Penelitian dan Aplikasi Teknologi Pemeriksaan Mutu Buah Berbasis Computer Vision
Inspeksi kualitas buah merupakan mata rantai krusial dalam industri pertanian modern, yang secara langsung memengaruhi nilai komersial dan daya saing pasar buah-buahan. Dengan pesatnya perkembangan visi komputer dan teknologi kecerdasan buatan, teknologi inspeksi buah telah beralih dari penyortiran manual tradisional ke tahap baru pemrosesan cerdas dan otomatis. Makalah ini secara sistematis meninjau kemajuan penelitian dan prospek penerapan teknologi inspeksi kualitas buah berbasis visi komputer.
1. Prinsip Teknis dan Komposisi Sistem Inspeksi Visual Buah
Sistem pemeriksaan buah berbasis visi komputer terutama memperoleh gambar digital buah-buahan melalui peralatan akuisisi gambar. Kemudian, algoritme pemrosesan gambar atau model pembelajaran mendalam digunakan untuk menganalisis gambar, mengekstraksi parameter fitur seperti ukuran buah, bentuk, warna, dan cacat permukaan, yang pada akhirnya mencapai penilaian otomatis dan penilaian kualitas buah.
Sistem pemilahan buah otomatis pada umumnya terdiri dari dua subsistem inti: sistem deteksi cacat dan sistem penyortiran mekanis. Dalam hal arsitektur perangkat keras, sistem ini biasanya terdiri dari ban berjalan, modul akuisisi gambar, unit kontrol, dan aktuator. Modul akuisisi gambar menggunakan kamera CCD atau kamera USB yang dipadukan dengan sumber cahaya LED untuk menangkap gambar RGB buah dalam lingkungan tertutup guna menghilangkan bayangan dan gangguan cahaya eksternal. Inti kontrol menggunakan mikrokontroler untuk mengoordinasikan hasil pemrosesan gambar dengan aksi mekanis, sehingga mencapai kontrol loop tertutup.
Algoritma pemrosesan citra memproses citra RGB terlebih dahulu untuk mengubahnya menjadi skala abu-abu, HSV, dan ruang warna lainnya guna mengoptimalkan konsistensi iluminasi. Kemudian, algoritma ini mengekstraksi wilayah target melalui segmentasi ambang batas, menggabungkan operasi morfologi seperti dilatasi dan erosi untuk mengurangi derau dan meningkatkan kontur, dan akhirnya menghitung proporsi area cacat. Misalnya, ketika proporsi cacat >5%, buah dapat diklasifikasikan sebagai substandar.
2. Perbandingan Teknik Pengolahan Citra Tradisional dan Pembelajaran Mendalam
Teknologi inspeksi visual buah terutama berkembang sepanjang dua jalur: satu didasarkan pada metode pemrosesan gambar tradisional, dan yang lainnya didasarkan pada metode pembelajaran mendalam.
Teknologi pemrosesan citra tradisional terutama menggunakan ekstraksi fitur warna dan tekstur yang dikombinasikan dengan algoritma pembelajaran mesin untuk mencapai deteksi kualitas buah. Shao Yu dkk. mengusulkan metode deteksi penyakit daun apel berbasis teknologi pemrosesan citra. Mereka menggunakan algoritma GrabCut dan segmentasi citra DAS untuk menghilangkan latar belakang, kemudian mengekstraksi fitur penyakit daun melalui algoritma proyeksi preservasi lokal diskriminatif, dan akhirnya mencapai deteksi penyakit melalui pengklasifikasi tetangga terdekat K, dengan tingkat akurasi 91,84%. Dalam penelitian mereka tentang deteksi penyakit bercak hitam pada jujube, Sun Shipeng dkk. menganalisis dan memodelkan sembilan komponen warna citra dalam ruang warna RGB, HSB, dan Lab, dengan akurasi deteksi penyakit sebesar 94,2%.
Metode tradisional menguntungkan karena transparansi algoritmiknya, kompleksitas komputasi yang rendah, dan persyaratan perangkat keras yang rendah. Namun, kinerja deteksinya sangat dipengaruhi oleh kondisi pencahayaan; segmentasi ambang batas rentan gagal ketika kontras antara warna kulit buah dan latar belakang rendah atau pencahayaannya tidak merata. Misalnya, area gradasi kuning-hijau pada kulit mangga mudah salah diklasifikasikan sebagai cacat, sehingga menyebabkan tingkat positif palsu yang tinggi.
Teknologi pembelajaran mendalam, terutama Jaringan Saraf Tiruan Konvolusional (CNN) dan algoritma YOLO, secara signifikan meningkatkan akurasi dan ketahanan deteksi buah dengan mengekstraksi fitur secara otomatis melalui pembelajaran menyeluruh. Dalam sebuah studi di Universitas Pertanian Faisalabad, akurasi validasi model CNN untuk deteksi cacat pada mangga dan tomat masing-masing mencapai 95% dan 93,5%, jauh lebih tinggi daripada 89% dan 92% yang dicapai metode pemrosesan citra tradisional.
Model pembelajaran mendalam menunjukkan kemampuan adaptasi yang lebih kuat di lingkungan yang kompleks, sehingga secara efektif mengatasi tantangan seperti pose buah, oklusi, dan perubahan latar belakang. Sebagai contoh, YOLOv8, dengan mengoptimalkan struktur jaringan tulang punggungnya dan memperkenalkan mekanisme atensi dinamis, dapat menangkap perubahan tekstur kulit buah, perbedaan warna, dan ciri morfologi secara lebih akurat, sehingga meningkatkan akurasi identifikasi area busuk secara signifikan.
3. Indikator Evaluasi Utama untuk Inspeksi Kualitas Buah
Pemeriksaan kualitas buah berbasis visi komputer terutama berkisar pada kualitas penampilan, termasuk empat parameter utama: ukuran, bentuk, warna, dan cacat permukaan.
Ciri ukuran dan bentuk merupakan dasar untuk pemilahan buah. Ukuran buah biasanya diukur dengan indikator seperti diameter transversal, diameter longitudinal, dan volume. Ciri bentuk dapat dijelaskan dengan ciri geometris seperti kebulatan, persegi panjang, dan eksentrisitas. Rumus untuk kebulatan adalah 4π × luas / keliling², yang mencerminkan tingkat kedekatan buah dengan lingkaran; persegi panjang adalah rasio luas terhadap luas persegi panjang pembatas terkecil. Ciri-ciri geometris ini memiliki daya pembeda yang baik untuk buah-buahan yang mendekati lingkaran, seperti apel dan jeruk.
Fitur warna merupakan indikator penting untuk menilai kematangan dan kualitas buah. Dalam sistem visi komputer, warna buah biasanya direpresentasikan menggunakan ruang warna seperti RGB, HSV, dan Lab. Ruang warna HSV memisahkan informasi warna dari informasi kecerahan, yang lebih sesuai dengan karakteristik persepsi visual manusia. Karakteristik warna dapat diukur melalui fitur statistik rona, saturasi, dan kecerahan, seperti nilai rata-rata dan deviasi standar. Misalnya, pisang secara bertahap berubah dari hijau menjadi kuning selama pematangan, dan akhirnya menjadi kuning tua dengan bintik-bintik cokelat. Perubahan ini dapat diidentifikasi secara akurat dengan menganalisis distribusi rona dalam ruang warna HSV.
Deteksi cacat permukaan merupakan langkah krusial dalam pengendalian kualitas buah. Cacat permukaan mencakup berbagai jenis seperti penyakit, serangan serangga, dan memar, yang secara langsung memengaruhi nilai komersial buah. Metode berbasis pembelajaran mendalam berkinerja sangat baik dalam hal ini; misalnya, model YOLOv8-timm mencapai akurasi mAP@0.5 sebesar 95,3% dalam mengidentifikasi buah yang baik/buruk untuk berbagai jenis, dengan kecepatan deteksi waktu nyata (real-time) 42 FPS.
4. Skenario Aplikasi dan Analisis Praktis
Teknologi visi komputer memiliki berbagai aplikasi dalam pemeriksaan kualitas buah, mencakup seluruh rantai industri dari produksi pertanian hingga konsumsi eceran.
Dalam produksi dan panen pertanian, kamera atau drone dapat digunakan di ladang untuk memantau kematangan buah dan sayuran secara langsung (real-time) menggunakan model YOLO, membantu petani menentukan waktu panen yang optimal. Sistem penglihatan yang terintegrasi ke dalam robot panen cerdas dapat mengidentifikasi lokasi, tingkat kematangan, dan daya rekat buah, mengendalikan lengan robot untuk melakukan panen yang presisi dan memecahkan masalah "salah memetik buah mentah" dan "hilangnya buah matang".
Dalam pemrosesan dan pemilahan pascapanen, sistem sortasi otomatis dapat meningkatkan efisiensi secara signifikan. Penelitian menunjukkan bahwa sistem otomatis berbasis visi 10-20 kali lebih efisien daripada inspeksi manual tradisional, dengan tingkat akurasi (mAP) melebihi 90% dan pengurangan biaya tenaga kerja sebesar 60%. Penelitian Yuan Jinli tentang sistem inspeksi dan pemilahan kualitas eksternal apel mencapai pemilahan cepat dengan mengumpulkan beberapa gambar yang mencakup seluruh permukaan apel dan mengintegrasikan empat parameter: bentuk, ukuran, warna, dan cacat permukaan.
Di sektor ritel dan katering, rak pintar menggunakan kamera untuk memantau jenis dan kesegaran buah serta sayuran secara real-time dan memperbarui label harga secara otomatis; kios swalayan memanfaatkan teknologi pengenalan buah, yang memungkinkan pengguna mengidentifikasi kategori produk dengan cepat melalui pemindaian kode atau foto, dengan waktu pengenalan satu produk kurang dari 0,5 detik. Aplikasi ini secara signifikan meningkatkan efisiensi operasional dan mengurangi limbah makanan.
5. Tantangan Teknologi dan Tren Pengembangan
Meskipun ada kemajuan signifikan dalam pemeriksaan buah menggunakan visi komputer, masih ada beberapa tantangan teknologi. Kemampuan generalisasi model adalah masalah inti, dan kemampuan adaptasinya terhadap lingkungan dan variasi yang berbeda perlu ditingkatkan. Pembelajaran singkat merupakan tantangan lain; untuk varietas buah langka, metode deteksi beberapa tembakan perlu dikembangkan. Selain itu, persyaratan real-time sangat ketat dalam skenario industri, sehingga memerlukan optimalisasi efisiensi komputasi model lebih lanjut.
Masa depan teknologi inspeksi visual buah akan berkembang ke berbagai arah. Fusi informasi multimoda merupakan tren penting, menggabungkan teknologi pencitraan spektral dan termal untuk mencapai deteksi kualitas internal buah secara non-destruktif. Misalnya, spektroskopi reflektansi dapat digunakan untuk mendeteksi penyakit pada permukaan buah dan daun, sementara spektroskopi transmisi dapat mendeteksi penyakit internal.
Desain model yang ringan adalah tren lainnya, cocok untuk skenario komputasi edge. Model ringan yang ditingkatkan seperti YOLOv5n mencapai tingkat deteksi 23 FPS dan akurasi rata-rata 89% pada platform TI Sitara, sehingga memenuhi persyaratan waktu nyata dari sistem penjual buah tanpa awak.
Perluasan aplikasi lintas domain juga akan mendorong perkembangan teknologi. Mulai dari inspeksi buah hingga pemantauan kualitas produk pertanian dan pengendalian kualitas pemrosesan makanan, teknologi visi komputer memiliki prospek penerapan yang luas. Dengan optimalisasi algoritma dan pengurangan biaya perangkat keras, sistem pemeriksaan buah yang cerdas akan terus berkembang menuju adopsi yang luas dan kecerdasan yang lebih baik.
Kesimpulan
Teknologi inspeksi kualitas buah berbasis visi komputer telah menjadi komponen penting dalam pertanian cerdas, mendorong peningkatan cerdas rantai industri buah. Dari pemrosesan gambar tradisional hingga pembelajaran mendalam, evolusi teknologi telah meningkatkan akurasi dan efisiensi inspeksi secara signifikan. Dengan semakin matangnya teknologi seperti fusi multimoda dan komputasi tepi, inspeksi buah visual akan memainkan peran yang semakin penting dalam pertanian presisi dan manajemen rantai pasok pangan, memberikan dukungan teknis yang kuat untuk mengurangi kerugian pascapanen dan meningkatkan kualitas buah.
