تشخیص میوه خیار روی بوته در محیط گلخانه با استفاده از الگوریتم تشخیص اشیاء YOLOv8

نوع مقاله : مقاله پژوهشی

نویسنده

علیرضا سلیمانی پور

گروه مهندسی مکانیک بیوسیستم، دانشکده آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران

https://doi.org/10.22067/jam.2025.92068.1339

چکیده

در سال‌های اخیر، توسعه اتوماسیون و کاربرد ربات‌ها برای انجام عملیات تکرارشونده و سنگین کشاورزی سرعت بیشتری پیدا کرده است. این امر ناشی از افزایش قدرت رایانه‌ها در پردازش اطلاعات، توسعه پایگاه داده‌های تصویری کلان، و همچنین توسعه مدل‌ها و الگوریتم‌های کاربردی در هوش مصنوعی است. در این مقاله، یک مدل تشخیص میوه خیار روی بوته در محیط واقعی گلخانه، مبتنی بر یادگیری عمیق و بینایی رایانه‌ای، طراحی و توسعه داده شد. ابتدا یک پایگاه تصویری مشتمل بر 300 تصویر با میزان شدت نور مختلف که در اوقات مختلف روز تهیه شده بود ایجاد شد. پس از برچسب‌گذاری تصاویر، عملیات داده‌افزایی روی تصاویر آموزشی انجام شد. سپس، با آموزش الگوریتم تشخیص اشیاء YOLO میوه خیار و ساقه آن در محیط طبیعی گلخانه تشخیص داده شد. عملکرد چندین معماری مختلف الگوریتم YOLO شامل نسخه 5 در مقیاس نانو (YOLOv5n) و نسخه 8 در مقیاس نانو و کوچک (YOLOv8n و YOLOv8s) و همچنین مدل RT-DETR بر روی پایگاه تصویر جمع‌آوری‌شده آموزش و ارزیابی شد. نتایج مدل‌ها براساس پارامترهای مختلف دقت و سرعت تشخیص با یکدیگر مقایسه شد. نتایج نشان داد مدل YOLOv8n، در مقایسه با سایر مدل‌های هم ارز از دقت تشخیص بالاتری برخوردار است. صحت تشخیص این مدل در تشخیص میوه خیار و ساقه آن، به‌ترتیب برابر با 96.1 و 88.0 درصد بود. این در حالی بود که این مدل به لحاظ تعداد پارامتر و سرعت تشخیص هم عملکرد بسیار خوبی داشت. از این سامانه می‌توان در توسعه روبات برداشت صیفی‌جات خودران استفاده کرد.

کلیدواژه‌ها

خیار

ربات برداشت محصول

گلخانه

مدل YOLO

یادگیری عمیق

موضوعات

• کشاورزی دیجیتال، هوشمند و دقیق

---

Authors retain the copyright. This is an open access article distributed under Creative Commons Attribution 4.0 International License (CC BY 4.0)

مراجع

1. Alaaudeen, K. M., Selvarajan, S., Manoharan, H., & Jhaveri, R. H. (2024). Intelligent robotics harvesting system process for fruits grasping prediction. Scientific Reports, 14(1), 2820. https://doi.org/10.1038/s41598-024-52743-8
2. Bac, C. W., Van Henten, E. J., Hemming, J., & Edan, Y. (2014). Harvesting robots for high‐value crops: State‐of‐the‐art review and challenges ahead. Journal of Field Robotics, 31(6), 888-911. https://doi.org/10.1002/rob.21525
3. Bharad, N. B., & Khanpara, B. M. (2024). Agricultural fruit harvesting robot: An overview of digital agriculture. Plant Archives, 24, 154-160. https://doi.org/10.51470/PLANTARCHIVES.2024.v24.SP-GABELS.023
4. Bochkovskiy, A., Wang, C.-Y., & Liao, H.-Y. M. (2020). Yolov4: Optimal speed and accuracy of object detection. ArXiv Preprint ArXiv:2004.10934. https://doi.org/10.48550/arXiv.2004.10934
5. Droukas, L., Doulgeri, Z., Tsakiridis, N. L., Triantafyllou, D., Kleitsiotis, I., Mariolis, I., ..., & Bochtis, D. (2023). A survey of robotic harvesting systems and enabling technologies. Journal of Intelligent & Robotic Systems, 107(2), 21. https://doi.org/10.1007/s10846-022-01793-z
6. Food and Agriculture Organization of the United Nations (FAO). (2023). FAOSTAT: 2021 food and agriculture data [Online database]. Retrieved from https://www.fao.org/faostat/en/#data/QCL/visualize
7. Fatehi, F., Bagherpour, H., & Amiri Parian, J. (2025). Investigating the Potential of the Innovative YOLOv8s Model for Detecting Bloomed Damask Roses in Open Fields. Journal of Agricultural Machinery, (in Press). https://doi.org/10.22067/jam.2024.88066.1249
8. Fernandez, R., Montes, H., Surdilovic, J., Surdilovic, D., Gonzalez-De-Santos, P., & Armada, M. (2018). Automatic detection of field-grown cucumbers for robotic harvesting. IEEE Access, 6, 35512-35527. https://doi.org/10.1109/ACCESS.2018.2851376
9. Jin, T., & Han, X. (2024). Robotic arms in precision agriculture: A comprehensive review of the technologies, applications, challenges, and future prospects. Computers and Electronics in Agriculture, 221, 108938. https://doi.org/10.1016/j.compag.2024.108938
10. Hussain, M. (2024). Sustainable machine vision for industry 4.0: a comprehensive review of convolutional neural networks and hardware accelerators in computer vision. AI, 5(3), 1324-1356. https://doi.org/10.3390/ai5030064
11. Jocher, G., Chaurasia, A., & Qiu, J. (2023). YOLO by Ultralytics (Version 8.0.0) [Software]. Zenodo. https://doi.org/10.5281/zenodo.7867787
12. Kootstra, G., Wang, X., Blok, P. M., Hemming, J., & Van Henten, E. (2021). Selective harvesting robotics: current research, trends, and future directions. Current Robotics Reports, 2, 95-104. https://doi.org/10.1007/s43154-020-00034-1
13. Kuznetsova, A., Maleva, T., & Soloviev, V. (2020). Using YOLOv3 algorithm with pre-and post-processing for apple detection in fruit-harvesting robot. Agronomy, 10(7), 1016. https://doi.org/10.3390/agronomy10071016
14. Liu, G., Nouaze, J. C., Touko Mbouembe, P. L., & Kim, J. H. (2020). YOLO-tomato: A robust algorithm for tomato detection based on YOLOv3. Sensors, 20(7), 2145. https://doi.org/10.3390/s20072145
15. Mahani, S. F. N., & Karami, A. (2023). Maize tassel detection and counting using deep learning techniques. Journal of Agricultural Machinery, 13(2), 175-194. https://doi.org/10.22067/jam.2022.72477.1062
16. Mallick, P. K. (2022). Evaluating potential importance of cucumber (Cucumis sativus-Cucurbitaceae): a brief review. International Journal of Applied Sciences and Biotechnology, 10(1), 12-15. https://doi.org/10.3126/ijasbt.v10i1.44152
17. Mehta, S. S., MacKunis, W., & Burks, T. F. (2016). Robust visual servo control in the presence of fruit motion for robotic citrus harvesting. Computers and Electronics in Agriculture, 123, 362-375. https://doi.org/10.1016/j.compag.2016.03.007
18. Moseley, K. R., House, L., & Roka, F. M. (2012). Adoption of mechanical harvesting for sweet orange trees in Florida: addressing grower concerns on long-term impacts. International Food and Agribusiness Management Review, 15(1030-2016–82762), 83-98. https://doi.org/10.22004/ag.econ.127108
19. Park, Y., Seol, J., Pak, J., Jo, Y., Kim, C., & Son, H. I. (2023). Human-centered approach for an efficient cucumber harvesting robot system: Harvest ordering, visual servoing, and end-effector. Computers and Electronics in Agriculture, 212, 108116. https://doi.org/10.1016/j.compag.2023.108116
20. Salim, N. O., & Mohammed, A. K. (2024). Comparative Analysis of Classical Machine Learning and Deep Learning Methods for Fruit Image Recognition and Classification. Traitement du Signal, 41(3). https://doi.org/10.18280/ts.410322
21. Shewfelt, R. L., & Prussia, S. E. (2022). Challenges in handling fresh fruits and vegetables. In Postharvest Handling (pp. 167–186). Elsevier. https://doi.org/10.1016/B978-0-12-822845-6.00006-3
22. Sola-Guirado, R. R., Castro-Garcia, S., Blanco-Roldán, G. L., Gil-Ribes, J. A., & González-Sánchez, E. J. (2020). Performance evaluation of lateral canopy shakers with catch frame for continuous harvesting of oranges for juice industry. International Journal of Agricultural and Biological Engineering, 13(3), 88-93. https://doi.org/10.25165/j.ijabe.20201303.4998
23. Tajane, K., Khutale, P., Kore, A., Khairmode, A., & Girawale, S. (2024). Object Detection: A comprehensive study of famous Deep Learning approaches with case study of Helmet Detection dataset. In 2024 2nd International Conference on Advancements and Key Challenges in Green Energy and Computing (AKGEC)(pp. 1-5). IEEE. https://doi.org/10.1109/akgec62572.2024.10868812  
24. Wu, D., Lv, S., Jiang, M., & Song, H. (2020). Using channel pruning-based YOLO v4 deep learning algorithm for the real-time and accurate detection of apple flowers in natural environments. Computers and Electronics in Agriculture, 178, 105742. https://doi.org/10.1016/j.compag.2020.105742
25. Xiao, F., Wang, H., Li, Y., Cao, Y., Lv, X., & Xu, G. (2023). Object detection and recognition techniques based on digital image processing and traditional machine learning for fruit and vegetable harvesting robots: An overview and review. Agronomy, 13(3), 639. https://doi.org/10.3390/agronomy13030639
26. Yue, X., Qi, K., Na, X., Zhang, Y., Liu, Y., & Liu, C. (2023). Improved YOLOv8-Seg Network for Instance Segmentation of Healthy and Diseased Tomato Plants in the Growth Stage. Agriculture, 13(8), 1643. https://doi.org/10.3390/agriculture13081643
27. Zhang, Z., Igathinathane, C., Li, J., Cen, H., Lu, Y., & Flores, P. (2020). Technology progress in mechanical harvest of fresh market apples. Computers and Electronics in Agriculture, 175, 105606. https://doi.org/10.1016/j.compag.2020.105606
28. Zhou, H., Wang, X., Au, W., Kang, H., & Chen, C. (2022). Intelligent robots for fruit harvesting: Recent developments and future challenges. Precision Agriculture, 23(5), 1856-1907. https://doi.org/10.1007/s11119-022-09913-3