Improved YOLO-based real-time brinjal detection algorithm for vision modules in harvesting robots
Notice bibliographique
Résumé
Abstract A novel, lightweight, and accurate brinjal detection algorithm, YOLOv11s-Brinjal, was developed for vision modules in selective harvesting robots operating under complex horticultural environments. The algorithm addressed critical detection challenges, including variable lighting, spotlight effects, object overlap, occlusion, and cluttered backgrounds in unstructured farm settings. Multiple configurations from YOLOv8 to YOLOv12 were initially evaluated using a custom dataset, manually annotated and augmented through the Roboflow framework. The best-performing base model, YOLOv11s, was further optimized via systematic channel dimension pruning applied to the convolutional layers of its backbone architecture, significantly reducing both parameter count and computational load. To mitigate performance degradation and ensure task-specific alignment, weight adjustment techniques were implemented during fine-tuning. The YOLOv11s-Brinjal model was evaluated using the same test datasets, demonstrating robust performance with precision, recall, F1 score, and mean average precision values of 94%, 96.6%, 95.3%, and 98.1%, respectively. To assess generalization and detect potential overfitting, a 5-fold cross-validation was conducted. Compared to the original model, the proposed pruning and weight adjustment techniques improved recall by 1.3% , while reducing parameters and computational load by over 57%. With a compact model size of 8.2 MB and an inference time of 10.1 ms, YOLOv11s-Brinjal is well-suited for integration on edge devices as the vision component in real-time selective brinjal harvesting applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».