YOLO-Based Deep Learning for Citrus Fruit Detection, Counting, and Yield Estimation in Complex Orchard Environments: A Systematic Review

Stel je een boomgaard met sinaasappelbomen voor, waarvan de takken zwaar hangen van het fruit, verborgen onder een bladerdak. Voor een menselijke arbeider is het tellen van elke afzonderlijke sinaasappel in een dergelijke scène een langzame, uitputtende taak die gevoelig is voor fouten; de één telt een vrucht misschien twee keer, terwijl een ander er een mist die diep in de schaduw verscholen ligt. Voor boeren betekent het verkeerd inschatten van deze telling dat ze hun oogst verkeerd inschatten, wat alles van het inhuren van arbeid tot het plannen van het aantal benodigde vrachtwagens verstoort. Om dit op te lossen, hebben wetenschappers camera's en computers ingezet, waarbij ze machines hebben geleerd om fruit te "zien" zoals een mens dat zou doen. Het meest populaire hulpmiddel voor deze taak is een type software genaamd YOLO, wat staat voor "You Only Look Once". Het is een snel en efficiënt systeem dat ontworpen is om een afbeelding te scannen en direct objecten te spotten, wat ideaal is voor robots of drones die in een fractie van een seconde beslissingen moeten nemen terwijl ze door een boomgaard bewegen. Maar naarmate deze tools gebruikelijker zijn geworden, is het veld overvol geraakt met honderden verschillende studies, die elk beweren een betere manier te hebben gevonden om citrusvruchten te tellen. De vraag blijft: zijn deze systemen werkelijk klaar voor de echte wereld, of zijn ze alleen goed in het presteren in een gecontroleerd laboratorium?

Een team van onderzoekers zette zich in om dit te beantwoorden door een uitgebreid kijkje te nemen in bijna tweehonderd wetenschappelijke studies die deze snelle detectiesystemen gebruikten om citrusvruchten te vinden en te tellen. Ze lazen niet simpelweg de koppen; ze groeven in de details van negentig specifieke studies en pasten een strikte set regels toe om te zien wat er werkelijk gebeurde achter de cijfers. Hun doel was om niet alleen te begrijpen hoe goed de computers presteerden, maar ook hoe de onderzoekers hen hadden getest en of de resultaten vertrouwd konden worden. Ze ontdekten dat de technologie inder door rijp is geworden. Wanneer deze systemen worden getest op afbeeldingen van fruit, zijn ze opmerkelijk nauwkeurig en identificeren ze het overgrote deel van de sinaasappels, citroenen en mandarijnen die ze zien correct. Gemiddeld vonden de systemen ongeveer negentig procent van het fruit dat er daadwerkelijk was en waren ze negentig procent van de tijd correct wanneer ze zeiden dat ze iets hadden gevonden. Dit prestatieniveau suggereert dat de kerntechnologie goed genoeg werkt om nuttig te zijn.

De onderzoekers ontdekten echter dat het verhaal ingewikkelder is dan de hoge succespercentages doen vermoeden. Hoewel de computers goed zijn in het spotten van fruit in foto's, is de manier waarop wetenschappers hen hebben getest vaak gebrekkig. In bijna elke onderzochte studie voerden de onderzoekers hun tests slechts één keer uit, zonder het experiment te herhalen om te zien of de resultaten consistent waren of slechts een gelukkige toevalstreffer. Bovendien vertrouwden de meeste studies op zeer kleine collecties afbeeldingen, vaak genomen in slechts één boomgaard onder perfecte lichtomstandigheden. Dit is als het testen van een auto alleen op een gladde, lege baan in de zomer, en dan aannemen dat hij een besneeuwde bergweg net zo goed aan kan. De onderzoekers ontdekten dat wanneer fruit verborgen is achter bladeren, of wanneer het groene fruit wegvalt tegen groene bladeren, de computers aanzienlijk moeite hebben. Ze merkten ook op dat zeer weinig studies hun systemen daadwerkelijk testten op echte robots of drones in het veld; de meeste werden getest op krachtige computers in een lab, wat een heel andere omgeving is dan een stoffige, onvoorspelbare boomgaard.

De review benadrukte ook dat het vakgebied is gestabiliseerd rond een gemeenschappelijke set hulpmiddelen. De meeste onderzoekers gebruiken dezelfde paar versies van de detectiesoftware en maken vergelijkbare aanpassingen om ze te verbeteren, zoals het toevoegen van speciale modules om de computer te helpen zich te concentreren op belangrijke delen van een afbeelding of het lichter maken van de software zodat deze op kleinere apparaten kan draaien. Toch is er, ondanks deze gedeelde methoden, geen enkele standaard dataset die iedereen gebruikt om hun resultaten te vergelijken. Het is alsof elke chefkok ter wereld probeert te bewijzen dat hij de beste soep maakt, maar geen twee chefs dezelfde ingrediënten of hetzelfde recept gebruiken, waardoor het onmogelijk is om te weten wie werkelijk de beste is. De onderzoekers ontdekten dat slechts een klein deel van de studies geavanceerde camera's gebruikte die meer kunnen zien dan alleen zichtbaar licht, zoals sensoren die warmte of specifieke kleuren detecteren die onzichtbaar zijn voor het menselijk oog, wat kan helpen om fruit gemakkelijker van bladeren te onderscheiden.

Uiteindelijk concludeert de studie dat hoewel het vermogen van computers om citrusvruchten te detecteren een hoog niveau van nauwkeurigheid heeft bereikt in gecontroleerde omgevingen, het vakgebied nog niet klaar is voor breed en betrouwbaar gebruik in de echte landbouw. De technologie zelf is niet het hoofdbetreft; het probleem ligt in de manier waarop het wordt gevalideerd. De onderzoekers stellen dat toekomstig werk zich moet richten op het testen van deze systemen in diverse, moeilijke omstandigheden en op de daadwerkelijke hardware die in het veld wordt gebruikt, in plaats van alleen in het lab. Ze pleiten voor een gedeelde standaard voor testen, zodat verschillende systemen eerlijk vergeleken kunnen worden, en voor strengere statistische controles om te garanderen dat de resultaten herhaalbaar zijn. Totdat deze stappen worden genomen, zal de belofte van volledig geautomatiseerde fruittelling en opbrengstschatting net buiten bereik blijven, wachtend op een steviger fundament van bewijs om het te ondersteunen.