Detección no destructiva de microimpurezas en té utilizando el modelo YOLOv11-PFT

Área de la Ciencia:

• Ciencia y Tecnología de los Alimentos
• Ciencias de la Computación
• Inteligencia Artificial

Sus antecedentes:

• Las impurezas microscópicas plantean un desafío significativo para la calidad del té, ya que los métodos de detección actuales son inadecuados.
• Las tecnologías existentes no logran identificar contaminantes subvisibles, lo que compromete la integridad del producto y la seguridad del consumidor.

Objetivo del estudio:

• Desarrollar un modelo avanzado de aprendizaje profundo para la detección precisa y eficiente de contaminantes microscópicos en el té.
• Crear una solución ligera y de alto rendimiento para el control automatizado de la seguridad alimentaria y la calidad en la industria del té.

Principales métodos:

• Desarrollo de YOLOv11-PFT, una novedosa arquitectura de aprendizaje profundo que integra el módulo Powerful-IoU loss, FasterNet y Triple Attention.
• Mejora de la extracción de características, la precisión de la detección y la eficiencia del modelo para la identificación de contaminantes microscópicos.

Principales resultados:

• YOLOv11-PFT logró una precisión de detección del 99,16 % para contaminantes microscópicos del té.
• El modelo demostró métricas de alto rendimiento (Precisión, Recall, Puntuación F1, mAP cerca del 98,7-99,2 %), bajo costo computacional (5,5 GFLOPs), alta velocidad de inferencia (340,6 FPS) y un tamaño de modelo compacto (5,0 MB).
• Superó a siete modelos de referencia en precisión.

Conclusiones:

• YOLOv11-PFT proporciona una solución robusta y eficiente para la detección de contaminantes microscópicos en el té.
• El modelo admite la automatización en seguridad alimentaria, el control de calidad inteligente y el posible despliegue en dispositivos de borde en entornos agrícolas.