Dans l'industrie fruitière, l'intégration de l'apprentissage profond pour des tâches telles que la prédiction du rendement et la cueillette automatisée a été déterminante. Le processus d'étiquetage des données de formation reste toutefois un défi. Plant Phenomics a récemment publié une étude intitulée « DomAda-FruitDet : Domain-Adaptive Anchor-Free Fruit Detection Model for Auto Labeling », qui vise à combler le fossé qui existe entre les données d'entraînement synthétiques et les données d'application du monde réel. Cet écart se manifeste souvent par des divergences dans l'échelle des objets de premier plan et la cohérence de l'arrière-plan.
La recherche introduit DomAda-FruitDet, un modèle qui incorpore une structure adaptative au domaine de premier plan basée sur une double couche de prédiction et une stratégie adaptative au domaine de fond à travers l'allocation d'échantillons. Cette approche est conçue pour atténuer les fossés de domaine, améliorant ainsi la capacité de généralisation du modèle. DomAda-FruitDet a démontré des scores de précision moyenne impressionnants sur divers ensembles de données de fruits, y compris la pomme (90,9 %), la tomate (90,8 %), la pitaya (88,3 %) et la mangue (94,0 %).
Cliquez ici pour agrandir cette image.
L'efficacité du modèle a été davantage confirmée par des expériences avec des ensembles de données issus d'EasyDAMv1 et EasyDAMv2, qui incluent à la fois des images de fruits synthétiques et réelles. La capacité de DomAda-FruitDet à générer de manière adaptative des étiquettes de haute qualité face à d'importantes disparités de domaine a été validée, indiquant une réduction significative du travail et du temps nécessaires pour le marquage des données. Cette avancée promet le déploiement de technologies de vergers intelligents plus précises et efficaces, révolutionnant potentiellement les pratiques agricoles avec une applicabilité améliorée des modèles d'apprentissage profond.
Source : phys.org