SWIR Vision در صنعت کشاورزی: پتانسیل‌های کشف‌نشده با دوربین‌های Basler

۱. چرا SWIR در کشاورزی امروز تبدیل به «مزیت رقابتی» شده است؟

کشاورزی در سال‌های اخیر از یک فعالیت سنتی به یک «صنعت داده‌محور» تبدیل شده است. فشارهای هم‌زمان زیر، بخش کشاورزی را مجبور به استفاده از فناوری‌های پیشرفته کرده است:

• رشد جمعیت و افزایش تقاضا برای غذای باکیفیت
• محدودیت منابع آب و خاک، و تهدیدهای ناشی از تغییرات اقلیمی
• الزامات سخت‌گیرانه‌تر ایمنی غذایی و استانداردهای صادرات
• هزینه بالای ضایعات، برگشت محصول و خسارت‌های ناشی از آلودگی و فساد پنهان

تا امروز، بخش بزرگی از کنترل کیفیت در زنجیره تأمین کشاورزی، بر بازرسی بصری سنتی یا در بهترین حالت بر دوربین‌های رنگی (RGB) تکیه داشته است. اما:

• این روش‌ها سطح‌محور هستند؛
• عیوب زیرپوستی، پوسیدگی‌های اولیه، تغییرات رطوبتی و شیمیایی داخلی را نمی‌بینند؛
• وابسته به انسان و مستعد خطا، خستگی و اختلاف سلیقه‌اند.

در نقطه مقابل، تصویربرداری در طیف مادون‌قرمز کوتاه (SWIR) دقیقاً برای دیدن همان چیزهایی طراحی شده که چشم انسان و دوربین‌های مرئی از دیدنشان عاجزند:

آب، رطوبت، قندها، چربی‌ها، ساختار داخلی بافت و تغییرات شیمیایی زودهنگام.

این جاست که ترکیب سه بازیگر کلیدی، یک «نقطه تغییر» در کشاورزی دیجیتال می‌سازد:

1. فناوری CQD (Colloidal Quantum Dot) از شرکت SWIR Vision Systems
2. توان تولید صنعتی و CMOS onsemi
3. پلتفرم دوربین‌ها، لنزها و نرم‌افزار Basler

نتیجه؟

سیستم‌های SWIR که تا چند سال پیش کابردی «لوکس و آزمایشگاهی» داشتند، اکنون به‌طور جدی در حال تبدیل شدن به استاندارد عملیاتی خطوط فرآوری و کنترل کیفیت کشاورزی هستند.

 

 

۲. SWIR چیست و چرا برای مواد غذایی و محصولات کشاورزی ایده‌آل است؟

۲.۱. تعریف و محدوده طیفی SWIR

چشم انسان تنها طیف مرئی، حدود ۴۰۰ تا ۷۰۰ نانومتر، را می‌بیند.

اما برای کشاورزی، بخش بسیار مهمی از اطلاعات در طول‌موج‌هایی مخفی شده که ما نمی‌بینیم.

SWIR (Short-Wave Infrared) معمولاً در محدوده:

• تقریبی ۹۰۰ تا ۱۷۰۰ نانومتر برای SWIR متداول
• و در برخی پلتفرم‌ها (eSWIR) تا ۲۵۰۰ نانومتر

قرار می‌گیرد. در بسیاری از سنسورهای مدرن vis-SWIR، پوشش از ۴۰۰ تا ۱۷۰۰ نانومتر به‌طور پیوسته فراهم می‌شود.

مزیت کلیدی SWIR:

• در این طول‌موج‌ها، بسیاری از مولکول‌های کلیدی کشاورزی (آب، رطوبت، قند، چربی، پروتئین و ترکیبات آلی) الگوهای جذب مشخصی دارند.
• این یعنی می‌توان ترکیب داخلی محصول را از روی نحوه بازتاب و جذب نور در این طیف تخمین زد.
• نور SWIR می‌تواند از لایه‌هایی مانند پوست میوه، پلاستیک‌های نازک بسته‌بندی، مقوا، گردوغبار و دود عبور کند، بدون آنکه برای محصول یا انسان خطر اشعه‌ای (مانند X-Ray) داشته باشد.

نتیجه عملی:

در کشاورزی، SWIR نه‌فقط برای «دیدن تصویر»، بلکه برای اندازه‌گیری خصوصیات داخلی محصول به‌کار می‌رود. این همان چیزی است که RGB هرگز نمی‌تواند انجام دهد.

 

 

۲.۲. مشکل تاریخی: سنسورهای InGaAs و هزینه‌های سرسام‌­آور

برای سال‌ها، تکنولوژی غالب در سنسورهای SWIR، بر پایه InGaAs (Indium Gallium Arsenide) بود.

اگرچه InGaAs:

• حساسیت بالا و نویز کم دارد،
• بازه طیفی مناسبی پوشش می‌دهد،

اما:

• ساخت آن به رشد اپیتاکسیال روی زیرلایه‌های گران‌قیمت InP نیاز دارد،
• فرآیند تولید پیچیده و هزینه‌ای معادل سیستم‌های نظامی/فضایی دارد،
• غالباً نیاز به خنک‌سازی دارد که هزینه و پیچیدگی را بالا می‌برد.

همین موضوع باعث شد استفاده از SWIR در کاربردهای تجاری کشاورزی (خطوط Sorting، بسته‌بندی، پهپادهای مزرعه، تجهیز کارخانجات متوسط) تا مدت‌ها از نظر اقتصادی توجیه‌پذیر نباشد.

۲.۳. جهش فناوری: CQD از SWIR Vision Systems

شرکت SWIR Vision Systems (SVS) یک رویکرد کاملاً متفاوت ارائه داد:

• استفاده از نقطه‌های کوانتومی کلوییدی (CQD)، به‌ویژه مبتنی بر PbS،
• لایه‌های نازک قابل اعمال بر روی CMOS سیلیکونی استاندارد،
• بدون نیاز به زیرلایه‌های گران InP و فرآیندهای اپیتاکسیال پیچیده.

ویژگی‌های کلیدی CQD:

• امکان تنظیم دقیق بازه جذب با تنظیم اندازه نانوذرات؛
• سازگاری با فرآیندهای تولید CMOS در مقیاس انبوه؛
• کاهش شدید هزینه تولید در مقایسه با InGaAs؛
• امکان رزولوشن‌های بالاتر، ابعاد پیکسل کوچک‌تر و ساخت سنسورهای vis-SWIR (۴۰۰–۱۷۰۰ نانومتر) روی یک چیپ.

در عمل، CQD باعث شده که SWIR از «فناوری خاص صنایع هوافضا و دفاع» به تکنولوژی قابل‌دسترسی برای کارخانه فرآوری سیب‌زمینی، خط سورتینگ سیب، یا واحد بسته‌بندی سبزی تازه تبدیل شود.

 

 

۲.۴. ادغام با onsemi: عبور از سطح R&D به تولید انبوه

در جولای ۲۰۲۴ شرکت onsemi، از تملک کامل SWIR Vision Systems خبر داد. اهمیت این اتفاق:

• ادغام فناوری CQD با زیرساخت عظیم تولید CMOS onsemi؛
• تضمین مقیاس‌پذیری صنعتی، کاهش قیمت، و قابلیت عرضه پایدار در بازار؛
• توجه ویژه به بازارهایی مانند بازرسی مواد غذایی، کشاورزی، بینایی ماشین و سنجش از دور.

Joseph Notaro، معاون واحد Intelligent Sensing onsemi، صراحتاً اشاره کرد که این حسگرهای SWIR می‌توانند از میان مواد متراکم، گازها، پارچه‌ها و پلاستیک‌ها ببینند و برای سیستم‌های بینایی ماشین کشاورزی حیاتی‌اند.

این ادغام عملاً باعث شد SWIR Vision Systems از یک استارتاپ فناوری به یک ستون اصلی در زنجیره تأمین حسگرهای SWIR مقرون‌به‌صرفه تبدیل شود؛ موضوعی که مستقیماً به کشاورزی هوشمند کمک می‌کند.

 

 

۳. Basler؛ تبدیل حسگر SWIR به «راهکار صنعتی آماده استفاده»

SWIR صرفاً یک سنسور نیست؛ برای اینکه در کشاورزی جواب بدهد، نیاز به یک سیستم کامل داریم:

• سنسور + دوربین
• لنز و اپتیک مناسب vis-SWIR
• نورپردازی کنترل‌شده SWIR
• نرم‌افزار پردازش تصویر و هوش مصنوعی در لبه (Edge AI)
• پلتفرم توسعه و یکپارچه‌سازی در خطوط تولید

این دقیقاً همان جایی است که Basler وارد می‌شود.

۳.۱. دوربین‌های Basler مبتنی بر CQD (سری ace 2 X visSWIR)

Basler، با همکاری SWIR Vision Systems و onsemi، در خانواده ace 2 X visSWIR، حسگرهای CQD را روی پلتفرم صنعتی خود سوار کرده است.

چند مدل شاخص از سنسورهای Acuros که در این خانواده استفاده می‌شوند:

 

ویژگی حیاتی برای خط تولید کشاورزی:

همه این سنسورها Global Shutter دارند

=> تصویر بدون اعوجاج از محصولاتی که با سرعت بالا روی نوار نقاله، Sorter یا Grader حرکت می‌کنند.

ترکیب رزولوشن بالا، نرخ فریم مناسب و Global Shutter، این دوربین‌ها را برای:

• خطوط سورتینگ سیب، سیب‌زمینی، گوجه، پیاز
• سورتینگ دانه و غلات
• بازرسی مواد خارجی در سبزی خردشده
• و حتی تصویربرداری از روی پهپاد

بسیار مناسب می‌کند.

۳.۲. رویکرد سیستمی Basler: از نور تا هوش مصنوعی

Basler تأکید می‌کند که SWIR یک سیستم است، نه فقط یک دوربین. یک استقرار موفق معمولاً شامل:

1. نورپردازی SWIR

   • استفاده از منابع LED یا لامپ‌های SWIR با طیف مناسب (مثلاً باندهای ۱۲۰۰–۱۴۰۰ یا ۱۴۰۰–۱۷۰۰ نانومتر بسته به کاربرد)
   • طراحی هندسه نوردهی (بالاسری، عبوری، زاویه‌دار) برای بیشینه‌سازی کنتراست عیب‌ها

2. لنزهای visSWIR-compatible

   • لنزهایی که هم در طیف مرئی و هم SWIR فوکوس و انتقال مناسب دارند
   • پوشش‌های ضدبازتاب (AR Coating) برای محدوده ۴۰۰–۱۷۰۰ نانومتر

3. فیلترهای نوری تخصصی

   • فیلترهای Band-pass برای انتخاب طول‌موج‌های بهینه برای تشخیص عیب خاص، مثلاً:

• ۱۳۵۰–۱۴۵۰ nm برای کبودی زیرسطحی میوه
• ۱۴۰۰–۱۷۰۰ nm برای پوسیدگی‌های رطوبت‌محور

4. نرم‌افزار pylon و ماژول Blob Analysis
   • اتصال، پیکربندی و دریافت تصویر از دوربین
   • ابزارهای آنالیز Blob برای تشخیص نواحی تیره/روشن غیرنرمال؛ بسیار مناسب برای:

• تشخیص کبودی سیب
• شناسایی قارچ‌های اولیه
• تمایز سنگ و پلاستیک از سیب‌زمینی

5. Edge AI و On-Camera Processing
   • در نسل جدید، امکان پیاده‌سازی مدل‌های تشخیص ناهنجاری و کلاس‌بندی محصول به‌صورت نزدیک به دوربین (Edge) وجود دارد؛
   • این یعنی کاهش نیاز به سرور مرکزی سنگین و ساده‌سازی یکپارچه‌سازی در خطوط موجود.

یک سیستم کامل Basler برای SWIR کشاورزی معمولاً این زنجیره را دارد:

نور SWIR پایدار → کنترل‌کننده نور → فیلترهای طول‌موج → دوربین Basler ace 2 X visSWIR (با سنسور CQD Acuros) → لنز visSWIR → نرم‌افزار pylon + Blob Analysis / Edge AI

 

 

۴. پتانسیل‌های کشف‌نشده SWIR در کل زنجیره ارزش کشاورزی

حالا برویم سراغ قسمت جذاب:

SWIR دقیقاً در کشاورزی چه کار می‌کند و چه مسأله‌هایی را حل می‌کند؟

۴.۱. ارزیابی غیرمخرب کیفیت داخلی میوه‌ها (قند، رطوبت، رسیدگی)

در بسیاری از میوه‌ها و محصولات باغی (سیب، کیوی، انگور، گوجه، مرکبات):

• کیفیت با شاخص‌هایی مثل TSS (مواد جامد محلول، عمدتاً قند)، اسیدیته، سفتی بافت سنجیده می‌شود؛
• روش‌های کلاسیک: تخریب نمونه، عصاره‌گیری، شیمی آزمایشگاهی؛⇒ پرهزینه، زمان‌بر و غیرقابل اجرا روی کل محصول.

SWIR و به‌خصوص SWIR-HSI (Hyperspectral Imaging) اجازه می‌دهد:

• بدون تخریب محصول، از سطح میوه طیف بازتابی در بازه NIR/SWIR ثبت شود؛
• با استفاده از مدل‌های کمومتریکس (PLS, SVR, …) و یادگیری ماشین،TSS، قند (فروکتوز/گلوکز)، رطوبت و حتی سفتی تخمین زده شود.

مطالعات تا سال ۲۰۲۵ نشان داده‌اند:

• برای کیوی، ترکیب NIR + بخش ابتدایی SWIR در پیش‌بینی TSS، فروکتوز و گلوکز از روش‌های سنتی مانند قطب‌سنجی بهتر عمل می‌کند.
• در یونجه، محققان با SWIR-HSI توانستند مدل‌های دقیق رطوبت در سه فرم متفاوت (تازه، نیمه‌خشک، خشک) بسازند؛ کلید توسعه سنسورهای کم‌هزینه رطوبت در خوراک دام.

کاربرد عملی برای یک خط سورتینگ سیب یا کیوی:

• می‌توانید براساس میزان قند و رسیدگی واقعی، محصول را در کلاس‌های کیفی مختلف (مثلاً بازار داخلی، صادرات، آبمیوه، فرآوری) دسته‌بندی کنید؛
• بدون اینکه حتی یک میوه را برش دهید یا خراب کنید.

۴.۲. تشخیص عیوب زیرسطحی و کبودی‌های مخفی

یکی از مهم‌ترین مزیت‌های SWIR در میوه‌ها:

• کبودی‌ها و شکست‌های بافتی، قبل از تغییر رنگ ظاهری،باعث تغییر در وضعیت رطوبت و ساختار سلولی می‌شوند؛
• این تغییرات در طول‌موج‌های خاص SWIR به‌شدت قابل‌مشاهده‌اند.

 

 

 

 

 

در عمل، سیستم‌های بازرسی RGB می‌توانند تا ۹۰٪ از میوه‌های معیوب زیرسطحی را به اشتباه سالم طبقه‌بندی کنند.

SWIR می‌تواند:

• مزایای اقتصادی مستقیم ایجاد کند:کاهش برگشتی محصول، کاهش ضایعات سردخانه‌ای، افزایش رضایت و اعتماد خریدار (سوپرمارکت/صادرات)، کاهش هزینه قرنطینه.
• برآوردها نشان می‌دهند که بخش مهمی از خسارت سالانه ۷۵ میلیارد دلاری ناشی از ضایعات میوه، مرتبط با عیوبی است که دیر تشخیص داده می‌شوند.برنامه‌ریزی‌ها نشان می‌دهد استقرار گسترده SWIR می‌تواند حدود ۳۵٪ از این ضررها را کاهش دهد.

۴.۳. جداسازی مواد خارجی و آلودگی در خطوط فرآوری

سناریو کلاسیک: خط فرآوری سیب‌زمینی

با چشم یا دوربین RGB:

• یک تکه سنگ خشک‌رنگ، تقریباً شبیه سیب‌زمینی به نظر می‌رسد؛
• پلاستیک سفید یا چوب خرد شده در سبزی خردشده، به سختی قابل‌تشخیص است.

اما در SWIR:

• سنگ، پلاستیک، چوب، حشرات و …الگوی جذب کاملاً متمایزی از محصول دارند؛
• می‌توان با دقت بسیار بالا این مواد خارجی را تشخیص و حذف کرد.

مطالعه USDA-ARS روی ۷ نوع سبزی خردشده نشان داد:

• دقت تشخیص مواد خارجی با SWIR-HSI ≈ ۹۹٪؛
• در حالی‌که در طیف مرئی، این عدد حدود ۸۹٪ بود.

برای برنج نیز نتایج مشابه گزارش شده:

• پلاستیک سفید، که در میان دانه‌های سفید تقریباً نامرئی است،در SWIR با کنتراست بالا دیده و جدا می‌شود.

برای خطوط صنعتی:

• SWIR + Basler + Edge AIمی‌تواند به‌سرعت «اشیای غیرغذایی» را تشخیص، مکان‌یابی و به کمک موتور/پف هوا آن‌ها را خارج کند.
• این قابلیت نه‌فقط ایمنی غذایی، بلکه اعتبار برند را هم محافظت می‌کند.

۴.۴. تصویربرداری هوایی با پهپاد (UAV) و سنجش از دور: مدیریت آبیاری و سلامت مزرعه

در سطح مزرعه، ترکیب سنسورهای VNIR/SWIR با پهپاد یا ماهواره، یکی از هیجان‌انگیزترین حوزه‌هاست.

در مطالعات ۲۰۲۴–۲۰۲۵:

• سنسورهای VNIR-SWIR روی UAV،

  توانسته‌اند همزمان ویژگی‌های:

  • بیوشیمیایی (مثلاً کلروفیل، نیتروژن، محتوای آب برگ)
  • و ساختاری (LAI – شاخص سطح برگ، ارتفاع گیاه)

  را برای محصولات مانند گندم زمستانه و سویا با دقت بالا استخراج کنند.

• ترکیب SWIR با روش‌های Super-Resolution، دقت برآورد LAI سویا را به‌شکل معنی‌داری بهبود داده است.

• برخی سیستم‌ها، روی پهپاد، در لحظه شاخص‌هایی مانند NDMI (شاخص تفاضلی رطوبت نرمال‌شده) را محاسبه و به‌صورت نقشه رنگی در اختیار کارشناسان قرار می‌دهند.

این قابلیت‌ها چه ارزش عملی دارند؟

• تشخیص زودهنگام مناطق دچار کمبود آب،قبل از آنکه علائم ظاهری (زردی، پژمردگی) دیده شوند؛
• تنظیم برنامه آبیاری هدفمند (Precision Irrigation)برای کاهش مصرف آب و انرژی؛
• پایش تنش‌های غذایی و بیماری‌های زودهنگام با استفاده از الگوهای طیفی در NIR/SWIR.

در سطح ماهواره‌ای، سازمان GISTDA تایلند گزارش کرده که:

• حسگر SWIR ماهواره THEOS-3می‌تواند تحلیل رطوبت گیاه و خاک، پایش سلامت محصول و شدت خشکسالی در مقیاس منطقه‌ای را پشتیبانی کند.

در اینجا Basler مستقیم در سطح ماهواره نیست، اما مدل‌های دوربین SWIR سبک و فشرده قابل نصب روی UAV می‌توانند پل بین داده‌های زمینی و فضایی باشند.

۴.۵. بازرسی محصولات بسته‌بندی‌شده و داخل کارتن

یکی از مزیت‌های استراتژیک SWIR برای صنعت بسته‌بندی:

• عبور از پلاستیک‌های شفاف/نیمه‌شفاف و حتی مقوای نازک.

در عمل، می‌توان:

• بدون باز کردن بسته‌بندی،کیفیت داخلی و عیوب احتمالی محصول را ارزیابی کرد؛
• مثلاً سیب‌های درون سینی پلاستیکی یا بسته‌های شرینک‌شده،یا میوه‌های داخل کارتن‌های موج‌دار.

مطالعه‌ای در ۲۰۲۵ نشان داد:

• ترکیب SWIR-HSI + کمومتریکسمی‌تواند سفتی و TSS میوه بسته‌بندی‌شده را با دقت عملی مناسب پیش‌بینی کند.

برای یک کارخانه بسته‌بندی:

• می‌توان در انتهای خط، از روی کارتن بسته،بخش‌هایی را نمونه‌برداری تصویری کرد؛
• بدون باز کردن جعبه، «پروفایل کیفی» محصول را ارزیابی و از ارسال محموله‌های مشکل‌دار جلوگیری کرد.

 

 

۴.۶. غلات، سویا و محصولات فرآیندی: از کیفیت روغن تا کپک‌زدگی ذرت

SWIR تنها برای میوه و سبزی تازه نیست.

چند نمونه:

1. سویا – LSU AgCenter (سپتامبر ۲۰۲۵)

   • یک دستگاه ارزیابی کیفیت سویا مبتنی بر SWIR معرفی شد؛
   • این سیستم قادر است اطلاعات پنهان درباره محتوای روغن و ترکیب داخلی دانه را استخراج کند؛
   • این اطلاعات مستقیماً برای صنعت روغن‌کشی، تغذیه دام و ارزش‌گذاری بذر اهمیت دارد.

1. ذرت – سیستم‌های AI-Infrared Sorting (۲۰۲۵–۲۰۲۶)

   • ترکیب NIR/SWIR و هوش مصنوعی،

امکان تشخیص آسیب‌های داخلی، کپک‌زدگی مخفی و حضور حشرات داخل دانه را فراهم کرده است؛

• چنین آسیب‌هایی معمولاً قبل از بروز تغییر رنگ ظاهری، خود را در SWIR نشان می‌دهند.

3. سنجش کربن خاک و بلوغ محصول – استارتاپ STRATIO
   • ارائه یک SWIR SDK مبتنی بر ژرمانیوم، با تمرکز روی:

• اندازه‌گیری کربن خاک
• پایش بلوغ محصول
• کیفیت مواد غذایی در مراحل فرآوری

در همه این موارد، Basler به‌عنوان تأمین‌کننده دوربین SWIR صنعتی، می‌تواند در لایه سخت‌افزار و بینایی ماشین، نقشی کلیدی در پیاده‌سازی این راهکارها در مقیاس صنعتی داشته باشد.

 

 

۵. چالش‌ها، راهکارها و عوامل موفقیت در استقرار SWIR در کشاورزی

هیچ فناوری بدون چالش نیست. برای پیاده‌سازی SWIR در خط واقعی، چند سد مهم وجود دارد.

۵.۱. قیمت و امکان تولید انبوه – CQD + onsemi

چالش:

هزینه بالای سنسورهای InGaAs، قیمت تمام‌شده یک سیستم SWIR را برای بسیاری از کشاورزان و کارخانه‌ها «غیراقتصادی» می‌کرد.

راهکار:

فناوری CQD از SWIR Vision Systems و ادغام آن در onsemi:

• حذف زیرلایه‌های گران InP؛
• استفاده از فرآیندهای استاندارد CMOS؛
• تولید انبوه سنسورهای vis-SWIR با هزینه به‌مراتب کم‌تر.

نتیجه:

دوربین‌های SWIR Basler بر پایه CQD، اکنون در سطح قیمتی قرار دارند که برای خطوط صنعتی متوسط و بزرگ کشاورزی کاملاً قابل توجیه است، به‌خصوص وقتی صرفه‌جویی‌های ناشی از کاهش ضایعات و برگشت محصول را در نظر بگیریم.

۵.۲. نویز سنسور و پیکسل‌های معیوب – Pixel Correction Beyond

چالش:

سنسورهای SWIR (به‌ویژه در نسل‌های اولیه) مستعد وجود:

• پیکسل‌های مرده (Dead Pixels)
• پیکسل‌های داغ (Hot Pixels)

هستند که می‌توانند الگوریتم‌های پردازش تصویر و یادگیری ماشین را دچار خطا کنند.

راهکار Basler:

الگوریتم اختصاصی Pixel Correction Beyond:

• شناسایی و تصحیح پیکسل‌های معیوب در زمان واقعی (Real-Time)؛
• انجام این کار بدون ایجاد اعوجاج و حفظ ساختار اطلاعات اصلی تصویر؛
• به‌ویژه برای کاربردهای حساس مانند تشخیص کبودی زیرسطحی، بسیار حیاتی است.

۵.۳. الزامات اپتیکی و نورپردازی – لنزها و فیلترهای تخصصی Basler

چالش:

• لنزهای استاندارد برای طیف مرئی طراحی شده‌اند؛ در SWIR:
  • فوکوس جابه‌جا می‌شود؛
  • اعوجاج و تضعیف شدید ممکن است رخ دهد.
• نور معمولی برای ایجاد کنتراست کافی در طول‌موج‌های SWIR مناسب نیست.

راهکار Basler:

• عرضه لنزهای visSWIR-compatible با پوشش مناسب ۴۰۰–۱۷۰۰ nm؛
• ارائه یا پیشنهاد فیلترهای Band-pass برای طول‌موج‌های بهینه هر کاربرد؛
• طراحی و یکپارچه‌سازی نورپردازی‌های SWIR (خطی، ناحیه‌ای، بالاسری)؛
• راهنمایی‌های فنی توسعه‌یافته در Use Caseهای رسمی Basler برای کشاورزی.

نتیجه:

OEMها و System Integratorها می‌توانند در زمان کوتاه‌تری به یک سیستم کارا برسند، بدون اینکه مجبور باشند از صفر، اپتیک SWIR طراحی کنند.

۵.۴. مقاومت بازار و موانع پذیرش

اگرچه فناوری آماده است، اما پذیرش بازار کشاورزی همچنان چالش‌هایی دارد:

1. هزینه اولیه سیستم کامل SWIR

   • دوربین + لنز + نور + کامپیوتر + توسعه نرم‌افزار؛
   • اما وقتی هزینه‌ها در برابر کاهش ضایعات، افزایش استانداردهای صادراتی و جلوگیری از برگشت محموله‌ها مقایسه می‌شود، ROI در بسیاری از پروژه‌ها کاملاً منطقی است.

2. پیچیدگی تفسیر داده SWIR

   • در ابتدای کار، اپراتورهای خط تولید با تصاویر SWIR (که شبیه تصویر سیاه‌وسفید خاص هستند) آشنا نیستند؛
   • نیاز به آموزش و ایجاد «زبان مشترک» بین تیم QC، مهندس بینایی ماشین و مدیر تولید وجود دارد.

3. نبود استانداردهای بین‌المللی روشن و اجباری

   • سازمان‌های استاندارد هنوز الزام استفاده از SWIR را به‌صورت صریح تدوین نکرده‌اند؛
   • با این حال، روند گزارش‌ها و مطالعات نشان می‌دهد که در حدود ۲۰۲۸ احتمالاً سیستم‌های SWIR در برخی زنجیره‌های حساس غذایی تبدیل به «بهترین رویه (Best Practice)» و حتی استاندارد خواهند شد.

مسیر غلبه بر این چالش‌ها:

• ارزان‌تر شدن تدریجی سیستم‌ها به‌واسطه CQD و تولید onsemi؛
• ظهور راه‌حل‌های Edge AI Basler که استقرار را برای تولیدکننده ساده‌تر می‌کند؛
• شکل‌گیری Use Caseها و Success Storyهای بیشتر که ارزش اقتصادی SWIR را به‌صورت عددی نشان می‌دهند.

۶. روندهای بازار و نوآوری‌های کلیدی (۲۰۲۵–۲۰۲۶)

۶.۱. رشد بازار جهانی SWIR در کشاورزی و مواد غذایی

تحلیل‌های اخیر بازار «SWIR Sensing & Imaging» نشان می‌دهد:

• بخش کشاورزی و غذایی یکی از سریع‌ترین رشدها را دارد؛
• نرخ رشد مرکب سالانه (CAGR) این بخش حدود ۱۴.۶٪ برآورد شده است؛
• ارزش بازار در سال ۲۰۲۶ حدود ۲.۱ میلیارد دلار تخمین زده می‌شود.

محرک‌های اصلی:

• تقاضا برای سیستم‌های تضمین کیفیت خودکار مبتنی بر AI؛
• فشار قوانین و استانداردها برای افزایش ایمنی مواد غذایی؛
• نیاز به کاهش ضایعات در زنجیره تأمین.

در این فضا، Basler + SWIR Vision Systems + onsemi یک ترکیب منحصر‌به‌فرد را وارد بازار کرده‌اند:

سنسور SWIR صنعتی با قیمت منطقی + پلتفرم دوربین و نرم‌افزار بالغ.

۶.۲. نوآوری‌های علمی و فناورانه در SWIR برای کشاورزی

چند مثال برجسته:

1. حسگرهای One-Pixel SWIR (دانشگاه شاندونگ، ۲۰۲۴)

   • استفاده از فیلترهای CQD خودآرایه‌یافته و DMD؛
   • بازسازی تصویر طیفی با تنها یک پیکسل SWIR؛
   • هدف: توسعه حسگرهای فوق‌العاده ارزان و قابل‌حمل، مناسب کشاورزان خرده‌پا.

2. سنسورهای SWIR سازگار با RoHS

   • پروژه‌های اروپایی (CORDIS) روی سنسورهای بدون سرب مبتنی بر InSb و InAs متمرکز شده‌اند؛
   • برای آینده، این سازگاری محیط‌زیستی در بازار اروپا و دیگر نقاط کاملاً حیاتی است.

3. یادگیری ماشین و CNN برای تشخیص تنش گیاهی

   • مقاله Frontiers in Plant Science (۲۰۲۵)

چارچوبی با نام MLVI-CNN برای پایش تنش محصولات با استفاده از شاخص‌های برگرفته از SWIR ارائه کرده است؛

• نشان داده شده که SWIR و NIR مؤثرترین مناطق طیفی برای تشخیص زودرس بسیاری از بیماری‌ها هستند.

4. Edge AI در دوربین‌های Basler
   • ماژول Blob Analysis، پایه‌ای برای پیاده‌سازی مدل‌های تشخیص ناهنجاری On-Camera را فراهم می‌کند؛
   • این روند، به سمت دوربین‌هایی می‌رود که نه‌فقط تصویر بگیرند، بلکه خودشان در لحظه تصمیم بگیرند:

«این سیب سالم است یا معیوب؟ این دانه سویا برای روغن‌کشی مناسب است یا خیر؟»

 

 

۷. جمع‌بندی: Basler و SWIR Vision، ستون فقرات نسل بعدی کشاورزی هوشمند

اگر بخواهیم تصویر بزرگ را جمع‌بندی کنیم:

• SWIR به کشاورزی چشم جدیدی داده است؛

  چشمی که می‌تواند:

  • قند و رطوبت سیب را بدون برش دادن تخمین بزند؛
  • کبودی و شکست بافت را قبل از قابل‌مشاهده شدن تشخیص دهد؛
  • پلاستیک و سنگ و چوب را از سبزی خردشده جدا کند؛
  • از ارتفاع، نقشه تنش آبی و سلامت گیاه را تولید کند؛
  • کیفیت سویا، ذرت و غلات را در سطح داخلی بسنجند.

• فناوری CQD SWIR Vision Systems و ادغام آن در onsemi،

  مانع تاریخی قیمت و تولید انبوه SWIR را کنار زده است.

• Basler، با دوربین‌های ace 2 X visSWIR، لنزها، فیلترها و نرم‌افزار پخته خود،

  این حسگرها را به راهکارهای صنعتی قابل‌اجرا در کارخانه‌ها و مزارع تبدیل کرده است.

پیش‌بینی‌ها تا ۲۰۲۸ نشان می‌دهد:

• سیستم‌های بازرسی SWIR مبتنی بر CQD و Basler، به‌ویژه در زنجیره فرآوری و بسته‌بندی مواد غذایی، به سمت تبدیل شدن به یک استاندارد de facto حرکت می‌کنند؛
• کسانی که امروز روی این فناوری سرمایه‌گذاری می‌کنند، در ۳–۵ سال آینده:
  • ضایعات کمتر
  • کیفیت یکنواخت‌تر
  • امکان ورود به بازارهای پریمیوم و صادراتی سخت‌گیرتر
  • و جایگاه قوی‌تری در اکوسیستم کشاورزی دیجیتال خواهند داشت.

۷.۱. اگر شما در کشاورزی، فرآوری یا ماشین‌سازی فعال هستید، گام بعدی چیست؟

بسته به نقش شما، مسیرهای عملی متفاوت است:

• کارخانه فرآوری میوه/سبزی

  • شروع با یک خط آزمایشی SWIR (Basler visSWIR + نور + نرم‌افزار) برای:

• تشخیص کبودی سیب

• یا جداسازی مواد خارجی در سبزی خردشده

• سازنده ماشین‌آلات سورتینگ و گریدینگ

  • طراحی نسخه جدید یا ارتقای نسل فعلی ماشین‌ها با افزودن ماژول SWIR Basler؛
  • ایجاد «Premium Option» برای مشتریانی که به بازارهای صادراتی حساس خدمات می‌دهند.

• اپراتورهای UAV و ارائه‌دهندگان خدمات کشاورزی دقیق

  • بررسی سنسورهای سبک SWIR/VNIR-SWIR برای نصب روی پهپاد؛
  • توسعه سرویس‌های پایش تنش آبی، بیماری و LAI بر پایه SWIR.

• مراکز تحقیقاتی و دانشگاه‌ها

  • استفاده از دوربین‌های Basler SWIR برای توسعه مدل‌های بهتر کمومتریکس، HSI و AI؛
  • کمک به استانداردسازی و تدوین پروتکل‌های آینده.

در هر سه نقش، نقطه مشترک این است که SWIR دیگر یک فناوری تجربی و عجیب نیست؛

بلکه به‌واسطه SWIR Vision Systems، onsemi و Basler، به یک ابزار صنعتی قابل اتکا تبدیل شده است.