💻 computer science

The Lightweight Cherry Tomato Fruit Maturity Detection Method Based on Improved YOLOv10n

Este artículo propone YOLOv10n-FBD, un modelo ligero de detección de madurez de tomates cherry que integra la fusión de características CCFM, la atención PSA-BiFormer y una estrategia C2f-Dual para lograr una alta precisión (94.3% mAP) y velocidad (369 FPS) al tiempo que reduce significativamente el tamaño del modelo y la complejidad computacional en comparación con los métodos existentes.

Autores originales: Ji Cai, Shuaishuai Cui, Baofan Chen, Yuhao Hao, Kun Wang, Guozhu Song

Publicado 2026-06-25

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ji Cai, Shuaishuai Cui, Baofan Chen, Yuhao Hao, Kun Wang, Guozhu Song

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

Imagina una concurrida granja de tomates cherry. Los agricultores tienen un trabajo difícil: deben recoger los tomates en el momento exacto. Si los recogen demasiado pronto, están ácidos; si los recogen demasiado tarde, se pudren. Hacer esto a mano es lento, costoso y, a menudo, daña la fruta.

Este artículo presenta un nuevo "cerebro de cámara inteligente" diseñado para ayudar a robots o agricultores a saber instantáneamente si un tomate cherry es Verde (inmaduro), Rojo (maduro) o Rojizo (semimaduro). El objetivo era construir un sistema que fuera súper preciso, increíblemente rápido y lo suficientemente pequeño como para caber en un dispositivo sencillo, como un teléfono inteligente o un pequeño robot, sin necesidad de una supercomputadora masiva.

Aquí explicamos cómo los investigadores construyeron este "cerebro inteligente", mediante analogías sencillas:

El punto de partida: El "Modelo Base"

Los investigadores comenzaron con un sistema de detección estándar y de alta tecnología llamado YOLOv10n. Piensa en esto como un detective muy talentoso, pero un poco pesado. Es bueno encontrando cosas, pero es un poco lento y ocupa mucho espacio de memoria en un dispositivo. El equipo quería hacer que este detective fuera más rápido y ligero sin perder su vista aguda.

Las tres mejoras (La "Receta Secreta")

Para crear su nuevo modelo, llamado YOLOv10n-FBD, le dieron al detective tres mejoras específicas:

1. Los "Binoculares de Visión Múltiple" (Fusión de características CCFM)

El Problema: A veces los tomates son diminutos a la distancia o están ocultos detrás de las hojas. El modelo original podría pasar por alto los detalles pequeños o confundirse con el fondo.
La Solución: Añadieron un módulo CCFM. Imagina darle al detective un par de binoculares que pueden mirar la escena a través de diferentes lentes simultáneamente: un lente para detalles de cerca (como la textura de la piel) y otro para la imagen general (como el color del racimo).
El Resultado: Al mezclar estas diferentes visiones, el modelo obtiene una comprensión mucho más rica de la fruta, lo que lo hace mucho mejor para detectar tomates pequeños o parcialmente ocultos.

2. El "Foco de Luz" (Atención PSA-BiFormer)

El Problema: En un campo, hay mucho ruido: hojas verdes, tallos marrones y luz solar brillante. El modelo original a veces gasta energía mirando las hojas en lugar de la fruta.
La Solución: Reemplazaron el antiguo sistema de atención con un mecanismo BiFormer. Piensa en esto como un foco inteligente. En lugar de escanear todo el campo uniformemente, el foco se bloquea instantáneamente en las formas rojas o rojizas (los tomates) e ignora las hojas y tallos verdes. Es como un portero de un club que solo deja pasar a los VIP (los tomates) e ignora a todos los demás.
El Resultado: El modelo concentra su energía exactamente donde la necesita, mejorando la precisión significativamente.

3. La "Mochila Ligera" (Estrategia C2f-Dual)

El Problema: El modelo original era pesado. Tenía demasiados "músculos" (parámetros), lo que lo hacía lento y difícil de ejecutar en dispositivos pequeños.
La Solución: Utilizaron una estrategia C2f-Dual. Imagina que el detective llevaba una mochila pesada llena de herramientas que nunca usaba. Los investigadores cambiaron las herramientas pesadas por una navaja suiza elegante y de doble propósito. Dividieron el trabajo en dos rutas eficientes: una ruta maneja la forma (contornos) y la otra maneja el color.
El Resultado: Redujeron el tamaño del modelo en casi un 40% y lo hicieron un 37.5% más ligero en términos de datos, pero no perdió ninguna de sus habilidades de detective.

Los Resultados: Un Detective de Alto Rendimiento

Después de entrenar este nuevo sistema con miles de fotos de tomates cherry, los resultados fueron impresionantes:

Velocidad: Puede procesar 369 imágenes por segundo. Para ponerlo en perspectiva, es como ver una película a 369 fotogramas por segundo: asombrosamente rápido. Puede contar y clasificar tomates en tiempo real mientras un robot se mueve por el campo.
Precisión: Identificó correctamente la madurez de los tomates el 94.3% de las veces (usando un estándar estricto). Este es un gran salto en comparación con modelos anteriores.
Tamaño: Todo el "cerebro" mide solo 3.5 MB. Es más pequeño que una sola foto de alta calidad que podrías tomar con tu teléfono, lo que significa que puede caber fácilmente en hardware pequeño y económico.

Las Limitaciones (Lo que el artículo admite)

Los autores son honestos sobre dónde su sistema podría tener dificultades. Debido a que querían asegurarse de que los datos de entrenamiento fueran perfectos, excluyeron tomates que estaban:

Muy ocultos detrás de las hojas (fuertemente ocluidos).
Muy lejos o diminutos.
En iluminación extrema (como un resplandor cegador o oscuridad total).

Admiten que si un robot usa esto en un huerto real y desordenado con muchas hojas y ángulos extraños, podría cometer algunos errores más de los que cometió en sus pruebas controladas. También señalaron que combinar las tres mejoras hizo que el modelo fuera ligeramente menos preciso al detectar los tomates "semimaduros" en comparación con usar solo dos de las mejoras, lo que sugiere que todavía hay un pequeño margen para el ajuste fino.

Resumen

En resumen, los investigadores tomaron un modelo de IA potente pero pesado y le dieron mejores lentes (para ver detalles), un foco inteligente (para ignorar distracciones) y una mochila ligera (para correr rápido). El resultado es un sistema que puede decir instantáneamente a un agricultor si un tomate cherry está listo para ser recolectado, haciéndolo de forma más rápida y eficiente que los métodos anteriores, todo mientras cabe en un dispositivo pequeño.

Resumen Técnico: El Método de Detección de la Madurez del Fruto de Tomate Cherry Basado en YOLOv10n Mejorado

Planteamiento del Problema

La detección y el reconocimiento de la madurez del fruto del tomate cherry enfrentan un desafío crítico: lograr un equilibrio simultáneo entre alta precisión, velocidad de reconocimiento rápida y un tamaño de modelo reducido. Los métodos de cosecha tradicionales son laborintensivos e ineficientes, mientras que los sistemas de cosecha inteligentes existentes a menudo sufren de una precisión de detección insuficiente, altas tasas de omisión y una complejidad computacional excesiva. Los tamaños de modelo grandes y las altas demandas de procesamiento dificultan el despliegue de estos sistemas en dispositivos con recursos limitados, limitando su aplicación práctica en entornos agrícolas reales. Aunque diversos enfoques de aprendizaje profundo (por ejemplo, YOLOv7 basado en MobileNetV3, DSP-YOLOv7-CA, optimizaciones de Swin Transformer) han mostrado resultados prometedores, muchos luchan por encontrar un equilibrio óptimo entre velocidad, precisión y recuento de parámetros.

Metodología

Este estudio propone un método de detección ligero, YOLOv10n-FBD, construido sobre la arquitectura base YOLOv10n. El modelo aborda los desafíos identificados mediante tres mejoras técnicas principales:

Fusión de Características CCFM (Modulación de Características de Canal Cruzado):
Para mitigar la pérdida de información en la detección de objetos a pequeña escala causada por píxeles limitados y convoluciones/pooling repetidos, los autores reemplazaron el componente de fusión de características original con el módulo CCFM (adaptado de RT-DETR). Este módulo utiliza una arquitectura de flujo de características bidireccional similar a PANet pero incorpora Bloques de Fusión. Estos bloques emplean RepBlocks y mecanismos de atención para fusionar mapas de características multiescala ( $S3, S4, S5$ ) de la columna vertebral (backbone). Al aplanar las características de alto nivel y aplicar la autoatención de múltiples cabezales para recalibrar los pesos de los canales, el CCFM mejora la integración de detalles locales finos con la información contextual global, mejorando la adaptabilidad a las variaciones de escala.
Mecanismo de Atención PSA-BiFormer:
Para superar la alta complejidad computacional y las demandas de memoria del mecanismo original de Atención Sensible a la Posición (PSA), el estudio integra el mecanismo de atención BiFormer. BiFormer emplea una estrategia de Atención de Enrutamiento de Doble Nivel (BRA). Primero, se construye y poda un grafo de afinidad a nivel de región para retener solo las $k$ conexiones superiores para cada nodo, filtrando regiones irrelevantes. Segundo, se aplica un mecanismo de atención de token a token utilizando multiplicación de matrices densas sobre los pares clave-valor filtrados. Este enfoque logra una dispersión consciente del contenido, permitiendo que el modelo se concentre en características críticas (por ejemplo, frutos rojos) mientras suprime la interferencia del fondo (por ejemplo, hojas verdes) sin el pesado costo computacional de la atención global.
Estrategia Ligera C2f-Dual:
Para reducir la complejidad computacional y el tamaño del modelo, el módulo C2f estándar en la columna vertebral fue reestructurado utilizando un diseño DualConv. Esta estrategia divide la operación de convolución en dos subcapas paralelas:
- Una rama de convolución 3×3 para capturar características espaciales y detalles de textura.
- Una rama de convolución 1×1 para integrar interacciones de canales e información semántica.
  Estas ramas utilizan convolución de grupo y estrategias de fusión para reducir significativamente los parámetros y los FLOPs, manteniendo al mismo tiempo la integridad del flujo de gradiente mediante conexiones residuales.

Contribuciones Clave

Arquitectura del Modelo: La construcción del modelo YOLOv10n-FBD, que integra con éxito las estrategias CCFM, BiFormer y C2f-Dual para optimizar el equilibrio entre precisión y eficiencia.
Mejora de Características: La introducción de CCFM para mejorar la representación de características multiescala, ayudando específicamente en la detección de tomates cherry parcialmente ocluidos o pequeños.
Atención Eficiente: La adaptación del mecanismo BiFormer para reemplazar el PSA estándar, logrando un procesamiento eficiente de características globales mediante una estrategia de enrutamiento de dos niveles que reduce los cálculos redundantes.
Optimización Ligera: La implementación de la estrategia C2f-Dual, que comprime significativamente el tamaño del modelo y el recuento de parámetros sin comprometer el rendimiento de la detección.

Resultados Experimentales

El modelo fue entrenado y evaluado en un conjunto de datos de 4,046 imágenes de tomates cherry recolectadas en el Valle Agrícola de Shanxi, categorizadas en tres etapas de madurez: Maduro (R), Inmaduro (G) y Semimaduro (RG).

Métricas de Desempeño: El modelo YOLOv10n-FBD alcanzó un mAP@.5:.95 de 94.3%, lo que representa una mejora del 2.2% sobre la línea base tradicional de YOLOv10n.
Ganancias de Eficiencia:
- Recuento de Parámetros: Reducido en un 37.5%.
- Tamaño del Modelo: Comprimido a 3.5 MB, una disminución del 38.6%.
- Costo Computacional: Reducido a 6.0 GFLOPs.
- Velocidad de Inferencia: Alcanzó 369.0 FPS en una GPU NVIDIA RTX 3090.
Análisis Comparativo: Comparado con modelos predominantes (Faster R-CNN, SSD, YOLOv5, YOLOv7, YOLOv8 y YOLOv11), el modelo propuesto demostró un desempeño superior en mAP@.5:.95, con mejoras que oscilan entre el 2% y el 15%. También mostró reducciones significativas en parámetros y tamaño de modelo en comparación con todas las variantes de YOLO comparadas.
Estudios de Ablación: Los experimentos confirmaron que, si bien la combinación de los tres módulos (CCFM + BiFormer + C2f-Dual) resultó en una ligera disminución en mAP@.5 (97.9%) en comparación con la combinación CCFM+BiFormer (98.4%), la métrica más estricta mAP@.5:.95 se mantuvo estable en 94.3%. Esto sugiere que el modelo combinado ofrece mejor robustez y precisión de localización bajo criterios de evaluación rigurosos.

Significado y Limitaciones

El artículo afirma que el modelo YOLOv10n-FBD construye con éxito una red de reconocimiento precisa y eficiente que equilibra la precisión y la eficiencia, lo que lo hace adecuado para entornos de aplicación del mundo real complejos y variables y para dispositivos con recursos limitados. El modelo demuestra una alta robustez en escenarios de validación de video dinámico, manteniendo altos puntajes de confianza y tasas de detección.

Sin embargo, los autores reconocen modestamente limitaciones específicas:

Restricciones del Conjunto de Datos: El conjunto de datos excluyó frutos ocluidos, distantes y extremadamente pequeños para asegurar la consistencia de la anotación. En consecuencia, el conjunto de datos puede no reflejar plenamente la complejidad de los entornos de huertos densos, lo que podría llevar a una subestimación de los errores de detección en tales escenarios.
Generalización: La recolección de datos se limitó a condiciones de iluminación, ángulos específicos y una única ubicación geográfica (Valle Agrícola de Shanxi), lo que puede limitar la generalización del modelo a iluminaciones extremas o diferentes patrones de plantación.
Compatibilidad de Módulos: Los estudios de ablación revelaron un pequeño compromiso donde el diseño ligero C2f-Dual afectó ligeramente la precisión del mecanismo de atención BiFormer cuando se combinaron todos los módulos, lo que indica que hay margen para una mayor optimización en la compatibilidad de los módulos.

El estudio concluye que, si bien el método propuesto avanza significativamente en la detección ligera, el trabajo futuro se centrará en relajar las reglas de anotación para incluir objetivos ocluidos, aumentar los conjuntos de datos para diversos entornos y refinar aún más la sinergia entre los módulos introducidos.