Ключевые слова
цветовой сенсор
микроконтроллер Arduino
искусственный интеллект
обработка в реальном времени
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.
Список литературы
[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.
This work is licensed under a Creative Commons Attribution 4.0 International License.
Авторское право (c) 2026 Uljaev E., Abdixalilov O‘.U. (Muallif)