ECS-tea: un algoritmo bioinspirado de alta precisión para la detección y localización de brotes jóvenes de té Pu-erh

Área de la Ciencia:

• Ingeniería Agrícola
• Visión por Computadora
• Inteligencia Artificial

Sus antecedentes:

• La cosecha precisa de brotes de té Pu-erh es crucial para la agricultura inteligente, pero se ve desafiada por el reconocimiento y la localización precisos en entornos naturales.
• Los sistemas de cosecha automatizada requieren soluciones sólidas para detectar y localizar brotes de té en entornos complejos y no estructurados.

Objetivo del estudio:

• Proponer ECS-Tea, un marco de detección-localización ligero e bioinspirado para el análisis de brotes de té Pu-erh.
• Mejorar la cosecha automatizada de brotes de té mejorando la precisión de la detección y la precisión de la localización 3D.

Principales métodos:

• Se desarrolló ECS-Tea basado en YOLOv11-Pose, integrando un backbone EfficientNetV2, Fusión de Características de Escala Cruzada (CSFF), Atención Sinérgica Espacial-Canal (SCSA) y fusión adaptativa de profundidad multimarco.
• Se entrenó y validó el marco en un conjunto de datos dedicado de brotes de té Pu-erh.

Principales resultados:

• ECS-Tea logró una precisión de detección de objetivos del 98,7% y una precisión de detección de puntos clave del 95,3%.
• El marco cuenta con una arquitectura compacta de 3,3 MB, 4,5 GFLOPs y alta velocidad de inferencia (370,4 FPS).
• Métricas de detección de puntos clave significativamente mejoradas (mAP@0,5(K) +4,9%, R(K) +3,8%, P(K) +3,4%) en comparación con YOLOv11-Pose.

Conclusiones:

• ECS-Tea equilibra eficazmente la precisión y la eficiencia computacional para aplicaciones en tiempo real.
• Los módulos integrados contribuyen sinérgicamente a la detección y localización robustas de los brotes de té.
• ECS-Tea proporciona una solución desplegable para la cosecha de brotes de té de alta precisión en entornos de campo no estructurados.