DOI: https://doi.org/10.3389/fpls.2024.1415297
PMID: https://pubmed.ncbi.nlm.nih.gov/39036358
تاريخ النشر: 2024-07-05
المؤلف: Sen Wang وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم البحث نموذجًا خفيف الوزن جديدًا، PDSI-RTDETR، مصممًا للكشف الدقيق عن نضج الطماطم، معالجًا التحديات الكبيرة في الحصاد الذكي. غالبًا ما تفشل الطرق التقليدية في تحديد النضج بدقة، مما يؤدي إلى حصاد الطماطم غير الناضجة أو الفاسدة، مما يتسبب في خسائر اقتصادية. يعزز النموذج المقترح كفاءة استخراج الميزات من خلال دمج وحدة PConv_Block بدلاً من هيكل Basic_Block، ويستخدم وحدة انتباه قابلة للتشوه مع تفاعل الميزات داخل النطاق لتحسين التصنيف الدقيق. بالإضافة إلى ذلك، فإن هيكل دمج الميزات slimneck-SSFF يحسن الحمل الحسابي مع الحفاظ على دقة الكشف العالية.
تظهر التقييمات الشاملة أن PDSI-RTDETR يحقق دقة متوسطة (mAP50) تبلغ 86.8%، بزيادة قدرها 3.9% عن نموذج RT-DETR الأصلي، بالإضافة إلى زيادة بنسبة 38.7% في الإطارات في الثانية (FPS) وتقليل بنسبة 17.6% في GFLOPs. يتم التحقق من متانة النموذج عبر ظروف الإضاءة والاحتجاب المتغيرة، مما يجعله مناسبًا للتطبيقات الواقعية في أنظمة الحصاد الذكي. ستركز الأبحاث المستقبلية على نشر هذا النموذج في الإعدادات العملية واستكشاف الكشف عن النضج لمنتجات زراعية أخرى، بهدف تعزيز الكفاءة والاستدامة في ممارسات الزراعة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على أهمية الطماطم كمصدر غذائي غني بالعناصر الغذائية، مع التأكيد على مراحل نموها والتغيرات المقابلة في اللون والصلابة والمحتوى الغذائي. تنتقد الطرق التقليدية للكشف عن النضج، التي غالبًا ما تكون ذات طابع شخصي وغير فعالة، وتناقش قيود تقنيات الاستشعار الحالية التي تواجه صعوبة مع التباين البيئي والتكاليف العالية. تشير الورقة إلى عدم كفاية الأساليب التقليدية للتعلم الآلي في تحديد نضج الطماطم بدقة، خاصة في البيئات غير المنظمة التي تتميز بالاحتجاب والإضاءة المتغيرة.
لمعالجة هذه التحديات، يقترح البحث إطار عمل جديد خفيف الوزن لتحديد نضج الطماطم يعتمد على بنية RT-DETR المحسنة. تشمل المساهمات الرئيسية دمج الكتل المتبقية مع الالتفاف الجزئي لتحسين الكفاءة الحسابية، وتقديم آلية انتباه قابلة للتشوه لتحسين دقة التصنيف، وتصميم هيكل رقبة خفيف الوزن لتعزيز قدرات الكشف عن العناصر الصغيرة. بالإضافة إلى ذلك، تم تقديم دالة خسارة محسنة، Inner-EIoU، لتحسين نتائج الانحدار. يظهر الإطار المقترح أداءً متفوقًا من حيث الدقة والسرعة مقارنة بالنماذج الحالية، مما يعزز مجال الكشف الآلي عن نضج الطماطم.
طرق
استخدم البحث بيئة تجريبية للشبكة تم تكوينها على Ubuntu 20.04، باستخدام Python الإصدار 3.10.12 و Pytorch 2.0.1. تم توفير التكوينات الرئيسية للأجهزة ومعلمات النموذج في الجدول التكميلي 1. تم إجراء عملية التدريب بحجم دفعة قدره 4 على مدى 100 دورة، وتم تعيين معدل التعلم إلى 0.0001. بالإضافة إلى ذلك، تم استخدام حجم صورة قابل للتكيف قدره $640 \times 640$ بكسل للتجارب، مما يضمن المرونة في التعامل مع أبعاد الإدخال المختلفة.
مناقشة
تقدم قسم المناقشة في ورقة البحث نموذج RT-DETR، وهو إطار عمل جديد للكشف عن الأهداف في الوقت الحقيقي يتفوق على YOLOv8 من حيث الفعالية والكفاءة الحسابية مع الحفاظ على سرعات كشف مماثلة. يتكون الهيكل من شبكة أساسية لاستخراج الميزات، ومشفّر هجين يستخدم تفاعل الميزات داخل النطاق القائم على الانتباه (AIFI) ووحدات دمج الميزات عبر النطاق (CCFM)، ومفكك تشفير قائم على المحولات يعزز المطابقة الثنائية من خلال تعديلات استعلام مدركة لـ IoU. يسمح هذا التصميم لـ RT-DETR بتحقيق توازن فعال بين الدقة والسرعة، مما يجعله مناسبًا للتطبيقات الصناعية، خاصة في تقييم نضج الطماطم.
تتكون مجموعة البيانات المستخدمة لتدريب النموذج من صور تم جمعها تحت ظروف متغيرة لضمان التنوع، حيث تم تصنيف الطماطم إلى خمس مراحل نضج بناءً على الخصائص المرئية. يتم تحسين هيكل النموذج بشكل أكبر من خلال تقديم متغير PDSI-RTDETR الخفيف الوزن، الذي يستخدم PConv_Block لاستخراج الميزات بكفاءة وآليات انتباه قابلة للتشوه لتعزيز دقة التصنيف. كما توضح الدراسة التحسينات في شبكة الرقبة من خلال هيكل slimneck-SSFF، الذي يحسن دمج الميزات متعددة النطاقات مع تقليل التكاليف الحسابية. تسارع دالة خسارة Inner-EIoU المقترحة من التقارب وتعزز أداء الكشف، كما يتضح من التقييمات الشاملة باستخدام الدقة، والاسترجاع، ومتوسط الدقة، وغيرها من المقاييس، مما يؤكد على متانة النموذج وكفاءته في التطبيقات في الوقت الحقيقي.
DOI: https://doi.org/10.3389/fpls.2024.1415297
PMID: https://pubmed.ncbi.nlm.nih.gov/39036358
Publication Date: 2024-07-05
Author(s): Sen Wang et al.
Primary Topic: Smart Agriculture and AI
Overview
The research presents a novel lightweight model, PDSI-RTDETR, designed for the precise detection of tomato ripeness, addressing significant challenges in intelligent harvesting. Traditional methods often fail to accurately identify ripeness, leading to the harvesting of immature or spoiled tomatoes, which incurs economic losses. The proposed model enhances feature extraction efficiency by integrating a PConv_Block module in place of the Basic_Block structure, and employs a deformable attention module combined with intra-scale feature interaction to improve fine-grained classification. Additionally, the slimneck-SSFF feature fusion structure optimizes computational load while maintaining high detection accuracy.
Extensive evaluations demonstrate that PDSI-RTDETR achieves an average precision (mAP50) of 86.8%, a 3.9% improvement over the original RT-DETR model, alongside a 38.7% increase in frames per second (FPS) and a 17.6% reduction in GFLOPs. The model’s robustness is validated across varying lighting and occlusion conditions, making it suitable for real-world applications in intelligent harvesting systems. Future research will focus on deploying this model in practical settings and exploring ripeness detection for other agricultural products, aiming to enhance efficiency and sustainability in farming practices.
Introduction
The introduction of the research paper highlights the significance of tomatoes as a nutrient-rich food source, emphasizing their growth stages and the corresponding changes in color, firmness, and nutritional content. It critiques traditional methods of maturity detection, which are often subjective and inefficient, and discusses the limitations of existing sensor technologies that struggle with ecological variability and high costs. The paper notes the inadequacies of conventional machine learning approaches in accurately identifying tomato maturity, particularly in unstructured environments characterized by occlusion and variable lighting.
To address these challenges, the study proposes a novel lightweight tomato maturity identification framework based on an enhanced RT-DETR architecture. Key contributions include the integration of residual blocks with partial convolutions to optimize computational efficiency, the introduction of a deformable attention mechanism for improved classification accuracy, and the design of a lightweight neck architecture to enhance detection capabilities for small items. Additionally, an optimized loss function, Inner-EIoU, is introduced to improve regression outcomes. The proposed framework demonstrates superior performance in terms of accuracy and speed compared to existing models, thereby advancing the field of automated tomato maturity detection.
Methods
The research employed a network experimental environment configured on Ubuntu 20.04, utilizing Python version 3.10.12 and Pytorch 2.0.1. Key hardware configurations and model parameters are provided in Supplementary Table 1. The training process was conducted with a batch size of 4 over 100 epochs, and a learning rate was set to 0.0001. Additionally, an adaptive image size of $640 \times 640$ pixels was utilized for the experiments, ensuring flexibility in handling various input dimensions.
Discussion
The discussion section of the research paper presents the RT-DETR model, a novel real-time target detection framework that outperforms YOLOv8 in terms of efficacy and computational efficiency while maintaining comparable detection speeds. The architecture comprises a backbone network for feature extraction, a hybrid encoder utilizing Attention-based Intra-scale Feature Interaction (AIFI) and Cross-scale Feature-Fusion Modules (CCFM), and a transformer-based decoder that enhances bipartite matching through IoU-aware query adjustments. This design allows RT-DETR to effectively balance accuracy and speed, making it suitable for industrial applications, particularly in assessing tomato ripeness.
The dataset used for training the model consists of images collected under varying conditions to ensure diversity, with tomatoes categorized into five ripeness stages based on visual characteristics. The model architecture is further refined with the introduction of the lightweight PDSI-RTDETR variant, which employs a PConv_Block for efficient feature extraction and deformable attention mechanisms to enhance classification accuracy. The study also details improvements in the neck network through the slimneck-SSFF structure, which optimizes multi-scale feature integration while reducing computational costs. The proposed Inner-EIoU loss function accelerates convergence and enhances detection performance, as evidenced by comprehensive evaluations using precision, recall, mean average precision, and other metrics, confirming the model’s robustness and efficiency in real-time applications.