Ключевые слова
Как цитировать
Аннотация
В статье рассматривается разработка автоматической системы сортировки фруктов по цвету на основе микроконтроллера Arduino и цветового сенсора TCS230. Предложенная система предназначена для определения внешних цветовых характеристик плодов в реальном времени, обработки RGB-компонентов и их классификации по заданным критериям. Исследование направлено на автоматизацию процессов оценки качества продукции в сельском хозяйстве и пищевой промышленности.
Алгоритм работы системы включает считывание данных с цветового сенсора, обнаружение объекта с помощью инфракрасных датчиков и управление механическим сортировочным механизмом. Калибровка сенсора позволила снизить влияние внешнего освещения и повысить точность определения цвета. Экспериментальные результаты подтвердили стабильную работу системы и надежность сортировки плодов по цветовому признаку.
Кроме того, в работе проанализированы возможности применения элементов искусственного интеллекта, в частности нейронных сетей. По сравнению с традиционными пороговыми методами интеллектуальные алгоритмы обеспечивают более точное распознавание цветовых различий. Полученные результаты демонстрируют перспективность использования предложенной системы для повышения эффективности автоматической сортировки плодов.
Библиографические ссылки
[1] Blasco J., Cubero S., Moltó E. Vision-based quality inspection of fruits and vegetables. Biosystems Engineering, 2018, 176, pp. 97–108.
[2] Uljaev E., Abdixalilov U., Suleymanova S., Tadjitdinov G.
Analysis of Methods and Means of Fruit Sorting, Selection of a Rational Method of Fruit Sorting.
International Journal of Mechatronics and Applied Mechanics, 2025, Issue 22, Vol. II, pp. 233–241.
[3] Patel K.K., Kar A., Jha S.N., Khan M.A. Machine vision system: a tool for quality inspection of food and agricultural products. Journal of Food Science and Technology, 2018, 55(6), pp. 1974–1989.
[4] Uljaev E., Abdixalilov O‘.U. Sun’iy intellekt asosida meva saralash tizimlarini takomillashtirish: mexanik va optik usullar tahlili. The Role and Prospects of Modeling in the Processes of Digital Transformation: Xalqaro ilmiy va ilmiy-texnik konferensiya materiallari, 1-qism, Namangan: Namangan davlat texnika universiteti, 2025, 4–5-dekabr.
[5] Kumar S., Singh R. Arduino-based low-cost color sensing system for agricultural applications. IEEE Sensors Journal, 2020, 20(12), pp. 6789–6796.
[6] Perez-Borrero I., et al. Fruit quality assessment using color and vision-based systems. Computers and Electronics in Agriculture, 2020, 175, 105–118.
[7] Li J., Rao X., Ying Y. Calibration methods for color sensors in agricultural product grading. Sensors, 2021, 21(8), 2674.
[8] Kamilaris A., Prenafeta-Boldú F.X. Deep learning in agriculture: A survey. Computers and Electronics in Agriculture, 2018, 147, pp. 70–90.
[9] Mohanty S.P., Hughes D.P., Salathé M. Using deep learning for image-based plant disease detection. Frontiers in Plant Science, 2019, 10, 272.
[10] G‘ayimnazarov I. X. UDC 532.543: 627.157: Calculation of the parameters of the base rows in a non-stationary flow //Innovatsion texnologiyalar. – 2025. – Т. 59. – №. 3. – С. 62-66.
[11] Lu Y., Yi S., Zeng N. Identification of fruit ripeness based on color features and machine learning. Measurement, 2022, 187, 110–118.
[12] Gonzales R. C., Woods R. E. Digital Image Processing. 4th ed., Pearson Education, New York, 2018.
[13] Jayaraman S., Esakkirajan S., Veerakumar T. Digital Image Processing. Tata McGraw-Hill Education, New Delhi, 2011.
[14] Haykin S. Neural Networks and Learning Machines. 3rd ed., Pearson Education, New York, 2009.
[15] Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, Cambridge, 2016.
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Copyright (c) 2026 Uljaev E., Abdixalilov O‘.U. (Muallif)