Cherry CO: un dataset pubblico per il riconoscimento e la segmentazione delle ciliegie

28 feb 2025
832

Negli ultimi anni, l'automazione in agricoltura ha fatto grandi passi avanti grazie all'uso di sistemi robotici e algoritmi di visione artificiale. Queste tecnologie possono permettere ai computer di compiere molteplici operazioni, tra cui identificare ed analizzare i frutti.

Automatizzando così attività come la valutazione della maturità e la raccolta. Tuttavia, per addestrare efficacemente algoritmi di apprendimento automatico, è essenziale disporre di dataset specifici per ogni tipo di frutto.

La maggior parte delle tipologie di frutti, però, non dispone di dataset pubblicamente disponibili, e questo rappresenta una barriera per lo sviluppo di tali sistemi autonomi.

Il dataset Cherry CO

In risposta a questa esigenza, è stato sviluppato “Cherry CO”, un dataset nuovo e ad alta risoluzione specificamente pensato per il rilevamento e segmentazione delle ciliegie.

Questo dataset comprende 3.006 immagini etichettate, raccolte in un ceraseto in diverse condizioni ambientali per rappresentare al meglio la variabilità di questo sistema.

Ogni ciliegia è stata etichettata manualmente per indicare posizione, forma e classe, considerando aspetti come lo stato di maturazione, la salute del frutto e la posizione rispetto alla fotocamera.

Acquisizione e caratteristiche delle immagini

Le immagini sono state acquisite in un arco di tre settimane presso il “Center for Advanced Fruit Studies (CEAF)” in Cile, utilizzando una fotocamera Canon Rebel Ti7.

Per garantire la diversità delle scene, le foto sono state scattate in condizioni di luce differenti, su frutti a vari stadi di maturazione e da diverse angolazioni.

L'etichettatura ha richiesto circa sei mesi di lavoro, durante i quali ogni ciliegia visibile è stata classificata in una delle sei categorie stabilite in base al colore e alla posizione.

Le categorie includono: verde, immatura, matura (in primo piano), e ciliegie di sfondo divise in mature e immature, oltre ad una categoria per i frutti danneggiati.

Le sfide della segmentazione

Una delle principali sfide affrontate dai ricercatori è stata la variabilità tipica degli ambienti agricoli, come l'occlusione da foglie e rami, le variazioni di illuminazione e la sovrapposizione di frutti in immagini densamente popolate.

Nonostante queste difficoltà, il dataset Cherry CO offre una vasta gamma di esempi utili per addestrare modelli di deep learning, garantendo un'elevata capacità di generalizzazione degli algoritmi.

Prestazioni dei modelli DNN

Per valutare le prestazioni sui compiti di rilevamento e segmentazione delle ciliegie, sono stati utilizzati diversi Deep Neural Networks (DNN), tra cui Faster-RCNN, Mask-RCNN, Mask-Swin e le reti della famiglia YOLO (YOLOv4, YOLOR e YOLOv7).

Tra queste, YOLOv7 ha ottenuto le migliori prestazioni complessive, mostrando alta precisione e capacità di rilevare i frutti anche in condizioni complesse.

In particolare, ha raggiunto un ottimo equilibrio tra “Precision and Recall”, risultando adatta per applicazioni in tempo reale come il monitoraggio video e la raccolta automatizzata.

Conclusioni

Pertanto, Cherry CO rappresenta un’utile risorsa per addestrare modelli al riconoscimento e segmentazione delle ciliegie. Le reti addestrate con questo dataset possono essere utilizzate in applicazioni autonome per il conteggio dei frutti, la valutazione della maturità e persino per lo sviluppo di robot per la raccolta automatizzata.

In conclusione, Cherry CO si aggiunge alla lista (purtroppo carente) di dataset pubblici per il rilevamento e la segmentazione dei frutti, supportando l'innovazione tecnologica in agricoltura e promuovendo l'adozione di sistemi autonomi nella produzione delle ciliegie.

Image by freepik

Source: Cossio-Montefinale, L., Ruiz-del-Solar, J., & Verschae, R. (2024). Cherry CO Dataset: a dataset for cherry detection, segmentation and maturity recognition. IEEE Robotics and Automation Letters, vol. 9, no. 6, pp. 5552-5558. https://doi.org/10.1109/LRA.2024.3393214

Andrea Giovannini
Università di Bologna (IT)


Cherry Times - Tutti i diritti riservati

Potrebbe interessarti anche

Soluzioni e approcci integrati per la gestione del cracking

Qualità

24 mag 2024

La disponibilità idrica influenza la crescita, la resa e la qualità del ciliegio. L’applicazione dei biostimolanti determina l’attivazione/regolazione di vie metaboliche che influenzano processi in grado di migliorare la produzione sia in termini quantitativi che qualitativi.

Ciliegie libanesi verso l’export UE: formazione e collaborazione per superare le barriere

Mercati

30 giu 2025

In Libano, agricoltori e PMI agricole della Valle della Bekaa e del Monte Libano partecipano a sessioni formative promosse dall’OIL per adeguarsi agli standard UE. Il progetto punta a rafforzare la filiera delle ciliegie e ad aprire nuove opportunità nei mercati internazionali.

In evidenza

Dolce o aspro? La scelta strategica nella frutta surgelata B2B

Trasformato

05 set 2025

Nel B2B della frutta surgelata, il corretto equilibrio tra dolcezza e acidità è fondamentale: condiziona gusto, formulazioni, conformità e stabilità della fornitura. Una scelta non adeguata può ridurre l’accettazione del mercato, aumentare i costi e compromettere la competitività

Fertilizzazione dell’amarena in Russia: strategie azotate per aumentare la resa agricola

Gestione

05 set 2025

La Russia è leader europea per produzione di amarena. Uno studio mostra come dosi mirate di azoto e potassio influenzano resa e qualità senza rischi per l’ambiente. Scopri le soglie ottimali per coltivare in modo efficiente e sostenibile nei frutteti russi.

Tag Popolari