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

28 feb 2025
710

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

Come combattere la Drosophila suzukii nel 2024: la guida del CTIFL

Difesa

03 mag 2024

Nel 2023 il CTIFL ha avviato una prova di valutazione delle strategie di protezione confrontando sei strategie basate su prodotti disponibili con autorizzazione all'immissione in commercio perenne o con autorizzazione all'immissione in commercio di 120 giorni nel 2023.

Agricooler: nuove coperture innovative per la gestione del calore

Coperture

13 giu 2024

Questo tessuto innovativo, brevettato dall'azienda spagnola Agralia, incorpora microparticelle di alluminio per migliorare l'accumulo di ore di freddo. Le microparticelle presenti in Agricooler bloccano la radiazione infrarossa, responsabile della trasmissione del calore.

In evidenza

Genetica della ciliegia premium: dal DNA alla qualità e resistenza post-raccolta

Breeding

15 ago 2025

Dal calibro alla shelf life, la genetica guida il futuro della ciliegia dolce. Dalla mappatura del genoma ai geni chiave PavCNR12 e PaCYP78A9, fino a CRISPR e selezione genomica, le nuove varietà nascono per essere più grandi, gustose e resistenti lungo tutta la filiera.

Nuovi portainnesti di ciliegio dalla Serbia per affrontare il cambiamento climatico

Portinnesti

15 ago 2025

La ricerca condotta in Serbia su 27 genotipi autoctoni di ciliegio individua portainnesti resistenti, adattabili e a basso vigore, ideali per una frutticoltura sostenibile e resiliente. Un passo fondamentale per affrontare le sfide climatiche in agricoltura moderna.

Tag Popolari