YOLOv11-GSF: un modelo de aprendizaje profundo optimizado para la detección de la madurez de las fresas en la...

Área de la Ciencia:

• Visión por computadora
• Tecnología agrícola
• Aprendizaje automático

Sus antecedentes:

• La detección de la madurez de las fresas en los invernaderos es difícil debido a los densos racimos, las oclusiones y las variaciones de iluminación.
• Los métodos existentes luchan con la eficiencia, el costo computacional y la precisión para objetivos pequeños y empacados.

Objetivo del estudio:

• Desarrollar un algoritmo en tiempo real para la detección precisa de la madurez de las fresas en entornos complejos.
• Mejorar las metodologías de detección existentes mejorando la eficiencia y la precisión.

Principales métodos:

• Se introdujo YOLOv11-GSF, que incorpora Ghost Convolution (GhostConv) para un mapeo de características eficiente.
• Utilizó un módulo C3K2-SG con convolución de punto automática (SMPConv) y unidades lineales convolucionales (CGLU) para la captura de características detalladas.
• Implementó una función de pérdida F-PIoUv2 para una convergencia acelerada y una clasificación optimizada.

Principales resultados:

• YOLOv11-GSF logró una precisión media del 97,8%, una precisión del 95,99% y un recuerdo del 93,62%.
• Demostró mejoras significativas con respecto al YOLOv11 original, con ganancias del 1,8% en precisión, del 1,3% en precisión y del 2,1% en recuerdo.
• Mostró una precisión y robustez de reconocimiento superiores en comparación con los algoritmos alternativos.

Conclusiones:

• YOLOv11-GSF proporciona una solución práctica y eficiente para la detección de la madurez de las fresas.
• El algoritmo aborda efectivamente los desafíos planteados por entornos de invernadero complejos.
• Ofrece un rendimiento mejorado para los sistemas automatizados de evaluación de la calidad agrícola.