Nel settore della frutta, l'integrazione del deep learning in attività quali la previsione della resa e la raccolta automatizzata, è stata fondamentale. Tuttavia, il processo di formazione sull'etichettatura dei dati rimane una sfida, a causa della sua natura ad alta intensità di manodopera.
Plant Phenomics ha recentemente pubblicato uno studio intitolato "DomAda-FruitDet: Domain-Adaptive Anchor-Free Fruit Detection Model for Auto Labeling", con l'obiettivo di affrontare il "gap di dominio" che esiste tra i dati sintetici di formazione e quelli di applicazione nel mondo reale. Questo divario si manifesta spesso nelle differenze tra le dimensioni del dominio in primo piano e la coerenza del dominio in background, rispetto ai dati del mondo reale.
La ricerca introduce il DomAda-FruitDet, un modello che incorpora una struttura adattativa del dominio in primo piano, basata su un doppio livello di previsione, e una strategia adattativa del dominio in background, attraverso l'attribuzione del campione. Questo approccio è progettato per mitigare i gap di dominio, migliorando così la capacità di generalizzazione del modello. DomAda-FruitDet ha dimostrato percentuali medie di precisione eccezionali nei vari set di dati, tra cui mela (90,9%), pomodoro (90,8%), pitaya (88,3%) e mango (94,0%).
Clicca qui per ingrandire l'immagine.
L'efficacia del modello è stata ulteriormente confermata attraverso degli esperimenti con set di dati di EasyDAMv1 e EasyDAMv2, che includono immagini di frutti, sia sintetici sia reali. La capacità di DomAda-FruitDet di generare in modo adattivo etichette di alta qualità a fronte di significative discrepanze di dominio è stata convalidata, indicando una significativa riduzione della manodopera e del tempo necessari per l'etichettatura dei dati.
Questo progresso è promettente per l'implementazione di tecnologie di frutteto intelligente più precise ed efficienti, rivoluzionando potenzialmente le pratiche agricole con una maggiore applicabilità del modello di deep learning.
Fonte: phys.org