AS-SwinT et l’avenir de l’éclaircissage automatisé des baies

L’éclaircissage des baies est crucial pour la culture de raisins de table de qualité, traditionnellement réalisé par une main d’œuvre qualifiée qui se raréfie en raison du vieillissement de la population. Pour répondre à ce processus long et laborieux, les chercheurs se concentrent sur le développement d’un système de vision industrielle intelligent pour l’éclaircissage automatisé des baies.

Les études actuelles utilisent l’apprentissage profond (DL) et le traitement d’images pour compter et localiser les baies, avec des méthodologies allant de l’analyse d’images de vigne entières à la concentration sur des images d’une seule grappe de raisin pour une précision et une efficacité améliorées. Cependant, il reste difficile de détecter avec précision les petites baies pendant la saison d’éclaircissage en raison de leur taille, de la similitude de leur couleur avec celle des feuilles et de leur emballage dense. Cela nécessite des recherches supplémentaires pour améliorer les capacités de détection et généraliser les techniques.

Dans ce étude, les chercheurs ont utilisé un système de vision industrielle, en particulier un modèle de segmentation d’instance nommé AS-SwinT, pour améliorer le processus de comptage des baies de raisin. L’expérience a été menée à l’aide d’une configuration matérielle robuste, comprenant un processeur NVIDIA RTX3090 de 24 Go et i7. Des outils logiciels tels que Python et PyTorch ont été utilisés, utilisant MMDetection pour la construction de modèles.

Les images ont été améliorées grâce à des techniques de retournement et les modèles ont été formés à l’aide de l’optimisation AdamW, en mettant l’accent sur l’apprentissage par transfert et les poids de base de l’ensemble de données Imagenet. Les performances d’AS-SwinT et d’autres modèles ont été évaluées à l’aide de mesures de précision moyenne de type COCO, en tenant compte de différentes tailles d’objets et en utilisant des calculs de précision et de rappel.

Les études d’ablation ont révélé des améliorations significatives de la précision de la détection, en particulier grâce à l’intégration des composants d’optimisation d’Anchor, Soft-NMS et ASFF. AS-SwinT a démontré des performances supérieures dans la détection des petites baies, combinant les avantages de ces modules pour éviter les détections manquées.

Les comparaisons avec différents réseaux fédérateurs ont montré que l’approfondissement des couches n’est pas toujours en corrélation avec une plus grande précision, mettant en évidence la capacité efficace d’extraction de caractéristiques du Swin Transformer. Comparé aux modèles classiques dans des environnements artificiels et naturels, AS-SwinT a surpassé les autres, faisant preuve d’une robustesse et d’une précision remarquables, en particulier dans des conditions difficiles où les baies se chevauchent ou sont ombragées.

L’étude a également exploré l’estimation du nombre de baies dans un seul régime à l’aide d’un modèle de régression linéaire, évaluant la relation entre la prédiction et la vérité terrain. AS-SwinT a obtenu les caractéristiques d’ajustement les plus élevées parmi les modèles testés, indiquant son utilité potentielle pour les viticulteurs.

Malgré ce succès, des défis tels que la non-détection de baies très ombragées ou minuscules mettent en évidence des domaines de recherche future, notamment l’exploration de différents cépages et l’impact des conditions environnementales sur la précision de la détection. L’étude vise à réduire les coûts d’étiquetage et à améliorer encore le modèle.

Cela suggère que l’apprentissage semi-supervisé et d’autres méthodes pourraient être bénéfiques. Dans l’ensemble, la recherche présente une avancée significative dans le comptage automatisé des baies de raisin, offrant une solution robuste pour faciliter le processus d’éclaircissage des baies et potentiellement révolutionner la culture du raisin de table.