Detección de fresas con visión artificial y algoritmos de aprendizaje profundo

Abstract

Dada la importancia comercial de las fresas a nivel mundial, resulta fundamental tener información útil y oportuna sobre el desarrollo y crecimiento del cultivo. Para ello, los sistemas de visión artificial, en conjunto con algoritmos de aprendizaje profundo, han comenzado a dar resultados prometedores en el monitoreo de los cultivos. Al obtener información previa sobre el rendimiento y calidad de las cosechas, a través de la detección y caracterización por grado de madurez de los frutos, se obtiene información útil para la logística de la cosecha y los procesos de postcosecha. En esta investigación se evaluaron algoritmos de aprendizaje profundo, incluyendo las variantes s, n, y en ciertos casos, la variante t de YOLO v8 a v11 para detectar y clasificar según el grado de madurez; y las versiones v8 y v11 para determinar dos puntos clave en los frutos de fresas en cultivos establecidos en camellones bajo macrotúneles. La red YOLOv8n tuvo la mayor velocidad de procesamiento de cuadros por segundo, aunque en las métricas de detección ocupó el tercer lugar, con valores que difieren del primer lugar en menos del 1 %. También se identificaron dos puntos clave en las fresas para determinar su eje, información que resulta necesaria para orientar a un robot en el acercamiento y desprendimiento del fruto, así como permitir el cálculo de su tamaño mediante la información de su longitud y diámetro. La mejor estimación de los puntos clave en un espacio 2D se logró con YOLO11l, mientras que YOLOv8n obtuvo el tercer lugar con valores menores al 2 %, pero con una velocidad superior en un 227.28 %. La red YOLOv8n presentó el mejor desempeño en general, considerando velocidad, precisión, tamaño y la estimación de los puntos clave al detectar y clasificar las fresas.