💻 computer science

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

यह शोध पत्र YOLOv10n-FBD का प्रस्ताव करता है, जो एक हल्का चेरी टमाटर परिपक्वता पहचान मॉडल है जो मौजूदा विधियों की तुलना में मॉडल के आकार और गणनात्मक जटिलता को काफी कम करते हुए उच्च सटीकता (94.3% mAP) और गति (369 FPS) प्राप्त करने के लिए CCFM फीचर फ्यूजन, PSA-BiFormer अटेंशन और C2f-Dual रणनीति को एकीकृत करता है।

मूल लेखक: Ji Cai, Shuaishuai Cui, Baofan Chen, Yuhao Hao, Kun Wang, Guozhu Song

प्रकाशित 2026-06-25

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ji Cai, Shuaishuai Cui, Baofan Chen, Yuhao Hao, Kun Wang, Guozhu Song

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

एक व्यस्त चेरी टमाटर के खेत की कल्पना कीजिए। किसानों का काम कठिन है: उन्हें टमाटरों को बिल्कुल सही समय पर चुनना होता है। यदि वे उन्हें बहुत जल्दी तोड़ लेते हैं, तो वे खट्टे होते हैं; यदि बहुत देर कर देते हैं, तो वे सड़ जाते हैं। यह काम हाथों से करना धीमा, महंगा और अक्सर फल को नुकसान पहुँचाने वाला होता है।

यह शोध पत्र एक नए "स्मार्ट कैमरा ब्रेन" (बुद्धिमान कैमरा मस्तिष्क) का परिचय देता है, जिसे रोबोट या किसानों को तुरंत यह बताने के लिए डिज़ाइन किया गया है कि एक चेरी टमाटर हरा (कच्चा), लाल (पका हुआ), या लालसा (अर्ध-पका हुआ) है। इसका लक्ष्य एक ऐसा सिस्टम बनाना था जो अत्यंत सटीक हो, अविश्वसनीय रूप से तेज़ हो, और इतना छोटा हो कि इसे एक साधारण डिवाइस, जैसे कि स्मार्टफोन या एक छोटे रोबोट पर फिट किया जा सके, जिसके लिए किसी विशाल सुपरकंप्यूटर की आवश्यकता न हो।

यहाँ बताया गया है कि शोधकर्ताओं ने इस "स्मार्ट ब्रेन" को कैसे बनाया, जिसे सरल उपमाओं के माध्यम से समझाया गया है:

शुरुआती बिंदु: "बेस मॉडल" (आधार मॉडल)

शोधकर्ताओं ने एक मानक, उच्च-तकनीकी डिटेक्शन सिस्टम से शुरुआत की जिसे YOLOv10n कहा जाता है। इसे एक बहुत ही प्रतिभाशाली, लेकिन थोड़े भारी डिटेक्टिव (जासूस) के रूप में सोचें। यह चीजों को खोजने में अच्छा है, लेकिन यह थोड़ा धीमा है और डिवाइस पर बहुत अधिक मेमोरी स्थान घेरता है। टीम इस डिटेक्टिव को इसकी तेज आंखों को खोए बिना, इसे और भी तेज और हल्का बनाना चाहती थी।

तीन अपग्रेड्स ("सीक्रेट सॉस")

अपने नए मॉडल, जिसे YOLOv10n-FBD कहा जाता है, को बनाने के लिए, उन्होंने डिटेक्टिव को तीन विशिष्ट अपग्रेड दिए:

1. "मल्टी-व्यू दूरबीन" (CCFM फीचर फ्यूजन)

समस्या: कभी-कभी टमाटर दूर होते हैं, या पत्तियों के पीछे छिपे होते हैं। मूल मॉडल सूक्ष्म विवरणों को मिस कर सकता है या बैकग्राउंड से भ्रमित हो सकता है।
समाधान: उन्होंने एक CCFM मॉड्यूल जोड़ा। कल्पना कीजिए कि आपने डिटेक्टिव को एक ऐसी दूरबीन दी है जो एक साथ अलग-अलग लेंसों के माध्यम से दृश्य को देख सकती है—एक लेंस बारीकियों (जैसे त्वचा की बनावट) के लिए और दूसरा बड़े दृश्य (जैसे क्लस्टर के समग्र रंग) के लिए।
परिणाम: इन विभिन्न दृश्यों को मिलाकर, मॉडल को फल की बहुत समृद्ध समझ मिलती है, जिससे यह छोटे या आंशिक रूप से छिपे हुए टमाटरों को पहचानने में बहुत बेहतर हो जाता है।

2. "स्पॉटलाइट" (PSA-BiFormer अटेंशन)

समस्या: एक खेत में, बहुत सारा शोर होता है: हरी पत्तियां, भूरे रंग के तने और तेज धूप। मूल मॉडल कभी-कभी फलों के बजाय पत्तियों को देखने में अपनी ऊर्जा बर्बाद कर देता है।
समाधान: उन्होंने पुराने अटेंशन सिस्टम को एक BiFormer मैकेनिज्म से बदल दिया। इसे एक स्मार्ट स्पॉटलाइट के रूप में सोचें। पूरे खेत को समान रूप से स्कैन करने के बजाय, स्पॉटलाइट तुरंत लाल या लालसा आकृतियों (टमाटरों) पर लॉक हो जाती है और हरी पत्तियों और तनों को अनदेखा कर देती है। यह एक क्लब के बाउंसर की तरह है जो केवल वीआईपी (टमाटरों) को अंदर जाने देता है और बाकी सबको अनदेखा कर देता है।
परिणाम: मॉडल अपनी ऊर्जा ठीक वहीं केंद्रित करता है जहाँ उसकी आवश्यकता है, जिससे सटीकता में काफी सुधार होता है।

3. "लाइटवेट बैकपैक" (C2f-Dual रणनीति)

समस्या: मूल मॉडल भारी था। इसमें बहुत अधिक "मांसपेशियां" (पैरामीटर्स) थीं, जिससे यह धीमा था और छोटे डिवाइस पर चलाना कठिन था।
समाधान: उन्होंने एक C2f-Dual रणनीति का उपयोग किया। कल्पना कीजिए कि डिटेक्टिव ने एक भारी बैकपैक पहना हुआ था जिसमें ऐसे औजार थे जिनका उसने कभी उपयोग नहीं किया। शोधकर्ताओं ने उन भारी औजारों को एक चिकने, दोहरे उद्देश्य वाले स्विस आर्मी नाइफ से बदल दिया। उन्होंने काम को दो कुशल रास्तों में विभाजित किया: एक रास्ता आकार (कंटूर) को संभालता है, और दूसरा रंग को।
परिणाम: उन्होंने मॉडल के आकार को लगभग 40% कम कर दिया और डेटा के मामले में इसे 37.5% हल्का बना दिया, लेकिन इसने अपने डिटेक्टिव कौशल को नहीं खोया।

परिणाम: एक सुपर-परफॉर्मिंग डिटेक्टिव

हजारों चेरी टमाटरों की तस्वीरों पर इस नए सिस्टम को प्रशिक्षित करने के बाद, परिणाम प्रभावशाली रहे:

गति: यह प्रति सेकंड 369 छवियों को प्रोसेस कर सकता है। इसे समझने के लिए, यह 369 फ्रेम प्रति सेकंड वाली फिल्म देखने जैसा है—बेहद तेज। यह एक रोबोट के खेत में चलते समय वास्तविक समय (real-time) में टमाटरों को गिन और वर्गीकृत कर सकता है।
सटीकता: इसने टमाटरों की परिपक्वता को 94.3% बार सही ढंग से पहचाना (एक सख्त मानक का उपयोग करते हुए)। यह पुराने मॉडलों की तुलना में एक बड़ी छलांग है।
आकार: पूरा "ब्रेन" केवल 3.5 MB का है। यह आपके फोन से ली गई एक उच्च-गुणवत्ता वाली फोटो से भी छोटा है, जिसका अर्थ है कि यह आसानी से छोटे, सस्ते हार्डवेयर पर फिट हो सकता है।

सीमाएं (जो पेपर स्वीकार करता है)

लेखक ईमानदार हैं कि उनका सिस्टम कहाँ संघर्ष कर सकता है। क्योंकि उन्होंने यह सुनिश्चित करने के लिए कि उनका प्रशिक्षण डेटा परफेक्ट हो, उन्होंने उन टमाटरों को बाहर रखा था जो:

पत्तियों के पीछे गहराई से छिपे हुए थे (भारी रूप से ओक्लूडेड)।
बहुत दूर या बहुत छोटे थे।
अत्यधिक रोशनी में थे (जैसे चकाचौंध वाली चमक या घना अंधेरा)।

वे स्वीकार करते हैं कि यदि कोई रोबोट इसे एक अव्यवस्थित, वास्तविक दुनिया के बागान में उपयोग करता है जहाँ बहुत सारी पत्तियां और अजीब कोण हैं, तो वह उनके नियंत्रित परीक्षणों की तुलना में कुछ अधिक गलतियाँ कर सकता है। उन्होंने यह भी नोट किया कि तीनों अपग्रेड्स को मिलाने से मॉडल "सेमी-राइप" (अर्ध-पके) टमाटरों को पहचानने में थोड़ा कम सटीक हो गया, तुलनात्मक रूप से जब केवल दो अपग्रेड्स का उपयोग किया गया था, जो बताता है कि अभी भी फाइन-ट्यूनिंग की थोड़ी गुंजाइश है।

सारांश

संक्षेप में, शोधकर्ताओं ने एक शक्तिशाली लेकिन भारी AI मॉडल लिया और उसे बेहतर चश्मा (विवरण देखने के लिए), एक स्मार्ट स्पॉटलाइट (विकर्षणों को अनदेखा करने के लिए), और एक हल्का बैकपैक (तेजी से चलने के लिए) दिया। परिणाम एक ऐसा सिस्टम है जो तुरंत किसान को बता सकता है कि चेरी टमाटर तोड़ने के लिए तैयार है या नहीं, जो पिछले तरीकों की तुलना में अधिक तेज़ी से और अधिक कुशलता से यह काम करता है, और यह सब एक छोटे डिवाइस पर फिट बैठता है।

तकनीकी सारांश: उन्नत YOLOv10n पर आधारित हल्का चेरी टमाटर फल परिपक्वता पहचान विधि

समस्या विवरण

चेरी टमाटर के फल की परिपक्वता का पता लगाना और पहचानना एक गंभीर चुनौती है: उच्च सटीकता, तीव्र पहचान गति और छोटे मॉडल आकार के बीच एक साथ संतुलन बनाना। पारंपरिक कटाई विधियाँ श्रम-गहन और अक्षम हैं, जबकि मौजूदा बुद्धिमान कटाई प्रणालियाँ अक्सर अपर्याप्त पहचान सटीकता, उच्च मिस रेट (miss rates) और अत्यधिक कम्प्यूटेशनल जटिलता से जूझती हैं। बड़े मॉडल आकार और उच्च प्रसंस्करण मांगें इन प्रणालियों को संसाधन-सीमित उपकरणों पर तैनात करने में बाधा डालती हैं, जिससे वास्तविक कृषि वातावरणों में उनके व्यावहारिक अनुप्रयोग को सीमित किया जाता है। हालांकि विभिन्न डीप लर्निंग दृष्टिकोणों (जैसे कि MobileNetV3-आधारित YOLOv7, DSP-YOLOv7-CA, Swin Transformer अनुकूलन) ने आशाजनक परिणाम दिखाए हैं, लेकिन कई मॉडल गति, सटीकता और पैरामीटर संख्या के बीच इष्टतम संतुलन खोजने में संघर्ष करते हैं।

कार्यप्रणाली

यह अध्ययन एक हल्का पहचान विधि, YOLOv10n-FBD प्रस्तावित करता है, जो बेसलाइन YOLOv10n आर्किटेक्चर पर निर्मित है। यह मॉडल तीन प्राथमिक तकनीकी सुधारों के माध्यम से पहचानी गई चुनौतियों का समाधान करता है:

CCFM (चैनल क्रॉस फीचर मॉड्यूलेशन) फीचर फ्यूजन:
सीमित पिक्सेल और बार-बार होने वाले कन्वोल्यूशन/पूलिंग के कारण छोटे पैमाने की ऑब्जेक्ट डिटेक्शन में होने वाले सूचना नुकसान को कम करने के लिए, लेखकों ने मूल फीचर फ्यूजन घटक को CCFM मॉड्यूल (RT-DETR से अनुकूलित) से बदल दिया है। यह मॉड्यूल PANet के समान द्विदिश फीचर फ्लो आर्किटेक्चर का उपयोग करता है लेकिन इसमें फ्यूजन ब्लॉक्स शामिल हैं। ये ब्लॉक्स बैकबोन से मल्टी-स्केल फीचर मैप्स ( $S3, S4, S5$ ) को फ्यूज करने के लिए RepBlocks और अटेंशन मैकेनिज्म का उपयोग करते हैं। चैनल वेट्स को पुनर्गठित करने के लिए हाई-लेवल फीचर्स को फ्लैट करने और मल्टी-हेड सेल्फ-अटेंशन लागू करने के माध्यम से, CCFM सूक्ष्म-स्तरीय स्थानीय विवरणों को वैश्विक प्रासंगिक जानकारी के साथ एकीकृत करने में सुधार करता है, जिससे स्केल विविधताओं के प्रति अनुकूलन क्षमता बढ़ती है।
PSA-BiFormer अटेंशन मैकेनिज्म:
मूल पोजीशन-सेंसिटिव अटेंशन (PSA) मैकेनिज्म की उच्च कम्प्यूटेशनल जटिलता और मेमोरी मांगों को दूर करने के लिए, यह अध्ययन BiFormer अटेंशन मैकेनिज्म को एकीकृत करता है। BiFormer एक Bi-level Routing Attention (BRA) रणनीति का उपयोग करता है। पहले, एक रीजन-लेवल एफिनिटी ग्राफ बनाया जाता है और उसे प्रून (prune) किया जाता है ताकि प्रत्येक नोड के लिए केवल शीर्ष- $k$ कनेक्शनों को बनाए रखा जा सके, जिससे अप्रासंगिक क्षेत्रों को फ़िल्टर किया जा सके। दूसरा, फ़िल्टर किए गए की-वैल्यू पेयर्स पर डेंस मैट्रिक्स मल्टीप्लिकेशन का उपयोग करके एक टोकन-टू-टोकन अटेंशन मैकेनिज्म लागू किया जाता है। यह दृष्टिकोण कंटेंट-अवेयर स्पर्सिटी (content-aware sparsity) प्राप्त करता है, जिससे मॉडल पृष्ठभूमि के हस्तक्षेप (जैसे हरी पत्तियां) को दबाते हुए महत्वपूर्ण फीचर्स (जैसे लाल फल) पर ध्यान केंद्रित कर पाता है, बिना भारी ग्लोबल अटेंशन की कम्प्यूटेशनल लागत के।
C2f-Dual हल्का रणनीति (Lightweight Strategy):
कम्प्यूटेशनल जटिलता और मॉडल के आकार को कम करने के लिए, बैकबोन में मानक C2f मॉड्यूल को DualConv डिज़ाइन का उपयोग करके पुनर्गठित किया गया है। यह रणनीति कन्वोल्यूशन ऑपरेशन को दो समानांतर सब-लेयर्स में विभाजित करती है:
- स्थानिक विशेषताओं (spatial features) और बनावट के विवरणों को कैप्चर करने के लिए एक 3×3 कन्वोल्यूशनल ब्रांच।
- चैनल इंटरैक्शन और सिमेंटिक जानकारी को एकीकृत करने के लिए एक 1×1 कन्वोल्यूशनल ब्रांच।
  ये शाखाएं रेसिडुअल कनेक्शन के माध्यम से ग्रेडिएंट फ्लो की अखंडता बनाए रखते हुए पैरामीटर्स और FLOPs को काफी कम करने के लिए ग्रुप कन्वोल्यूशन और फ्यूजन रणनीतियों का उपयोग करती हैं।

मुख्य योगदान

मॉडल आर्किटेक्चर: YOLOv10n-FBD मॉडल का निर्माण, जो सटीकता और दक्षता के बीच संतुलन बनाने के लिए CCFM, BiFormer और C2f-Dual रणनीतियों को सफलतापूर्वक एकीकृत करता है।
फीचर एन्हांसमेंट: मल्टी-स्केल फीचर रिप्रेजेंटेशन में सुधार के लिए CCFM का परिचय, जो विशेष रूप से आंशिक रूप से ढके हुए या छोटे चेरी टमाटरों का पता लगाने में सहायता करता है।
कुशल अटेंशन: मानक PSA को बदलने के लिए BiFormer मैकेनिज्म का अनुकूलन, जो दो-स्तरीय रूटिंग रणनीति के माध्यम से कुशल ग्लोबल फीचर प्रोसेसिंग प्राप्त करता है जो अनावश्यक गणनाओं को कम करता है।
लाइटवेट ऑप्टिमाइजेशन: C2f-Dual रणनीति का कार्यान्वयन, जो डिटेक्शन प्रदर्शन से समझौता किए बिना मॉडल के आकार और पैरामीटर संख्या को काफी कम कर देता है।

प्रयोगात्मक परिणाम

मॉडल को शैक्सी एग्रिकल्चरल वैली (Shanxi Agricultural Valley) से एकत्र किए गए 4,046 चेरी टमाटर छवियों के डेटासेट पर प्रशिक्षित और मूल्यांकित किया गया, जिन्हें तीन परिपक्वता चरणों में वर्गीकृत किया गया है: पका हुआ (Ripe - R), कच्चा (Unripe - G), और अर्ध-पका हुआ (Semi-ripe - RG)।

प्रदर्शन मेट्रिक्स: YOLOv10n-FBD मॉडल ने mAP@.5:.95 का 94.3% प्राप्त किया, जो पारंपरिक YOLOv10n बेसलाइन की तुलना में 2.2% का सुधार है।
दक्षता लाभ:
- पैरामीटर काउंट: 37.5% की कमी।
- मॉडल का आकार: 3.5 MB तक संकुचित, जो 38.6% की गिरावट है।
- कम्प्यूटेशनल लागत: घटकर 6.0 GFLOPs रह गई।
- इन्फरेंस स्पीड: NVIDIA RTX 3090 GPU पर 369.0 FPS प्राप्त किया।
तुलनात्मक विश्लेषण: मुख्यधारा के मॉडलों (Faster R-CNN, SSD, YOLOv5, YOLOv7, YOLOv8, और YOLOv11) की तुलना में, प्रस्तावित मॉडल ने mAP@.5:.95 में बेहतर प्रदर्शन दिखाया, जिसमें 2% से 15% तक का सुधार देखा गया। इसने सभी तुलना किए गए YOLO वेरिएंट की तुलना में पैरामीटर्स और मॉडल आकार में भी महत्वपूर्ण कमी दिखाई।
एब्लेशन स्टडीज: प्रयोगों ने पुष्टि की कि हालांकि तीनों मॉड्यूल (CCFM + BiFormer + C2f-Dual) का संयोजन CCFM+BiFormer संयोजन (98.4%) की तुलना में mAP@.5 (97.9%) में मामूली गिरावट लाता है, लेकिन सख्त mAP@.5:.95 मेट्रिक 94.3% पर स्थिर रहा। यह सुझाव देता है कि संयुक्त मॉडल कठोर मूल्यांकन मानदंडों के तहत बेहतर मजबूती (robustness) और लोकलाइजेशन सटीकता प्रदान करता है।

महत्व और सीमाएं

लेख दावा करता है कि YOLOv10n-FBD मॉडल सफलतापूर्वक एक सटीक और कुशल रिकग्निशन नेटवर्क का निर्माण करता है जो सटीकता और दक्षता को संतुलित करता है, जिससे यह जटिल, परिवर्तनशील वास्तविक दुनिया के अनुप्रयोग वातावरण और संसाधन-सीमित उपकरणों के लिए उपयुक्त बनता है। मॉडल डायनेमिक वीडियो वैलिडेशन परिदृश्यों में उच्च मजबूती प्रदर्शित करता है, उच्च कॉन्फिडेंस स्कोर और डिटेक्शन रेट बनाए रखता है।

हालांकि, लेखक विशिष्ट सीमाओं को विनम्रतापूर्वक स्वीकार करते हैं:

डेटासेट की बाधाएं: एनोटेशन निरंतरता सुनिश्चित करने के लिए डेटासेट में ढके हुए, दूरस्थ और अत्यंत छोटे फलों को बाहर रखा गया था। फलस्वरूप, डेटासेट घने बागों के वातावरण की जटिलता को पूरी तरह से प्रतिबिंबित नहीं कर सकता है, जिससे ऐसे परिदृश्यों में डिटेक्शन त्रुटियों का कम आकलन हो सकता है।
सामान्यीकरण (Generalization): डेटा संग्रह विशिष्ट प्रकाश स्थितियों, कोणों और एक ही भौगोलिक स्थान (शैक्सी एग्रिकल्चरल वैली) तक सीमित था, जो चरम प्रकाश या विभिन्न रोपण पैटर्न के लिए मॉडल के सामान्यीकरण को सीमित कर सकता है।
मॉड्यूल संगतता: एब्लेशन स्टडीज ने खुलासा किया कि एक मामूली ट्रेड-ऑफ है जहाँ हल्का C2f-Dual डिज़ाइन सभी मॉड्यूल को संयोजित करने पर BiFormer अटेंशन मैकेनिज्म की सटीकता को थोड़ा प्रभावित करता है, जो मॉड्यूल संगतता में आगे सुधार की गुंजाइश को दर्शाता है।

अध्ययन निष्कर्ष निकालता है कि जबकि प्रस्तावित विधि हल्के वजन वाली परिपक्वता पहचान को महत्वपूर्ण रूप से आगे बढ़ाती है, भविष्य का कार्य ढके हुए लक्ष्यों को शामिल करने के लिए एनोटेशन नियमों को शिथिल करने, विविध वातावरणों के लिए डेटासेट को बढ़ाने और पेश किए गए मॉड्यूल के बीच तालमेल को और अधिक परिष्कृत करने पर केंद्रित होगा।