌ی کم‌هزینه، ضمن حذف خطاهای انسانی، امکان اجرای عملیات با سرعت بالا را فراهم می‌سازند. این پژوهش با هدف طراحی و پیاده‌سازی یک سامانه بینایی ماشین بلادرنگ مبتنی بر هوش مصنوعی لبه برای تشخیص کشمش دم‌دار بر روی تسمه‌نقاله انجام شده است. در این پژوهش، فرآیند داده‌برداری و ثبت تصاویر در سطوح مختلف سرعت خطی تسمه‌نقاله توسط یک سامانه بینایی ماشین مبتنی بر پردازش لبه به اجرا درآمد. ابتدا پایگاه داده‌ای جامع در شرایط نوری کنترل‌شده تدوین گردید و پس از عملیات برچسب‌گذاری، جهت توسعه مدل‌های شخصی‌سازی شده، روش یادگیری انتقالی بر روی مدل های پیش آموزش دیده نسخه‌های YOLOv8n، YOLOv10n و YOLOv11n مورد بهره‌برداری قرار گرفت. در مرحله بعد، عملکرد مدل‌های پیشرفته تشخیص اشیاء مورد ارزیابی قرار گرفت و فرآیند آموزش با استراتژی بازتنظیم دقیق بر روی این سه معماری صورت پذیرفت؛ که طی آن، مدل‌ها در سه مقیاس ورودی 160×160، 256×256 و 320×320 پیکسل جهت غلبه بر محدودیت‌های توان پردازشی بهینه‌سازی شدند. به منظور استقرار بر روی سخت‌افزار محدود رزبری پای، مدل‌های پایه در سه ابعاد ورودی با استفاده از فرمت‌های بهینه نظیر MNN، TFLite و NCNN در سه سطح دقت محاسباتی (FP32، FP16 و INT8) بازطراحی گردیدند تا فرآیند تبدیل و کمی‌سازی برای استقرار بر روی سیستم‌های نهفته تکمیل شود. در نهایت، مدل‌های مشتق‌شده بر روی سخت‌افزار نهفته Raspberry Pi 4 مستقر گردید و عملکرد عملیاتی سامانه در سه سطح سرعت خطی تسمه‌نقاله (21/37 سانتی متر بر ثانیه، 71/47 سانتی متر بر ثانیه، 21/56 سانتی متر بر ثانیه) و بر اساس شاخص‌های نرخ فراخوانی، زمان استنتاج و مصرف انرژی به ازای هر فریم انجام پذیرفت. نتایج تجربی نشان داد که اگرچه مدل YOLOv11n در ابعاد 320×320 پیکسل بالاترین نرخ فراخوانی (8/97%) را ثبت نمود؛ اما به دلیل تاخیر بالا، برای استفاده در سیستم‌های درجه‌بندی مبتنی بر رزبری‌پای نامناسب است. در مقابل، مدل YOLOv10n با فرمت MNN با ابعاد ورودی160×160پیکسل، به دلیل بهره‌گیری از معماری بدون NMS (NMS-free)، موفق به ثبت میانگین زمان استنتاج 32 میلی‌ثانیه (معادل 31 فریم بر ثانیه) و میانگین نرخ فراخوانی 5/93% در تمامی سرعت‌ها گردید. همچنین، این مدل با مصرف انرژی تنها 165/0 ژول بر فریم، پایداری حرارتی سامانه را در کارکردهای طولانی‌مدت تضمین کرد. یافته‌های این پژوهش تایید می‌کند که مدل YOLOv10n-MNN نقطه بهینه توازن میان صحت تشخیص و سرعت پردازش است. این سامانه با بهبود 6 برابری نرخ فریم نسبت به مدل پایه، امکان پردازش محصول در حداکثر سرعت خطی (21/56 سانتی متر بر ثانیه) را فراهم آورده و به عنوان یک راهکار عملیاتی و کم‌هزینه برای هوشمندسازی خطوط سورتینگ محصول کشمش پیشنهاد می‌گردد.