DOI: https://doi.org/10.1038/s41598-026-36671-3
PMID: https://pubmed.ncbi.nlm.nih.gov/41565747
تاريخ النشر: 2026-01-21
المؤلف: Hanqi Zhao وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
في هذا القسم، يتناول المؤلفون تحديات الانسداد وتداخل الفواكه في تطوير روبوتات قطف الفلفل الأحمر الذكية. يقدمون نموذجًا خفيف الوزن للتعرف يسمى Red-YOLO، مصممًا لتعزيز كفاءة الأذرع الروبوتية أثناء عملية القطف. يتم تدريب النموذج على مجموعة بيانات مخصصة تحتوي على مجموعات من الفلفل الأحمر المنتشر والمجموعة، مما يسمح بتعديل حجم الأداة النهائية لتناسب أنواع مختلفة من المجموعات، وبالتالي تحسين كفاءة القطف بشكل عام.
يبني نموذج Red-YOLO على سلسلة YOLO، مستخدمًا بشكل خاص YOLOv8n كعنصر أساسي. يتضمن آلية انتباه CBAM لتعزيز تركيز الميزات من خلال وزن القناة التكيفية المعتمدة على MLP ويستبدل مشغل التوسيع الأصلي بوحدة CARAFE لاستغلال التفاصيل المكانية بشكل أفضل في المجموعات المتداخلة بكثافة. بالإضافة إلى ذلك، يتم تحقيق التصميم الخفيف للنموذج من خلال دمج وحدات GSConv و VoV-GSCSP. تشير النتائج التجريبية إلى أن Red-YOLO يتفوق على النموذج الأساسي مع تحسينات بنسبة 1.4% في الدقة (P)، و6.1% في الاسترجاع (R)، و3.2% في متوسط الدقة عند 50% (mAP50)، بينما يقلل أيضًا من معلمات النموذج بنسبة 1% و GFlops بنسبة 5%. تشير هذه النتائج إلى أن Red-YOLO فعال للكشف في الوقت الحقيقي عن مجموعات الفلفل الأحمر، مما يجعله مناسبًا للنشر على الأجهزة ذات القدرة الحاسوبية المنخفضة مثل الأنظمة المحمولة والمضمنة.
مقدمة
حبوب الفلفل الأحمر (Zanthoxylum bungeanum) هي توابل حيوية في التقاليد الطهو في سيتشوان وتشونغتشينغ، حيث توفر النكهة الحارة المميزة لمطبخ سيتشوان. بخلاف تطبيقاتها الطهو، تمتلك هذه الحبوب خصائص طبية، بما في ذلك تأثيرات مضادة للالتهابات ومضادة للاكتئاب. تتمتع مجموعة هانييوان من حبوب الفلفل الأحمر بأهمية تاريخية غنية، حيث تم زراعتها لقرون وكانت تاريخيًا تُقدم كجزء من الجزية إلى المحكمة الإمبراطورية، مما أدى إلى تسميتها “حبوب الفلفل الجزية”. يبرز هذا الدور المزدوج كعنصر غذائي وطبي الأهمية الثقافية والتاريخية لحبوب الفلفل الأحمر هانييوان في المجتمع الصيني.
طرق
في قسم “المواد والطرق”، يصف المؤلفون البيئة التجريبية وتكوين التدريب المستخدم في دراستهم. يوضحون الظروف المحددة التي أجريت فيها التجارب، بما في ذلك المعدات والبرامج المستخدمة، بالإضافة إلى المعلمات المحددة لجلسات التدريب. تم تصميم التكوين لضمان إمكانية إعادة إنتاج النتائج وموثوقيتها، مما يبرز أهمية المتغيرات المضبوطة في إعداد التجربة.
كما يحدد المؤلفون المنهجية لجمع البيانات وتحليلها، مع التركيز على التقنيات الإحصائية المستخدمة لتفسير النتائج. يخدم هذا القسم لتقديم نظرة شاملة على الإطار التجريبي، مما يضمن أن القراء يمكنهم فهم الدراسة وإعادة إنتاجها إذا رغبوا في ذلك. بشكل عام، يبرز التفصيل الدقيق للطرق صرامة عملية البحث وصحة الاستنتاجات المستخلصة من البيانات التجريبية.
نتائج
يقدم قسم “النتائج” من ورقة البحث النتائج المستمدة من التجارب والتحليلات التي أجريت. تشمل النتائج الرئيسية تحديد علاقات هامة بين المتغيرات المدروسة، بالإضافة إلى التحقق من الفرضيات المقترحة من خلال الأساليب الإحصائية. تشير البيانات إلى اتجاه واضح يدعم الإطار النظري الذي تم تأسيسه في المقدمة، مما يظهر أن المتغير المستقل له تأثير قابل للقياس على المتغير التابع.
بالإضافة إلى ذلك، تبرز النتائج قيم عددية محددة وأهمية إحصائية، مع قيم p التي تشير إلى قوة النتائج. يتم استخدام تمثيلات رسومية، مثل المخططات والجداول، لتوضيح العلاقات والاتجاهات الملاحظة، مما يوفر سياقًا بصريًا للبيانات الكمية. بشكل عام، تدعم النتائج أهداف البحث وتساهم بأفكار قيمة في مجال الدراسة.
مناقشة
في هذه الدراسة، يتناول المؤلفون تحديات حصاد حبوب الفلفل الأحمر (Zanthoxylum bungeanum) من خلال تطوير نموذج محسّن يعتمد على YOLOv8، يسمى Red-YOLO، الذي يعزز دقة الكشف عن مجموعات الفلفل الأحمر في بيئات البستان المعقدة. يتضمن النموذج تقنيات التعرف البصري المتقدمة، وخاصة وحدة انتباه الكتلة الالتفافية (CBAM)، التي تسمح بالتأكيد التكيفي على الميزات ذات الصلة مع تقليل التداخل الخلفي من الفروع والأوراق. تعزز هذه الاستراتيجية التعليمية الموجهة بالانتباه بشكل كبير من دقة التحديد وثقة الكشف، مما يجعل النموذج مناسبًا للنشر على روبوتات الحصاد ذات الموارد الحاسوبية المحدودة.
يتم تحسين نموذج Red-YOLO بشكل أكبر من خلال دمج وحدات خفيفة الوزن مثل GSConv و CARAFE، التي تقلل من تعقيد الحسابات مع الحفاظ على أداء كشف عالي. على الرغم من هذه التقدمات، تعترف الدراسة بالقيود، بما في ذلك تقييد مجموعة البيانات إلى نوع واحد من الفلفل وظروف جغرافية محددة، مما قد يعيق إمكانية تعميم النموذج على سيناريوهات حصاد أكثر تنوعًا. بالإضافة إلى ذلك، قد تؤدي التشابهات البصرية بين المجموعات المدمجة والمشتتة إلى حدوث أخطاء في الكشف بين الحين والآخر، مما يشير إلى الحاجة إلى مزيد من التحسين لتعزيز المتانة في ظل الظروف القاسية. بشكل عام، تؤكد النتائج على إمكانيات تقنيات الحصاد الذكية في تحسين إنتاجية الزراعة مع معالجة التحديات الفريدة التي تطرحها زراعة حبوب الفلفل الأحمر.
DOI: https://doi.org/10.1038/s41598-026-36671-3
PMID: https://pubmed.ncbi.nlm.nih.gov/41565747
Publication Date: 2026-01-21
Author(s): Hanqi Zhao et al.
Primary Topic: Smart Agriculture and AI
Overview
In this section, the authors address the challenges of occlusion and overlapping fruit in the development of intelligent red pepper cluster picking robots. They introduce a lightweight recognition model named Red-YOLO, designed to enhance the efficiency of robotic arms during the picking process. The model is trained on a custom dataset featuring both diffuse and clustered red pepper clusters, allowing for the adjustment of the end effector size to accommodate different types of clusters, thereby improving overall picking efficiency.
The Red-YOLO model builds upon the YOLO series, specifically utilizing YOLOv8n as its foundational module. It incorporates a CBAM attention mechanism to enhance feature focus through MLP-based adaptive channel weighting and replaces the original upsampling operator with the CARAFE module to better utilize spatial details in densely overlapping clusters. Additionally, the model’s lightweight design is achieved through the integration of GSConv and VoV-GSCSP modules. The experimental results indicate that Red-YOLO outperforms the baseline model with improvements of 1.4% in precision (P), 6.1% in recall (R), and 3.2% in mean Average Precision at 50% (mAP50), while also reducing model parameters by 1% and GFlops by 5%. These findings suggest that Red-YOLO is effective for real-time detection of red pepper clusters, making it suitable for deployment on low-computing devices such as mobile and embedded systems.
Introduction
Red peppercorns (Zanthoxylum bungeanum) are a crucial condiment in the culinary traditions of Sichuan and Chongqing, providing the characteristic spicy flavor of Sichuan cuisine. Beyond their culinary applications, these peppercorns possess medicinal properties, including anti-inflammatory and anti-depressant effects. The Hanyuan variety of red peppercorns has a rich historical significance, having been cultivated for centuries and historically served as tribute to the imperial court, which has led to their designation as “tribute peppercorns.” This dual role as both a food and medicinal ingredient underscores the cultural and historical importance of Hanyuan red peppercorns in Chinese society.
Methods
In the “Materials and Methods” section, the authors describe the experimental environment and training configuration utilized in their study. They detail the specific conditions under which the experiments were conducted, including the equipment and software used, as well as the parameters set for the training sessions. The configuration is designed to ensure reproducibility and reliability of the results, highlighting the importance of controlled variables in the experimental setup.
The authors also outline the methodology for data collection and analysis, emphasizing the statistical techniques employed to interpret the findings. This section serves to provide a comprehensive overview of the experimental framework, ensuring that readers can understand and replicate the study if desired. Overall, the meticulous detailing of the methods underscores the rigor of the research process and the validity of the conclusions drawn from the experimental data.
Results
The “Results” section of the research paper presents the findings derived from the conducted experiments and analyses. Key outcomes include the identification of significant correlations between the variables studied, as well as the validation of the proposed hypotheses through statistical methods. The data indicate a clear trend that supports the theoretical framework established in the introduction, demonstrating that the independent variable has a measurable impact on the dependent variable.
Additionally, the results highlight specific numerical values and statistical significance, with p-values indicating the robustness of the findings. Graphical representations, such as charts and tables, are employed to illustrate the relationships and trends observed, providing a visual context to the quantitative data. Overall, the results substantiate the research objectives and contribute valuable insights to the field of study.
Discussion
In this study, the authors address the challenges of harvesting red peppercorns (Zanthoxylum bungeanum) by developing an improved YOLOv8-based model, termed Red-YOLO, which enhances the detection accuracy of red pepper clusters in complex orchard environments. The model incorporates advanced visual recognition technologies, particularly the Convolutional Block Attention Module (CBAM), which allows for adaptive emphasis on relevant features while suppressing background interference from branches and leaves. This attention-guided learning strategy significantly improves localization accuracy and detection confidence, making the model suitable for deployment on harvesting robots with limited computational resources.
The Red-YOLO model is further optimized through the integration of lightweight modules such as GSConv and CARAFE, which reduce computational complexity while maintaining high detection performance. Despite these advancements, the study acknowledges limitations, including the dataset’s restriction to a single pepper variety and specific geographical conditions, which may hinder the model’s generalizability to more diverse harvesting scenarios. Additionally, the visual similarities between compact and diffuse clusters could lead to occasional misdetections, indicating a need for further refinement to enhance robustness under extreme conditions. Overall, the findings underscore the potential of intelligent harvesting technologies in improving agricultural productivity while addressing the unique challenges posed by red peppercorn cultivation.