AFBF-YOLO: Un algoritmo YOLO11n mejorado para detectar el racimo y la madurez de los tomates cerezos en entornos de...

Área de la Ciencia:

• Ingeniería agrícola
• Visión por computadora
• Aprendizaje automático

Sus antecedentes:

• La detección precisa de los racimos de tomate cereza y su madurez es crucial para la recolección automatizada.
• Los desafíos incluyen la oclusión, la superposición de frutos y las variaciones sutiles de madurez en entornos complejos de invernadero.

Objetivo del estudio:

• Proponer un modelo de red neuronal convolucional profunda mejorado basado en YOLOv11 (AFBF-YOLO) para la detección y evaluación de la madurez del tomate cerezo.
• Mejorar la representación de características y la fusión a múltiples escalas para una mayor precisión en condiciones complejas.

Principales métodos:

• Desarrolló un conjunto de datos de 486 imágenes RGB con más de 150.000 instancias anotadas en cuatro etapas de madurez.
• Incorporó el mecanismo de atención ACmix en YOLOv11 para una mejor representación de características.
• Diseñó una nueva estructura de cuello FreqFusion-BiFPN para mejorar la fusión de características en múltiples escalas.
• Se aplicó una función de pérdida de Inner-Focaler-IoU refinada para mejorar la localización de la caja de límites.

Principales resultados:

• AFBF-YOLO logró una precisión del 81,2%, el retiro del 81,3% y el mAP@0,5 del 85,6%.
• El modelo superó a varios detectores de la serie YOLO convencionales.
• Se ha demostrado una alta precisión en diferentes etapas de madurez con baja complejidad computacional.

Conclusiones:

• El AFBF-YOLO aborda eficazmente los desafíos en la detección y evaluación de la madurez de los tomates cerezos.
• El modelo admite la detección simultánea de racimos de fruta y madurez, crucial para la recolección automatizada.
• Esta investigación contribuye a los avances en la agricultura de precisión y los sistemas de cosecha inteligentes.