YOLO-AVCA-CBAMNet: Marco impulsado por atención para la detección y clasificación de etapas de madurez del pimiento

Área de la Ciencia:

• Visión por Computadora
• Aprendizaje Automático
• Tecnología Agrícola

Sus antecedentes:

• La identificación precisa de la madurez del pimiento es crucial para el momento óptimo de la cosecha y la calidad de las especias.
• Los métodos existentes pueden tener dificultades con las diversas condiciones del campo, como la iluminación variable y los fondos complejos.

Objetivo del estudio:

• Desarrollar un marco integrado de detección y clasificación, YOLO-AVCA-CBAMNet, para la evaluación eficaz de la madurez del pimiento en entornos de campo naturales.
• Mejorar la fiabilidad de la separación de etapas de madurez utilizando mecanismos de atención complementarios.

Principales métodos:

• Se utilizó un conjunto de datos de imágenes de pimientos recopilado por el propio usuario con un teléfono inteligente en condiciones variadas.
• Se empleó YOLOv8 para la detección inicial de pimientos en escenas complejas.
• Se aplicaron redes neuronales convolucionales mejoradas con el Módulo de Atención de la Corteza Visual Adaptativa (AVCAM) y el Módulo de Atención de Bloques Convolucionales (CBAM) para la clasificación.

Principales resultados:

• Logró ganancias de precisión del 5-9% en diferentes arquitecturas de backbone.
• La configuración basada en DenseNet121 alcanzó una precisión máxima del 96.19%.
• Demostró una mejor discriminación de etapas de madurez visualmente similares a través de mecanismos de doble atención.

Conclusiones:

• Los modelos impulsados por atención muestran un potencial significativo para la evaluación de la madurez interpretable, eficiente y escalable en la agricultura de precisión.
• El marco YOLO-AVCA-CBAMNet ofrece una solución robusta para aplicaciones agrícolas del mundo real.
• El estudio valida la relevancia práctica de las técnicas avanzadas de aprendizaje profundo para el monitoreo de cultivos.