Video Experimental Relacionado
Updated: Jan 8, 2026
10:25
Construction of Models for Nondestructive Prediction of Ingredient Contents in Blueberries by Near-infrared Spectroscopy Based on HPLC Measurements
Published on: June 28, 2016
11.1K
LBS-YOLO: un modelo ligero para la detección de la madurez de la fresa
Haitao Fu1, Xueying Li1, Zheng Li1
1College of Information Technology, Jilin Agricultural University, Changchun, China.
Frontiers in plant science
|December 22, 2025
Resumen
Este estudio presenta LBS-YOLO, un modelo ligero para la recolección de fresas. Mejora la precisión y eficiencia del reconocimiento, abordando las limitaciones de las tecnologías actuales de recolección inteligente.
Área de la Ciencia:
- Visión por Computadora
- Robótica
- Tecnología Agrícola
Sus antecedentes:
- La recolección tradicional de fresas depende de la mano de obra manual, enfrentando desafíos con el envejecimiento de la población.
- Las tecnologías existentes de recolección inteligente sufren de una precisión de reconocimiento subóptima y una baja eficiencia computacional.
Objetivo del estudio:
- Desarrollar un modelo de detección de fresas ligero y eficiente para la recolección inteligente.
- Mejorar la precisión del reconocimiento y reducir la carga computacional en comparación con los métodos existentes.
Principales métodos:
- Se construyó un modelo de detección ligero, LBS-YOLO, basado en una arquitectura mejorada de YOLOv11n.
- Se incorporó un módulo ligero LAWDS para mejorar la representación de características y una Red de Pirámide de Características Bidireccionales (BiFPN) para una fusión de características efectiva.
- Se utilizó un módulo C3k2_Star para reemplazar el C3K2 convencional para una representación de características superior.
Principales resultados:
- LBS-YOLO logró un 88,6% de mAP@0,5 y un 75,8% de mAP@0,5:0,95, superando a YOLOv11n en un 2,2% y un 1,3% respectivamente.
- Mejoró la tasa de recuperación al 86,4% y la puntuación F1 al 82,9%, con una velocidad de razonamiento de 260,7 FPS.
- Redujo el espacio de almacenamiento en un 34,6% y el número de parámetros en un 38% en comparación con YOLOv11n.
Conclusiones:
- LBS-YOLO reduce significativamente los parámetros al tiempo que mejora la precisión de la detección y la eficiencia operativa.
- El modelo mitiga eficazmente las detecciones falsas y perdidas, ofreciendo un soporte robusto para la cosecha y el monitoreo automatizado de fresas.
