Η τελευταία καινοτομία προέρχεται από την Κίνα και αποτελείται από ένα προηγμένο νευρωνικό δίκτυο ικανό να εντοπίζει με ακρίβεια τα σημεία συλλογής.
Στον κόσμο της γεωργίας ακριβείας, υπάρχει μια πρόκληση που έχει αντισταθεί στον αυτοματισμό περισσότερο από άλλες: η συγκομιδή των επιτραπέζιων σταφυλιών. Για ένα ρομπότ, στην πραγματικότητα, αυτή η λειτουργία αντιπροσωπεύει έναν πραγματικό εφιάλτη. Δεν πρόκειται μόνο για τη συλλογή ενός καρπού από το φυτό, αλλά για την επεξεργασία ενός προϊόντος με ακανόνιστο σχήμα, πυκνά τσαμπιά και λεπτούς βλαστούς. Η βιολογική μεταβλητότητα, η απόφραξη των φύλλων και των κλαδιών, ακόμη και οι συνθήκες φωτισμού καθιστούν δύσκολο τον ακριβή εντοπισμό του σημείου από το οποίο θα κοπεί το τσαμπί. Ωστόσο, μια κινεζική ομάδα έχει κάνει ένα σημαντικό βήμα μπροστά.
YOLO v8n-DWF: το ακρωνύμιο που υπόσχεται αυτοματοποιημένη συγκομιδή σταφυλιών
Μια ερευνητική ομάδα από το Γεωπονικό Πανεπιστήμιο Shandong στην Κίνα ανέπτυξε ένα σύστημα που ονομάζεται YOLO v8n-DWF , ένα προηγμένο νευρωνικό δίκτυο σχεδιασμένο για να εντοπίζει με ακρίβεια τις τοποθεσίες συγκομιδής επιτραπέζιων σταφυλιών. Το όνομα συνοψίζει (ή σχεδόν) έναν συνδυασμό τεχνολογιών:
YOLO v8n , μια «νανο» έκδοση του αλγορίθμου You Only Look Once, από τις ταχύτερες για αναγνώριση αντικειμένων.
DCN (Παραμορφώσιμα Συνελικτικά Δίκτυα) που εισάγει ευελιξία στην «όψη» του μοντέλου, προσαρμόζοντας τις συνελικτικές δομές στο πραγματικό σχήμα του συμπλέγματος.
Το WIoU v3 (Wise Intersection over Union) βελτιώνει την ικανότητα του μοντέλου να αξιολογεί και να διορθώνει ανακρίβειες σε πιο δύσκολους στόχους, όπως τα αμπέλια.
Μια τέταρτη κεφαλή ανίχνευσης , ειδικά σχεδιασμένη για μικρά και περίπλοκα αντικείμενα.
Μαζί, αυτά τα συστατικά δημιουργούν μια πολύ πολλά υποσχόμενη συνταγή για να γίνει ο αυτοματοποιημένος τρύγος κάτι περισσότερο από μια εργαστηριακή περιέργεια.
Ένα σύνολο δεδομένων που αναπτύχθηκε στο πεδίο
Η εκπαίδευση του μοντέλου πραγματοποιήθηκε με σχεδόν χειροτεχνική αυστηρότητα. Οι επιστήμονες συνέλεξαν 2.777 εικόνες πραγματικών αμπελώνων, οι οποίες τραβήχτηκαν σε διαφορετικές εποχές, ώρες και συνθήκες φωτισμού, από την αυγή μέχρι το σούρουπο. Οι ποικιλίες σταφυλιών που δοκιμάστηκαν ήταν οι πιο συνηθισμένες στις ασιατικές αγορές: Summer Black, Shine Muscat, Kyoho .
Οι εικόνες χαρακτηρίστηκαν σε δύο κατηγορίες: «δέσμη» και «άξονας», δηλαδή η λήψη. Για την εκπαίδευση του δικτύου, οι ερευνητές χώρισαν τις εικόνες σε σύνολα εκπαίδευσης, επικύρωσης και δοκιμής. Ο στόχος ήταν σαφής: να εκπαιδευτεί ένας αλγόριθμος ικανός όχι μόνο να «βλέπει» τα σταφύλια, αλλά και να κατανοεί την ανατομία τους .
Η καρδιά της καινοτομίας είναι το γεωμετρικό σύστημα εντοπισμού του σημείου συλλογής. Ξεκινώντας από τις εικόνες που επεξεργάζεται το YOLO v8n-DWF, το σύστημα μετρά την αναλογία διαστάσεων του βλήματος (ύψος/πλάτος): εάν η αναλογία υπερβαίνει μια συγκεκριμένη τιμή (3), το βλαστάρι θεωρείται ευθύγραμμο και το σημείο κοπής υπολογίζεται στο κάτω κέντρο. Εάν είναι χαμηλότερο, ο βλαστός είναι λυγισμένος και χρησιμοποιείται ένα διάμεσο φίλτρο για να προσδιοριστεί η περιοχή με τη μεγαλύτερη γκρι αντίθεση, δηλαδή το σημείο όπου είναι πιθανό να βρεθεί η σύνδεση με το τσαμπιά.
Εικόνα της τοποθεσίας των σημείων συλλογής των επιτραπέζιων σταφυλιών
Μια σχεδόν τέλεια συγκομιδή σταφυλιών
Όπως αναφέρεται στη μελέτη, το σύστημα πέτυχε εκπληκτικά αποτελέσματα:
Συνολική ακρίβεια : 97,9%
Ειδική ακρίβεια στις βολές : 97,0%
mAP50 (μέση ακρίβεια στο όριο 0,5) : 97,6%
Ποσοστό επιτυχίας τοπικής προσαρμογής : 88,24%
αποτελεσματικό ποσοστό συλλογής στο πεδίο : 87,40%.
Για λόγους σύγκρισης, η προσέγγιση YOLO-GP – η προηγούμενη έκδοση της συσκευής – σταμάτησε σε ποσοστό εντοπισμού περίπου 80%. Και το μοντέλο YOLO v8n-DWF, με μόλις 4,19 εκατομμύρια παραμέτρους, ξεπερνά πολύ βαρύτερα μοντέλα σε απόδοση και ακρίβεια.
Το ρομπότ, ωστόσο, δεν είναι αλάνθαστο. Οι ερευνητές έχουν στην πραγματικότητα εντοπίσει τρεις κύριους περιορισμούς, οι οποίοι αφορούν την παρουσία παραμορφωμένων ή πολύ μακριών βλαστών. εμπόδια από φύλλα ή άλλες δέσμες και η έλλειψη καλού φωτισμού, ειδικά όταν υπάρχει οπίσθιος φωτισμός. Αυτές είναι περιπτώσεις όπου το μοντέλο μπορεί να μπερδεύει τα σταφύλια με κλαδιά ή φόντο ή απλώς να μην βλέπει τίποτα. Ωστόσο, η λύση υπάρχει ήδη: η μετάβαση από την αναγνώριση σε μια τμηματοποίηση των περιπτώσεων , ικανή να διακρίνει καλύτερα κάθε μεμονωμένο κλάδο. Παράλληλα, θα προχωρήσουμε στην ενεργή διαχείριση του φωτισμού και στο φιλτράρισμα των οπτικών διαταραχών.
Αποτελέσματα ανίχνευσης υπό διαφορετικά περιβάλλοντα φωτισμού (a) οπίσθιος φωτισμός, (b) οπίσθιος φωτισμός, (c) μπροστινός φωτισμός, (d)νυχτερινός φωτισμός
Από τη συγκομιδή μέχρι το κλάδεμα
Μια όχι ασήμαντη λεπτομέρεια: το ρομπότ δεν σχεδιάστηκε μόνο για τη συγκομιδή. Το σύστημα έχει στην πραγματικότητα σχεδιαστεί για πολλαπλές λειτουργίες, όπως αραίωση τσαμπιών ή κλάδεμα , γεγονός που υποδηλώνει μια ολοένα και πιο δομημένη χρήση στο εγγύς μέλλον.
Ήδη στην περίπτωση του αυτόματου τρύγου σταφυλιών, το έργο YOLO v8n-DWF έχει καταδείξει ότι μιλάμε για μια ολοένα και πιο κοντινή πραγματικότητα. Το σύστημα λειτουργεί, είναι ακριβές και αρκετά ελαφρύ για να χρησιμοποιηθεί στο πεδίο με υλικό χαμηλής ισχύος. Φυσικά, υπάρχει ακόμα το πρόβλημα της απόφραξης και του φωτός που πρέπει να ξεπεραστεί, αλλά ο δρόμος είναι ανοιχτός. Και σε έναν τομέα όπου η γεωργική εργασία είναι σπάνια και το κόστος αυξάνεται, το να βλέπεις έναν ρομποτικό βραχίονα να μαζεύει προσεκτικά ένα τσαμπί σταφύλι μπορεί να είναι κάτι περισσότερο από μια απλή υποβλητική σκηνή: είναι ένα σημάδι ότι ακόμη και η συγκομιδή των σταφυλιών μπορεί να γίνει έξυπνη.
Ilaria De Marinis
@uvadatavola.com
