Robot Penuai Buah: Sejauh Mana Teknologi Ini Telah Berkembang

Pengenalan

Penuaian ialah antara kerja kebun buah yang paling bergantung kepada tenaga manusia kerana setiap biji buah perlu dikesan, dicapai dan dipetik tanpa merosakkannya. Di Malaysia, sektor pertanian banyak bergantung kepada pekerja asing, dan kekurangan serta kos buruh yang meningkat sering disebut sebagai cabaran utama pekebun (pengetahuan am). Oleh itu, perkembangan robot penuai di luar negara wajar diikuti oleh pegawai pertanian dan pengusaha tempatan.

Artikel ini meringkaskan kajian bertajuk “An automated apple harvesting robot—From system design to field evaluation” (Zhang et al., 2023). Objektifnya ialah membentangkan reka bentuk sistem bersepadu dan penilaian lapangan sebuah robot penuai epal baharu. Kajian ini berlatarkan industri epal di Amerika Syarikat, seperti yang dinyatakan dalam abstrak, namun lokasi tepat dua dusun ujian tidak dinyatakan. Dapatan ini dilengkapi oleh kajian robot epal di Washington State, Amerika Syarikat (Silwal et al., 2017), robot strawberi kecil (Tituaña et al., 2024), robot epal dua lengan (Zhu et al., 2026) dan robot epal bagi dusun pagar renek (Jin et al., 2025).

Sorotan Kajian Lepas

Silwal et al. (2017) menyatakan bahawa setiap biji epal untuk pasaran segar masih dipetik dengan tangan manusia. Walaupun penyelidikan telah dijalankan selama empat dekad, belum ada mesin penuai epal pasaran segar yang tersedia secara komersial. Persekitaran dusun yang sangat tidak berstruktur dikenal pasti sebagai cabaran utama kepada pembangunan sistem penuaian robotik yang berdaya maju dari segi komersial.

Kemajuan robot penuai banyak bergantung kepada penglihatan komputer. Ren et al. (2017) memperkenalkan Faster R-CNN, iaitu rangkaian cadangan kawasan (Region Proposal Network) yang berkongsi ciri konvolusi imej penuh dengan rangkaian pengesanan, sehingga cadangan kawasan hampir tanpa kos pengiraan. He et al. (2020) melanjutkan kaedah ini melalui Mask R-CNN dengan cabang tambahan untuk meramal topeng objek, mencapai prestasi terbaik dalam segmentasi kejadian (instance segmentation).

Selain pengesanan, robot perlu mengetahui kedudukan buah dalam ruang tiga dimensi. Buku Hartley dan Zisserman (2000) menyediakan latar belakang geometri penglihatan berbilang pandangan, termasuk prinsip geometri dan cara mewakili objek secara algebra. Asas ini relevan kerana robot Zhang et al. (2023) menggunakan kaedah triangulasi yang diubah suai. Siciliano et al. (2008) pula menghuraikan asas robotik dari segi pemodelan, perancangan dan kawalan, iaitu bidang yang menentukan bagaimana lengan robot bergerak ke sasaran.

Dapatan Utama

Reka bentuk robot epal. Robot Zhang et al. (2023) terdiri daripada komponen persepsi yang direka khas, manipulator empat darjah kebebasan (4-DOF), efektor hujung lembut berasaskan vakum yang ditambah baik dan komponen jatuh/tangkap untuk menerima serta mengangkut buah. Persepsinya menggabungkan triangulasi yang diubah suai dengan algoritma pemprosesan imej.

Kadar kejayaan bergantung kepada keadaan dusun. Di dusun dengan pokok muda yang dipangkas dengan baik, robot mencapai kadar penuaian berjaya 82.4%. Di dusun kedua yang lebih tua dengan dahan dan daun yang padat dan bergugus, kadar kejayaan menurun kepada 65.2%. Purata masa kitaran bagi setiap buah adalah kira-kira 6 s, termasuk pemprosesan perisian dan pelaksanaan perkakasan.

Penanda aras awal. Silwal et al. (2017) menguji sistem tujuh darjah kebebasan di dusun epal komersial di Washington State yang mempunyai kanopi satah (planar). Sistem penglihatan mesin adalah tepat dengan purata masa penentuan lokasi 1.5 s bagi setiap buah. Robot berjaya memetik 127 daripada 150 buah yang dicuba (kadar kejayaan 84%) dengan purata masa memetik 6.0 s bagi setiap buah.

Robot strawberi. Tituaña et al. (2024) membangunkan platform kecil untuk strawberi yang ditanam di atas batas tinggi di ladang terbuka. Robot ini menggunakan manipulator jenis Delta dengan efektor hujung lima jari, dan subsistem penglihatan YOLOv4 yang mengelaskan strawberi kepada lima peringkat kematangan. Di ladang komersial, kadar kejayaan keseluruhan ialah 71.7% bagi lima senario, dengan minimum 37.5% (senario paling rumit) dan maksimum 94.0% (senario paling mudah). Purata kelajuan penuaian ialah 7.5 s bagi setiap strawberi.

Robot dua lengan. Zhu et al. (2026) membina robot epal modular dengan dua lengan yang disusun menegak untuk bekerja serentak di zon atas dan bawah sebatang pokok. Persepsinya menggunakan model asas Grounding-DINO dan EfficientViT-SAM. Dalam ujian di dua dusun komersial pada musim tuaian 2025 yang merangkumi 1738 kitaran lengan, sistem mencapai kadar kejayaan 80.0% bagi setiap cubaan dan purata masa kitaran 7.53 s bagi setiap lengan. Penilaian kerosakan buah melaporkan angka 91.2% bagi buah yang dituai robot, tetapi ayat penuh terpotong dalam abstrak yang tersedia. Kajian ini ialah pracetak arXiv yang belum disemak rakan sebaya.

Dusun pagar renek. Jin et al. (2025) menguji lengan robot 6-DOF dengan YOLOv8n yang diringankan dan algoritma perancangan laluan DSA-BiTRRT. Ujian ke atas 80 biji epal di dusun separa terkawal (selepas pembersihan halangan dan penjarangan) menunjukkan kadar kejayaan penanggalan 52.5% dan kejayaan keseluruhan 47.5%, dengan masa penanggalan 7.7 s dan masa kitaran penuh 15.3 s bagi setiap epal.

Perbincangan

Jawapan kepada persoalan tajuk ialah robot penuai buah telah mencapai tahap ujian lapangan di dusun komersial, dengan kadar kejayaan sekitar 47.5% hingga 84% dan masa kira-kira 6 hingga 15.3 s bagi setiap buah. Namun, Zhu et al. (2026) sendiri mengakui bahawa daya pemprosesan yang rendah dan prestasi yang lemah dalam persekitaran dusun masih menghalang penggunaan komersial.

Perbandingan antara kajian perlu dibuat dengan berhati-hati kerana keadaan ujian berbeza. Angka 84% oleh Silwal et al. (2017) diperoleh di dusun berkanopi satah, manakala Zhang et al. (2023) menunjukkan bahawa kadar kejayaan robot yang sama turun daripada 82.4% kepada 65.2% apabila pokok lebih tua dan padat. Pengajaran utamanya ialah reka bentuk dusun, seperti pemangkasan dan kanopi rata, sama penting dengan kecanggihan robot itu sendiri.

Batasan utama bukti ini ialah semua kajian melibatkan tanaman iklim sederhana (epal dan strawberi). Tiada kajian robot penuai bagi buah tropika seperti kelapa sawit, durian, mangga atau nanas, dan tiada kajian dari Malaysia ditemui dalam carian ini. Buah tropika yang besar, berat atau tumbuh pada pokok tinggi mungkin memerlukan pendekatan berbeza (pengetahuan am). Bagi Malaysia, langkah realistik ialah bermula dengan tanaman dalam struktur teratur, seperti strawberi di rumah pelindung.

Implikasi kepada Pengusaha Kebun dan Agensi

1. Robot penuai belum sedia untuk pembelian komersial; pelaburan semasa lebih sesuai untuk projek perintis dan penyelidikan.

2. Susun atur dusun yang teratur, pokok rendah dan kanopi yang dipangkas rapi akan memudahkan penggunaan robot pada masa hadapan.

3. Agensi boleh mengenal pasti tanaman tempatan yang ditanam dalam sistem terkawal sebagai calon awal ujian robotik.

4. Kerjasama dengan universiti tempatan diperlukan untuk menyesuaikan sistem penglihatan dan lengan robot kepada buah tropika.

5. Nilai robot perlu diukur berdasarkan kadar kejayaan dan masa per buah berbanding kos buruh semasa.

Kesimpulan

Robot penuai buah telah berkembang daripada prototaip kepada ujian lapangan di dusun komersial, dengan kadar kejayaan sehingga 84% dan masa kitaran sekitar 6 s bagi setiap buah. Namun, prestasi masih bergantung kuat kepada keadaan dusun, dan penggunaan komersial belum tercapai. Bukti semasa terhad kepada epal dan strawberi, maka penyelidikan khusus untuk buah tropika Malaysia masih diperlukan.

Rujukan

1. Zhang, K., Lammers, K., Chu, P., et al. (2023). An automated apple harvesting robot—From system design to field evaluation. Journal of Field Robotics. https://doi.org/10.1002/rob.22268

2. Silwal, A., Davidson, J. R., Karkee, M., et al. (2017). Design, integration, and field evaluation of a robotic apple harvester. Journal of Field Robotics. https://doi.org/10.1002/ROB.21715

3. Tituaña, L., Gholami, A., He, Z., et al. (2024). A small autonomous field robot for strawberry harvesting. Smart Agricultural Technology. https://doi.org/10.1016/j.atech.2024.100454

4. Zhu, K., Lammers, K., Arunachalam, C., et al. (2026). A modular dual-arm apple harvesting robot with enhanced field performance. arXiv (pracetak). https://doi.org/10.48550/arxiv.2606.14089

5. Jin, T., Han, X., Wang, P., et al. (2025). Performance evaluation of robotic harvester with integrated real-time perception and path planning for dwarf hedge-planted apple orchard. Agriculture. https://doi.org/10.3390/agriculture15151593

6. Ren, S., He, K., Girshick, R., & Sun, J. (2017). Faster R-CNN: Towards real-time object detection with region proposal networks. IEEE Transactions on Pattern Analysis and Machine Intelligence. https://doi.org/10.1109/TPAMI.2016.2577031

7. He, K., Gkioxari, G., Dollár, P., & Girshick, R. (2020). Mask R-CNN. IEEE Transactions on Pattern Analysis and Machine Intelligence. https://doi.org/10.1109/TPAMI.2018.2844175

8. Hartley, R., & Zisserman, A. (2000). Multiple view geometry in computer vision. Buku.

9. Siciliano, B., Sciavicco, L., Villani, L., & Oriolo, G. (2008). Robotics: Modelling, planning and control. Buku.

Sumber carian: SciSpace Literature Review (mod High Quality), November 2026.

Kata kunci: robot penuai, penuaian automatik, epal, strawberi, penglihatan mesin, efektor hujung, kadar kejayaan, pertanian pintar