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

28 feb 2025
575

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 conservare le ciliegie più a lungo: il metodo naturale senza additivi chimici

Post-raccolta​

02 apr 2025

Scopri il metodo innovativo per la conservazione naturale delle ciliegie senza additivi chimici. Grazie a tecnologie avanzate come il raffreddamento rapido, l’atmosfera controllata e la sanitizzazione dell’aria, le ciliegie restano fresche fino a 60 giorni.

La stagione delle ciliegie australiane decolla: obiettivo 5.000 tonnellate anche grazie ai mercati cinesi

Mercati

05 dic 2024

Vista la concorrenza delle ciliegie cilene, Cherry Growers Australia ha sottolineato che la qualità delle ciliegie australiane è essenziale per offrire ai clienti il prodotto più gustoso sul mercato. Nella scorsa stagione, l'Australia ha esportato 4.030 tonnellate di ciliegie.

In evidenza

Brassinolide contro il freddo: ciliegie “Tieton” più resistenti nella conservazione in Cina

Post-raccolta​

26 giu 2025

Uno studio condotto a Yantai (Cina) dimostra che l'applicazione di brassinolide migliora la conservazione delle ciliegie “Tieton”, riducendo sensibilmente i danni da freddo, la perdita di peso e il deterioramento della qualità visiva e nutrizionale dei frutti in stoccaggio.

Le ciliegie Meda si diffondono in Europa: prove in 12 Paesi e primi frutti in Olanda

Varietà

26 giu 2025

Le ciliegie Meda conquistano l’Europa: test attivi in 12 Paesi, prime produzioni nei Paesi Bassi e 1.200 ettari assegnati a livello globale. Il progetto, attivo anche in USA, Cile, Sud Africa e Cina, punta su qualità, precocità, innovazione e sostenibilità agronomica.

Tag Popolari