EMB_59

38 / 84

EMBEDDED 59 • FEBBRAIO • 2016
SPECIALE | VISIONE
38
mostrato da una applicazione realizzata con un
sistema sviluppato da . Per distinguere tra
diversi tipi di piante è stato impiegato un sensore
laser 3D a bassa risoluzione (FX6 ),
consentendo di misurare la distanza e l’intensi-
tà di riflettività delle piante tramite l’uso di una
luce laser a trasmissione infrarossi dalla preci-
sione di 1cm. Realizzata la ricostruzione 3D, per
identificare la piante sono state usate tecniche di
apprendimento controllato. Terminata la fase di
identificazione, per coltivare automaticamente
questi raccolti possono essere impiegati robot do-
tati di sistemi di visione. Un sistema simile è stato
sviluppato dall
per la coltivazione e raccolta di fragole. Un sistema
di immagini a due telecamere è stato montato su
un robot programmato per la raccolta delle fragole.
Una telecamera 640x480 DXC-151A montata
sopra il robot cattura le immagini di 8-10 fragole
per volta, mentre un’altra telecamera di tipo Elmo
640x489 EC-202 II collocata sull’utensile terminale
del robot inquadra una o due fragole. Questo siste-
ma consente al la telecamera Sony di localizzare i
frutti e alla telecamera Elmo di catturare le imma-
gini delle fragole ad una maggiore risoluzione. Le
immagini di entrambe le telecamere vengono poi
inviate a un dispositivo di acquisizione video Pho-
tron interfacciato a un PC. Una lampada fluore-
scente a forma di anello installata sulla telecamera
locale fornisce l’illuminazione stabile richiesta per
localizzare i frutti.
Anche se molti di questi sistemi robotici sono ai pri-
mi stadi di sviluppo, compagnie come la francese
hanno dimostrato l’uso pratico di questi
macchinari. Il robot Wall-Ye alimentato a energia
solare adibito alla potatura dei rampicanti incorpo-
ra quattro telecamere e un sistema GPS per svol-
gere tale funzione.
I sistemi di visione stanno avendo un ruolo sempre
più importante anche nella classificazione dei pro-
dotti agricoli raccolti, attraverso l’uso di analisi con
immagini multispettrali. Questo è l’approccio scel-
to da Olivier Kleynen e dai suoi colleghi all’univer-
sità di Scienza Agrarie di Gembloux (Belgio) per un
sistema che rileva i difetti su coltivazioni di mele.
Il sistema realizzato utilizza un Multispec Agro-
Imager di che incorpora un filtro
passabanda a quattro interferenze di
connesso a una fotocamera digitale JAI CV-M4CL
a 1280x1024 pixel monocromatici. Il Multi-Spec
Agro Imager proietta su un sensore Ccd a matrice
singola quattro immagini dello stesso oggetto cor-
risponderti alle quattro differenti bande spettrali.
Attraverso lenti Cinegon di le
immagini vengono poi acquisite da un digitalizza-
tore video Grablink Value Camera Link Euresys e
vengono usate immagini ad ampio spettro per de-
terminare la qualità del frutto.
Per analoghi scopi sono stati usati anche altri
metodi, come l’uso di telecamere SWIR. Presso la
per esempio, l’impiego
di una fotocamera Aerospace Systems UTC area
array InGaAs, che copre un’ampiezza spettrale di
900-1700 nm montata su uno spettrografo Specim,
ha permesso di rilevare eventuali mele guaste in
un raccolto.
Mentre i robot dedicati alla raccolta devono ancora
essere completamente realizzati, quelli usati per
la classificazione e lo smistamento sono ormai una
realtà. Infatti sempre più sistemi ora classificano e
smistano prodotti di vario tipo dalle patate, ai dat-
teri, alle carote alle arance. Alcuni di questi siste-
mi usano prodotti basati sulla luce visibile, mentre
altri incorporano tecnologie di analisi a immagine
multi-spettro.
L’anno scorso, ad esempio, la società Com-N-Sense,
in collaborazione con Lugo Engeneering ha svilup-
pato un sistema capace di classificare automatica-
mente i datteri. Usando lampade a illuminazione
diffusa “a cupola” Metaphase e fotocamere a colori
Prosilica 1290C GigE vision ., il
Fig. 3 - PcknPack è un progetto dell’Unione Eu-
ropea che mira a unire l’intera catena di produ-
zione