Edge-YOLO-Tomato: Modelo robusto de IA para detección de tomates en condiciones climáticas adversas, mejorando la...

Área de la Ciencia:

• Visión por Computadora
• Robótica
• Tecnología Agrícola

Sus antecedentes:

• La detección precisa de tomates es crucial para la cosecha y el raleo automatizados.
• Los sistemas actuales tienen dificultades con el clima adverso, la estimación del tamaño y las limitaciones de los dispositivos de borde.

Objetivo del estudio:

• Desarrollar un modelo de IA robusto y eficiente para la detección de tomates en condiciones climáticas diversas y adversas.
• Abordar las limitaciones computacionales en dispositivos de borde para aplicaciones agrícolas en tiempo real.

Principales métodos:

• Se introdujo el conjunto de datos TIDAW, generado sintéticamente utilizando un modelo de dispersión atmosférica basado en principios físicos.
• Se desarrolló Edge-YOLO-Tomato, una arquitectura basada en YOLOv8 con un módulo de dispersión sensible a la física, convoluciones dilatadas, pérdida Wise-IoU integrada con prioridades y un marco de compresión.
• Se utilizó la búsqueda de arquitectura neuronal para la compresión del modelo, combinando la poda de magnitud y capa por capa.

Principales resultados:

• Edge-YOLO-Tomato logró un 93,3% de mAP50 y un 74,3% de mAP50:95 en el conjunto de datos TIDAW.
• Superó a modelos existentes como YOLOv8, YOLOv11, Faster R-CNN y RT-DETR.
• El modelo comprimido tiene una huella de 4,7373 MB con una pérdida mínima de precisión y una latencia reducida en un 50% en la CPU.

Conclusiones:

• El sistema desarrollado permite la detección robusta de frutas en tiempo real en entornos no controlados.
• Establece un nuevo paradigma para la agricultura de precisión basada en la visión a través de la síntesis de datos y la modelización sensible a la física.
• El modelo Edge-YOLO-Tomato ofrece una solución práctica para los desafíos de la agricultura robótica.