Un detector de frutas YOLO basado en ancla desarrollado en YOLOv5

Área de la Ciencia:

• Visión por computadora
• Tecnología agrícola
• Aprendizaje automático

Sus antecedentes:

• El marco YOLO mejora la predicción del rendimiento de las frutas, la automatización y la eficiencia de la cadena de suministro.
• Los desafíos en la detección de frutas incluyen la oclusión, la iluminación y las demandas computacionales, que afectan la precisión y la velocidad.

Objetivo del estudio:

• Desarrollar un modelo mejorado de detección de frutas que aborde los desafíos existentes.
• Evaluar el rendimiento del detector YOLOcF propuesto frente a varias variantes de YOLO.

Principales métodos:

• Construcción del conjunto de datos de imágenes CFruit.
• Diseño e implementación del detector de frutas YOLOcF, una variante mejorada de YOLOv5.
• Análisis comparativo con YOLOv5n, YOLOv7t, YOLOv8n, YOLOv9, YOLOv10n y YOLOv11n.

Principales resultados:

• YOLOcF demuestra costos de cálculo más bajos (parámetros, GFLOPs) que la mayoría de las variantes de YOLO, excepto YOLOv10n y YOLOv11n.
• Se logró una precisión media (mAP) más alta que YOLOv5n, YOLOv7t, YOLOv8n, YOLOv10n y YOLOv11n.
• Exhibe una velocidad de detección superior a 323 fps y el valor R2 más alto (0,422) para la robustez y la confiabilidad.

Conclusiones:

• YOLOcF es un detector de frutas ligero y robusto adecuado para el despliegue móvil.
• El modelo ofrece una formación más rápida y mejores capacidades de generalización.
• Aborda los desafíos clave en la detección de frutas para la agricultura inteligente y los procesos agrícolas automatizados.