En un estudio publicado por Scientific Reports , se ha presentado un nuevo enfoque para automatizar la recolección de peras, denominado red de percepción de deformación de alto nivel con búsqueda de múltiples objetos con supresión no máxima (HDMNet). Este método, que utiliza aprendizaje profundo, tiene como objetivo mejorar el sistema visual para la recolección robótica de peras, abordando los desafíos que enfrentan los modelos actuales de detección de objetos en entornos agrícolas complejos.

Las peras, que se encuentran entre las cinco frutas más importantes del mundo en términos de valor económico y nutricional, presentan un desafío considerable en la cosecha debido a la naturaleza intensiva en mano de obra y al consumo de tiempo de la tarea. HDMNet busca revolucionar este proceso al proporcionar una red de detección de objetos de alta precisión capaz de superar las limitaciones que enfrentan los métodos tradicionales. Está construida sobre la base de la versión 8 de You Only Look Once (YOLOv8), pero presenta tres mejoras significativas: un mecanismo de atención enfocada semántica de alto nivel (HSA), una red piramidal de características de percepción de deformación (DP-FPN) y una búsqueda de múltiples objetos con supresión no máxima (MO-NMS) para manejar de manera efectiva las complejidades de los entornos de huertos de perales.

La investigación implicó la recopilación y el etiquetado de un conjunto de datos que contenía 8363 imágenes de perales, que se utilizó para entrenar y evaluar el modelo HDMNet. Los resultados demostraron que HDMNet supera a los modelos existentes con una precisión media promedio (mAP) del 75,7 %, logrando una alta eficiencia y precisión en tareas de detección en tiempo real. Además, se exploró la integración de HDMNet en un sistema de Internet de las cosas (IoT) para aplicaciones del mundo real, lo que mostró el potencial del modelo para mejorar significativamente la eficiencia y la calidad de las operaciones de cosecha de peras.

Si bien el estudio se centra en la recolección de peras, las implicaciones de HDMNet van más allá y ofrecen posibles aplicaciones en diversas tareas agrícolas que requieren detección de objetos en tiempo real y de alta precisión. Esto incluye la detección de otras frutas, la identificación de enfermedades de los cultivos, la identificación de malezas y el seguimiento de animales, lo que destaca la versatilidad del modelo y su potencial para contribuir al avance de la automatización y la inteligencia agrícolas.

Fuente: www. azorobotics.com
Nota: Los artículos de terceros publicados no necesariamente reflejan la opinión de la Cámara, su publicación intenta reflejar la diversidad de visiones