Un método de calificación inteligente ligero para la antracnosis del lichi basado en YOLOv12 mejorado

Área de la Ciencia:

• Ciencia Agrícola
• Visión por Computadora
• Inteligencia Artificial

Sus antecedentes:

• La antracnosis degrada significativamente la calidad del lichi, lo que requiere métodos de detección eficientes.
• La calificación manual es ineficiente y subjetiva, lo que dificulta una gestión eficaz de la calidad.
• El desarrollo de modelos de IA precisos pero ligeros para la detección de enfermedades es crucial para la clasificación automatizada.

Objetivo del estudio:

• Desarrollar un modelo de IA ligero para la detección y calificación rápida y no destructiva de la antracnosis del lichi.
• Mejorar los marcos de detección existentes equilibrando una alta precisión con una complejidad computacional reducida.
• Proporcionar una solución implementable para la evaluación automatizada de la calidad del lichi post-cosecha.

Principales métodos:

• Se propuso LycheeGuard-Lite, un modelo ligero basado en el marco YOLOv12.
• Se incorporaron módulos C3k2_Light con convoluciones separables en profundidad y un mecanismo de atención C2PSA.
• Se utilizó una estrategia de convolución ponderada (wConv2D) para mejorar la extracción de características y reducir la complejidad.
• Se evaluó el modelo en un conjunto de datos de 14.576 imágenes de dos variedades de lichi y tres niveles de gravedad.

Principales resultados:

• Se logró una precisión de detección de mAP50 del 99,4 % para la antracnosis del lichi.
• Se redujo el número de parámetros del modelo en un 12,8 % (2,19 millones en total).
• Se redujo el costo computacional en un 29,3 % (4,1 GFLOPs).

Conclusiones:

• LycheeGuard-Lite ofrece una solución computacionalmente eficiente y de alta precisión para el reconocimiento automatizado de enfermedades del lichi.
• El diseño ligero hace que el modelo sea adecuado para la implementación práctica en sistemas de clasificación post-cosecha.
• Esta investigación proporciona una herramienta valiosa para mejorar la gestión de la calidad del lichi y reducir el desperdicio de alimentos.