Мировое производство зерновых культур превысило 2,8 миллиарда тонн в год, и каждая тонна проходит многоступенчатый цикл очистки прежде чем попасть к потребителю. Качество зерна — не только коммерческий показатель, определяющий цену партии на бирже, но и вопрос продовольственной безопасности: присутствие микотоксинов, спорыньи, фузариозных зёрен или семян сорных растений может сделать продукцию опасной для здоровья.

Традиционные методы очистки — воздушные сепараторы, решётные машины, триеры и пневмостолы — разделяют массу по физическим свойствам: размеру, форме, аэродинамическим характеристикам и плотности. Однако классическая механика физически не способна увидеть микротрещины, скрытый фузариоз, камни идентичного размера или спорынью — всё, что объединяет понятие «слепая зона механики». Именно для преодоления этого барьера была создана технология оптической сортировки — фотосепарация, прошедшая за девять десятилетий путь от простейших фотоэлементов до нейросетей, анализирующих более тысячи признаков каждого зерна в реальном времени.

Анатомия проблемы: слепая зона классической механики

В иерархии зерноочистительного оборудования каждый эшелон «снимает» определённый класс примесей: воздушно-решётные машины отбирают по толщине и аэродинамике, триеры — по длине, пневмостолы — по удельному весу. Однако ни одна из этих машин не оценивает внешний вид и внутреннюю структуру отдельного зерна.

Итог: скрытые дефекты — изменение цвета, поверхностное поражение грибком, механические микроповреждения оболочки — остаются в партии. Более того, многократное трение в зерноочистительных машинах травмирует зерно, создавая невидимые глазу повреждения, которые увеличивают послеуборочные потери качества семян до 60%.

Ключевое отличие фотосепаратора от всего предшествующего оборудования — переход от механического к когнитивному принципу разделения. Если решёта сортируют по геометрии, а пневмостолы — по плотности, то фотосепаратор «видит» каждый объект индивидуально: бесконтактный контроль, индивидуальная оценка каждого семени для сохранения его максимального биологического потенциала. Это качественный скачок парадигмы — от статистического разделения массы к поштучному анализу.

Рождение технологии

От ручных «пикеров» к фотоэлементам: 1931, Мичиган

История сортировки зерна по внешнему виду уходит корнями в эпоху, когда единственным «оптическим сенсором» был человеческий глаз. На протяжении столетий отбор повреждённых, обесцвеченных и поражённых болезнями зёрен выполнялся вручную — бригады сортировщиц («пикеров») на мукомольных предприятиях и фабриках перебирали продукт на столах при дневном свете. Этот труд был медленным, субъективным и не мог обеспечить стабильное качество в промышленных масштабах.

Ключевая точка отсчёта — 1931 год, Мичиган, США. Компания Electric Sorting Machine Company (ESM) создала первый коммерческий прототип для сортировки белой фасоли, заменив ручной труд комбинацией простейших фотоэлементов и вакуумного механизма отсечки.

Принцип был элементарен: луч света падал на объект, фотоэлемент регистрировал интенсивность отражённого света, и если отклонение превышало порог, вакуумная трубка засасывала дефектный объект. Машина ESM была громоздкой, медленной и неточной, но она доказала главное: автоматическая визуальная селекция возможна.

История сортировки зерна: 1930-1990 (источник фото: satake-europe.com)

Sortex и пневматическая революция: 1947, Лондон

Настоящим прорывом стало появление аппаратов компании Gunson’s Sortex в Лондоне в 1947 году. Первые серийные Sortex были предназначены для сортировки зелёного кофе и риса — продуктов, в которых визуальная однородность имела критическое коммерческое значение. Однако главная инновация Sortex носила не оптический, а механический характер: переход от вакуумного захвата к пневматической эжекции — отстрелу бракованного зерна короткой струёй сжатого воздуха. Этот принцип оказался настолько эффективным, что лёг в основу конструкции всех последующих поколений фотосепараторов и остаётся базовым механизмом по сей день.

Принцип действия ранних Sortex был монохромным: источник света освещал зерно, скользящее по наклонному лотку, а фотоэлемент фиксировал интенсивность отражённого света. При падении сигнала ниже порога (тёмное зерно на светлом фоне) срабатывал пневмоклапан. Производительность первых машин составляла десятки килограммов в час, а настройка требовала опытного оператора. Тем не менее это был революционный шаг: впервые машина «видела» каждый объект индивидуально.

Бренд Sortex настолько прочно ассоциировался с технологией, что стал нарицательным: на многих заводах мира фотосепараторы до сих пор называют «сортексами» вне зависимости от производителя.

Современная линия Sortex A (источник фото: buhlergroup.com)

Послевоенное развитие: Satake, полупроводники и бихромная сортировка

В послевоенные десятилетия технология получила мощный импульс из двух источников: развития электронной компонентной базы и выхода на рынок японской корпорации Satake (основанной в 1896 году). Satake начала разработку собственных оптических сортировщиков для рисовой промышленности в 1950–1960-х годах. Появление полупроводниковых фотодиодов взамен вакуумных фотоэлементов резко повысило быстродействие и надёжность систем.

Параллельно в 1950-х годах в Ленинграде на базе НИИ создавались первые экспериментальные советские прототипы, которые доказали жизнеспособность принципа, однако в серийное производство не пошли.

Ключевым достижением периода стал переход от монохромной к бихромной сортировке: два фотодетектора с разными спектральными фильтрами позволяли различать объекты не только по светлоте, но и по оттенку.

Стало возможным отделять жёлтые зёрна от коричневых, выявлять зелёные незрелые среди спелых, обнаруживать поверхностное поражение грибком. К началу 1970-х фотосепараторы утвердились как обязательный элемент рисоперерабатывающих заводов Азии. Исторически рынок контролировали премиум-бренды Satake (Япония) и Bühler/Sortex (Швейцария/Великобритания) — отличное качество, но сверхвысокая цена.

Современный фотосепаратор Satake (источник фото: satake-europe.com)

Революция CCD: эпоха полноцветного машинного зрения

Настоящий технологический перелом произошёл в конце 1980-х — начале 1990-х годов с внедрением ПЗС-матриц (CCD-сенсоров). Если дискретные фотодиоды анализировали объект как единое целое (один усреднённый сигнал яркости), то линейные CCD-камеры формировали полноценное изображение каждого зерна с разрешением в сотни и тысячи пикселей. Это был переход от «точечного измерения» к «машинному зрению» — фотосепаратор впервые получил возможность анализировать форму, размер и текстуру поверхности. Система сравнивала объекты по матрице Red-Green-Blue с заданным цветовым эталоном — до 16 миллионов оттенков.

Одновременно произошёл переход к двусторонней инспекции: две камеры, расположенные по обе стороны от падающего зерна, сканируют каждый объект с двух сторон, исключая «слепые зоны». Современные промышленные CCD- и CMOS-камеры имеют разрешение до 5400 пикселей. CCD-революция открыла дорогу мультиспектральному, инфракрасному и рентгеновскому анализу.

Устройство современного фотосепаратора

Путь зерна через фотосепаратор

Путь зерна начинается в приёмном бункере, откуда вибропитатель равномерно подаёт материал, формируя идеальный монослой — критически важное условие для поштучного анализа. Далее зерно разгоняется по наклонному лотку и в зоне свободного падения его бестеневым способом освещают LED-источники — спектр подсветки исключает тени и обеспечивает максимальный контраст. Камеры высокого разрешения (RGB и/или инфракрасные), расположенные по обе стороны от траектории, фиксируют отражённый свет от каждого объекта со всех сторон.

Процессор мгновенно классифицирует зерно и при обнаружении брака подаёт сигнал на пневматический эжектор — блок клапанов (от 50 до 90 форсунок на лоток), выпускающий за миллисекунды прицельную струю воздуха. Время отклика современных эжекторов — 1,5–3,2 мс. Завершает цикл вторичный контур: отбракованная масса прогоняется повторно для спасения случайно отбитого годного продукта — итоговая чистота достигает 99,99%.

Эволюция сенсоров: от монохрома до рентгена

Эволюция сенсорных технологий шла по пути расширения спектрального диапазона.

• до 1990-х (эпоха монохрома): аналоговые сенсоры фиксировали только интенсивность света — задачи были бинарными.
• 1990-е (RGB и CCD): переход на цифровые камеры, сравнение по матрице Red-Green-Blue.
• 2000-е (мультиспектр и лазеры): анализ структуры поверхности, различение ядра ореха и скорлупы одинакового цвета.
• 2010-е (InGaAs, NIR, X-Ray): выход за пределы видимого спектра (900–1900 нм). ИК-камеры на InGaAs-сенсорах «заглядывают» внутрь зерна, оценивая химический состав и влажность. Рентгеновские модули находят стекло и камни.

Перспективный горизонт — гиперспектральные камеры, формирующие «спектральный куб» из сотен узких каналов, способные определять микотоксины и содержание белка в реальном времени. В премиальных фотосепараторах RGB, NIR и X-Ray комбинируются в единый мультисенсорный модуль.

Зерно после сортировки в фотосепараторе (фото иллюстративное)

Расширение границ: от зерна до переработки полимеров

Хотя фотосепарация зародилась в рисовой и кофейной промышленности, универсальность принципа обеспечила экспансию в десятки отраслей: зерновой сектор, бобовые, орехи, масличные, кофе, переработка пластика, горнодобыча, табак, морепродукты, свежие ягоды овощи. Диапазон применений — от амаранта до картофеля — демонстрирует универсальность платформы. По данным аналитиков, мировой рынок оптической сортировки растёт на 7–9% ежегодно.

География индустрии

История мирового рынка фотосепараторов — это история двух геополитических волн.

• Первая (до 2000-х): монополия Запада и Японии. Satake и Bühler/Sortex контролировали рынок, предлагая отличное качество по сверхвысокой цене.
• Вторая (с 1994 года): китайское технологическое чудо. Город Хэфэй (провинция Аньхой) стал мировой столицей фотосепарации — родиной Meyer, Taiho и AMD. Объём производства превысил 50 000 единиц в год.

Сегодня мы наблюдаем активное развитие этой отрасли в России: СиСорт (Алтай) и «Сапсан» (Воронеж) не просто копируют, а самостоятельно развивают эту тему. Конкуренция разрушила ценовую монополию и сделала фотосепарацию доступной даже для небольших агропроизводств.

Алтайская компания «СиСорт» и её фотосепаратор для зерна (источник фото: csort.ru / «СиСорт»)

Эволюция систем управления

Классическая система: ручная настройка порогов

Первое поколение — «классическое» — требовало ручной настройки около 3–5 параметров: пороги яркости, допуски по цветовым каналам, чувствительность эжекторов. Каждое изменение сырья означало перенастройку от получаса до нескольких часов. Тотальная зависимость от квалификации персонала, высокий риск ошибки.

Два оператора на одном сырье могли получить существенно различающиеся результаты. Классика доминировала с 1940-х до начала 2010-х и остаётся в бюджетных моделях для простых задач.

Smart AI: калибровка по образцу (Machine Learning)

Второе поколение — классическое машинное обучение. Принцип: оператор пропускает эталонные образцы («хороший» продукт и «брак»), система сама строит математическую модель и калибрует фоны. Число анализируемых признаков выросло до 11+: средний цвет, дисперсия, площадь, периметр, соотношение сторон, компактность, текстурные характеристики в RGB и HSV.

Время настройки сократилось с часов до минут, снизилось влияние человека. Ограничение: дефекты вне набора из 11 признаков невидимы. Smart AI — «золотой стандарт» среднего ценового сегмента 2010-х.

Deep Learning: свёрточные нейросети и 1000+ признаков

Третье поколение основано на глубоком обучении (DeepLearning). Свёрточные нейронные сети (CNN) самостоятельно извлекают из изображений более 1000 признаков: текстуру, микрорельеф, скрытые пространственные взаимосвязи. Машина сама формирует признаки в процессе обучения, имитируя биологический компьютер (мозг).

Ключевая способность — обобщение: нейросеть классифицирует дефекты, которых не было в обучающей выборке, если они структурно похожи на известные паттерны. «Глобальные профили» работают «из коробки» на разных предприятиях без калибровки.

«СиСорт» и третье поколение фотосепараторов, основанных на глубоком обучении DeepLearning (источник фото: csort.ru / «СиСорт»)

Внедрение DL — процесс из пяти этапов.

1. Сбор эталонов: на заводе заказчика собирается горсть идеального продукта и горсть специфического брака.
2. Создание датасета: аппарат делает тысячи высокоточных спектральных снимков каждого класса.
3. Облачное обучение: за 1–5 дней нейросеть обучается на суперкомпьютерах разработчика.
4. Развёртывание: готовый профиль загружается в машину на линии.
5. Когнитивная автономия: аппарат автоматически адаптируется к изменениям влажности или освещённости. «Правило настольного теста»: если оператор не может визуально отличить дефект от нормы, глядя на зёрна на столе, — то и DL не сможет.

Преимущества: скорость без компромиссов (анализ миллионов пикселей за миллисекунды), нечувствительность к плотности потока, глобальные профили, непрерывное самосовершенствование. Временные ограничения: DL требует мощных нейропроцессорных чипов (дорогих и дефицитных), обучение моделей затратно, нужна сверхбыстрая внешняя память. Постоянное ограничение — «галлюцинации»: ложные срабатывания на незнакомых паттернах. Важно: все три поколения не отменяют друг друга — современные фотосепараторы поддерживают Classic, Smart AI и Deep Learning как «матрёшечную» архитектуру.

Заменит ли оптика классическую очистку?

Аргументы «за»: точность до 99,99%, универсальность (от амаранта до пластика), когнитивная селекция, снижение затрат на длинные механические линии. Физические ограничения: грязь и влага «ослепляют» оптику (сверхвлажный ворох с поля); крупный мусор (валуны, солома) может повредить лотки и форсунки. Вывод отрасли: фотосепаратор — мозг линии, но ему необходим механический скелет предварительной очистки. Будущее — не замена механики оптикой, а их интеллектуальная интеграция.

Технологический горизонт 2030+

Четыре вектора будущего.

• Первый — гиперспектральный анализ: сотни узких каналов, определение химсостава и микотоксинов «на лету».
• Второй — терагерцовое излучение и X-Ray 2.0: системы, «смотрящие сквозь» продукт, гарантирующие 100% отсутствие инородных включений.
• Третий — 3D-топология: переход от плоской проекции к объёмной форме, высокоточная сортировка сложной геометрии без слепых зон.
• Четвёртый — IoT и облачные экосистемы: предиктивное обслуживание, глобальные библиотеки профилей, цифровые паспорта зерновых партий. Открытые вопросы: кибербезопасность данных, снижение энергоёмкости локальных узлов ИИ и создание мини-платформ для микро-бизнеса.

Заключение

За девять десятилетий — от прототипа ESM в Мичигане 1931 года до нейросетевых платформ 2020-х — фотосепарация прошла путь, отражающий фундаментальные тренды инженерной мысли. Сдвиг парадигмы: процесс превратился из грубой очистки от мусора в когнитивную селекцию, отбирающую семена с максимальным биологическим потенциалом.

Лотковый фотосепаратор Сапсан S (источник фото: fsapsan.ru / «Сапсан»)

Революция Deep Learning радикально исключила человеческий фактор из настройки оптических процессов — глобальные профили, когнитивная автономия, самообучение. Предстоящее десятилетие обещает ускорение: гиперспектральные сенсоры, 3D-топология, терагерцовое сканирование и облачные экосистемы превратят фотосепаратор из машины в ключевой элемент цифровой инфраструктуры мирового сельского хозяйства.

Статья подготовлена Алексеем Язенковым, экспертом в области подготовки семян, зерноочистки, сушки и хранения зерна специально для портала «ГлавПахарь».

Источник: Эволюция абсолютной чистоты, или история фотосепараторов: от первых оптических прототипов до когнитивной селекции ИИ