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

28 feb 2025
431

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

Shoreline Fruit: innovazione e crescita della cooperativa più grande di amarene statunitensi

Produzione

04 lug 2024

La concorrenza internazionale, la carenza di manodopera e i cambiamenti climatici tengono i coltivatori con il fiato sospeso. Il lato positivo è che le nuove collaborazioni e la tecnologia, tra cui TikTok, possono aiutare a compensare le sfide che i coltivatori devono affrontare.

Hema e GarcesFruit: nuova cooperazione Cile-Cina per ciliegie di qualità

Mercati

28 nov 2024

Il 6 novembre Hema ha firmato un accordo di cooperazione strategica con GarcesFruit, il principale fornitore di ciliegie cilene. Allo stesso tempo, è stata ufficialmente completata la prima base di approvvigionamento diretto all'estero di Hema in Cile.

In evidenza

Tecnologie dielettriche e intelligenza artificiale per la stima non distruttiva della qualità delle ciliegie

Qualità

14 mag 2025

L’Università di Ankara in Turchia applica tecnologie dielettriche e intelligenza artificiale per stimare la qualità interna delle ciliegie in modo non distruttivo. Il sistema migliora la precisione delle analisi, riduce i costi e ottimizza raccolta, conservazione e distribuzione.

Gestione dei ceraseti con il nuovo sistema KISS (Keep It Super Simple)

Gestione

14 mag 2025

Il sistema KISS per la coltivazione del ciliegio, sperimentato in Cile e promosso in Grecia, punta su semplicità, potatura ottimizzata e riduzione dei costi. Un approccio sostenibile che migliora resa e qualità dei frutti, ideale per affrontare la carenza di manodopera.

Tag Popolari