💻 computer science

A Lightweight Lychee Detection Network for Orchard Harvesting Robots via ODConv and Spatial Feature Restoration

Este artículo propone ODAF-YOLOv11-n, un detector de objetos ultraligero que integra la Convolución Dinámica Omni-Dimensional y un Módulo de Restauración de Características Espaciales Ligero para lograr una detección de litchi de alta precisión y en tiempo real en entornos de huertos complejos, reduciendo significativamente la complejidad computacional para el despliegue robótico en el borde.

Autores originales: Dong Liu, Jing Chang, Jixiang Yang

Publicado 2026-09-01

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Dong Liu, Jing Chang, Jixiang Yang

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En los exuberantes y húmedos huertos del sur de China, el fruto del lichi cuelga en racimos pesados y fragantes, una cosecha preciada que durante mucho tiempo ha dependido de las manos humanas para su recolección. Sin embargo, a medida que la mano de obra rural es cada vez más escasa y la demanda de eficiencia crece, los agricultores están recurriendo a los robots para realizar la cosecha. Para que una máquina coseche un fruto, primero debe verlo con claridad. Este es el dominio de la visión artificial, un campo donde las cámaras y el software trabajan juntos para identificar objetos en el mundo. El desafío en un huerto es que la naturaleza rara vez es cooperativa; la luz cambia de un sol cegador a una sombra profunda, y el fruto suele estar oculto tras capas de hojas y otras ramas. Para tener éxito, un robot necesita un "cerebro" que pueda procesar estas imágenes instantáneamente, incluso cuando la vista está desordenada o la iluminación es deficiente, todo ello mientras funciona con una pequeña computadora conectada al propio robot.

Los investigadores han estado desarrollando estos sistemas visuales durante años, utilizando a menudo complejos modelos matemáticos conocidos como redes de aprendizaje profundo. Estos sistemas aprenden a reconocer patrones estudiando miles de imágenes, pero enfrentan un difícil compromiso. Los sistemas más precisos suelen ser demasiado pesados y lentos para que un robot los transporte, mientras que los sistemas ligeros y rápidos a menudo fallan cuando el entorno se vuelve caótico. Un equipo de investigadores del South China Business College y del Guangdong Polytechnic of Industry and Commerce ha propuesto ahora una nueva solución diseñada específicamente para este problema. Crearon un sistema visual optimizado llamado ODAF-YOLOv11-n, el cual está construido para encontrar lichis en el entorno caótico y no estructurado de un huerto real sin necesidad de una supercomputadora para ejecutarlo.

El núcleo de su trabajo aborda tres obstáculos específicos que han plagado intentos anteriores. Primero, la luz del huerto es impredecible. Un robot podría estar trabajando bajo el resplandor brillante del sol del mediodía, donde las pieles de los frutos reflejan brillos intensos, o en las sombras verdes y tenues del dosel. Las herramientas de visión artificial estándar suelen tener dificultades aquí, perdiendo la capacidad de distinguir el fruto de las hojas. Para solucionar esto, los investigadores integraron un mecanismo especial en el procesamiento visual del robot que actúa como un filtro dinámico. En lugar de utilizar un conjunto fijo de reglas para observar una imagen, este sistema ajusta su propia sensibilidad en tiempo real. Puede cambiar su enfoque para amplificar texturas tenues en la oscuridad o suprimir el resplandor cegador en la claridad, asegurando que el robot vea el fruto claramente independientemente del clima.

El segundo desafío es la obstrucción física. Los lichis crecen en racimos apretados, frecuentemente enterrados bajo hojas o presionados contra otros frutos. Cuando un fruto es solo parcialmente visible, los sistemas estándar a menudo lo pasan por alto porque no pueden adivinar la forma de la parte oculta. Los investigadores abordaron esto añadiendo un paso de "restauración" a su sistema. Imagine mirar un rompecabezas donde faltan varias piezas; un sistema estándar podría rendirse, pero este nuevo sistema utiliza los bordes visibles y el contexto circundante para reconstruir mentalmente las partes faltantes. Analiza la relación entre las diferentes capas de la imagen, rellenando eficazmente los huecos para localizar los frutos que están fuertemente cubiertos por el follaje. Esto permite al robot identificar un lichi incluso cuando solo es visible una pequeña fracción de este.

Finalmente, el equipo tenía que asegurar que el sistema fuera lo suficientemente ligero para ejecutarse en la computadora integrada de un robot. Los modelos de alta precisión anteriores eran demasiado voluminosos, requiriendo cantidades masivas de energía y potencia de procesamiento que agotarían la batería del robot o ralentizarían sus movimientos. Los investigadores resolvieron esto eliminando el peso computacional innecesario del sistema. Reemplazaron pasos de procesamiento pesados y estándar por un método mucho más eficiente que maneja la información espacial y de canal por separado, reduciendo drásticamente el número de cálculos necesarios. Esto les permitió mantener el sistema pequeño y rápido, conservando al mismo tiempo las potentes características necesarias para manejar los problemas de iluminación y oclusión.

Los resultados de este trabajo fueron probados en dos grandes colecciones de imágenes de lichi, una de un conjunto de datos público y otra capturada específicamente en el distrito de Conghua, en Guangzhou. El nuevo sistema demostró ser notablemente efectivo. En el conjunto de datos público, alcanzó una precisión de detección del 95.53%, y en el conjunto de datos del mundo real, más difícil, alcanzó el 88.13%. Quizás lo más importante es que lo hizo utilizando solo 2.96 mil millones de cálculos por segundo y ocupando apenas 2.94 millones de parámetros de memoria. Esta es una reducción significativa en la complejidad en comparación con los modelos estándar en los que se basa, los cuales requerían más del doble de potencia computacional para lograr una precisión menor.

La verdadera fuerza del sistema se reveló cuando los investigadores lo probaron bajo condiciones extremas. Cuando simularon un entorno donde el 80% del fruto estaba oculto por hojas, el nuevo sistema aún logró encontrar los objetivos con una tasa de éxito del 32.75%, superando con creces a otros modelos líderes que caían por debajo del 22%. Del mismo modo, en pruebas que involucraron brillo extremo y sombras profundas, el sistema mantuvo una alta precisión y recuperación, demostrando que sus mecanismos adaptativos funcionan según lo previsto. Los investigadores descubrieron que, al combinar estas tres mejoras —adaptación dinámica a la luz, restauración de características espaciales y eficiencia computacional—, crearon una herramienta que cierra la brecha entre la inteligencia artificial compleja y las necesidades prácticas de la robótica de campo.

Este trabajo sugiere que el futuro de la cosecha automatizada puede no requerir computadoras masivas y lentas, sino sistemas inteligentes y ligeros diseñados para comprender la realidad desordenada de la naturaleza. Los investigadores reconocen que su trabajo actual se centra en la visión bidimensional y que los pasos futuros implicarán la integración de sensores de profundidad para ayudar a los robots a agarrar el fruto en un espacio tridimensional. También planean abordar el problema de los objetivos en movimiento, ya que el viento y el movimiento del robot pueden hacer que el fruto se balancee. Sin embargo, los hallazgos actuales demuestran un avance significativo, ofreciendo una base visual confiable que podría permitir a los robots cosechar lichis de manera eficiente en los entornos no estructurados y desafiantes donde crecen naturalmente.

Resumen Técnico: Una red ligera de detección de lichi para robots de cosecha en huertos mediante ODConv y restauración de características espaciales

Planteamiento del problema
El desarrollo de robots autónomos para la cosecha de lichi se ve obstaculizado por la naturaleza compleja y no estructurada de los entornos de los huertos. Los modelos de detección de objetos ligeros existentes luchan por equilibrar tres desafíos críticos:

Variabilidad de la iluminación dinámica: Los huertos naturales presentan condiciones de iluminación volátiles (por ejemplo, retroiluminación fuerte, sombras del dosel y sobreexposición) que causan la degradación de las características y la pérdida de información, las cuales los núcleos de convolución estáticos no pueden compensar de forma adaptativa.
Oclusión física severa: Los lichis crecen en racimos densos rodeados de follaje y ramas superpuestas, lo que provoca objetivos fragmentados y topologías espaciales truncadas que las pirámides de características estándar no logran reconstruir.
Restricciones de despliegue en el borde (Edge): Los robots de cosecha dependen de plataformas embebidas con recursos limitados (por ejemplo, NVIDIA Jetson). Existe un compromiso persistente donde la reducción del tamaño del modelo para la eficiencia en el borde suele resultar en caídas de precisión inaceptables, mientras que los modelos de alta precisión son demasiado costosos computacionalmente para la inferencia en tiempo real.

Metodología
Los autores proponen ODAF-YOLOv11-n, un detector de objetos ultra ligero basado en la arquitectura YOLOv11, optimizado para una alta precisión y eficiencia computacional. El marco integra tres modificaciones arquitectónicas sinérgicas:

Extracción de características adaptativa a la iluminación (OD-C3k2):
- Los módulos C3k2 estándar en el backbone se reemplazan con módulos de Convolución Dinámica Omni-Dimensional (OD-C3k2).
- A diferencia de las convoluciones estáticas, ODConv utiliza un mecanismo de atención multidimensional para recalibrar dinámicamente los pesos del núcleo a través de cuatro dimensiones: expertos del núcleo, canales de entrada, canales de salida y ubicaciones espaciales.
- Esto permite que la red ajuste adaptativamente la extracción de características basándose en el estado de iluminación específico de la muestra de entrada, preservando los detalles finos de textura y contorno bajo una iluminación volátil sin necesidad de preprocesamiento externo.
Restauración de características espaciales consciente de la oclusión (LSFRM):
- Se inserta un Módulo de Restauración de Características Espaciales Ligero (LSFRM) en la etapa del Neck (fusión de características).
- Este módulo aborda las brechas semánticas causadas por la oclusión física mediante la realización de una alineación de tensores de escala cruzada y una fusión ponderada por multi-atención.
- Alinea mapas de características de diferentes escalas, los comprime para generar pesos de atención espacial y reconstruye la topología geométrica faltante aprovechando las pistas contextuales no ocluidas de las características circundantes. Esto permite la recuperación de pistas discriminativas para frutos fuertemente ocluidos.
Redistribución computacional mediante convoluciones separables en profundidad:
- Para mantener la eficiencia en el borde, las convoluciones estándar de 3×3 en las capas no centrales se reemplazan con módulos LightConv3×3 (convoluciones separables en profundidad).
- Esta estrategia desacopla los cálculos espaciales y de canal, reduciendo teóricamente la carga computacional a aproximadamente $1/k^2$ de las convoluciones estándar.
- El presupuesto computacional ahorrado se reasigna a los módulos de restauración de características, asegurando un equilibrio entre la reducción de FLOPs y la mejora de la robustez perceptual.

Contribuciones clave

Innovación arquitectónica: La integración de ODConv en el backbone para la adaptación a la iluminación y de LSFRM en el neck para la restauración de la oclusión, específicamente diseñados para los desafíos únicos de la cosecha de lichi.
Optimización de la eficiencia: Un reemplazo sistemático de las convoluciones estándar con variantes ligeras para reducir drásticamente la complejidad del modelo mientras se preservan las capacidades de extracción de características dinámicas de los módulos centrales.
Evaluación de datos (Benchmarking): La introducción del conjunto de datos CH-Lychee, un nuevo conjunto de datos evaluado que presenta escenarios de oclusión extrema y diversas condiciones de iluminación, junto con el conjunto de datos público SZU-Lychee, para evaluar rigurosamente la robustez del modelo.

Resultados experimentales
Se realizaron experimentos exhaustivos en los conjuntos de datos SZU-Lychee y CH-Lychee, comparando ODAF-YOLOv11-n contra modelos de vanguardia (variantes de YOLOv11, Gold-YOLO, RT-DETR, etc.):

Rendimiento general: En el conjunto de datos SZU-Lychee, ODAF-YOLOv11-n logró un mAP@50 de 95.53% y un mAP@50:95 de 91.84%. En el más desafiante CH-Lychee, alcanzó un 88.13% mAP@50 y un 66.38% mAP@50:95.
Eficiencia: La variante ultra ligera (ODAF-YOLOv11-n) opera con solo 2.94 M de parámetros y 2.96 G FLOPs. En comparación con el modelo base YOLOv11-n, esto representa una reducción del 53.60% en la complejidad computacional manteniendo una precisión superior.
Robustez a la iluminación: Bajo iluminación débil, el modelo logró un mAP@50 del 84.37% (superando al modelo base por un 3.11%). Bajo iluminación fuerte (sobreexposición), mantuvo un 76.29% de mAP@50, superando significativamente a competidores como Gold-YOLO-n (58.14%).
Robustez a la oclusión: En escenarios extremos de 80% de oclusión, el modelo logró un mAP@50 del 32.75% y un Recall del 53.93%, superando sustancialmente al modelo base YOLOv11-n (21.98% mAP@50, 31.41% Recall). Esto demuestra la efectividad de LSFRM en la reconstrucción de objetivos fragmentados.

Significancia y afirmaciones
El artículo afirma que ODAF-YOLOv11-n proporciona una solución de percepción visual altamente efectiva para entornos de huertos no estructurados. Al lograr desacoplar el compromiso entre la precisión de detección y la velocidad de inferencia, el marco ofrece una solución lista para el despliegue en plataformas robóticas de campo. Los autores sostienen que su enfoque cierra la brecha entre los modelos complejos de aprendizaje profundo y las estrictas restricciones computacionales de los dispositivos de borde, permitiendo una cosecha de fruta autónoma y fiable en cualquier condición climática. El estudio enfatiza que la arquitectura propuesta no solo reduce el tamaño del modelo, sino que mejora activamente la robustez de las características contra perturbaciones ambientales (iluminación y oclusión) mediante innovaciones estructurales dirigidas.

Limitaciones y trabajo futuro
Los autores reconocen que el presente trabajo se centra en la percepción visual 2D y aún no se ha integrado con la planificación de movimiento robótico o estrategias de control del efector final. Se propone como trabajo futuro extender el sistema hacia la percepción 3D (usando sensores RGB-D) para una estimación precisa del punto de recolección, e incorporar la consistencia espacio-temporal para el seguimiento de objetivos bajo perturbaciones dinámicas (por ejemplo, viento o vibraciones inducidas por el robot).

Más como este