تشخیص و برآورد میزان محصول در باغ‌های خرمالو بر پایه YOLOv12 یک فرایند چندمقیاسی و اعتبارسنجی‌شده میدانی برای برداشت دقیق

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی انگلیسی

نویسندگان

حسام نیکخواه

عادل حسین پور

گروه مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران

https://doi.org/10.22067/jam.2026.96324.1444

چکیده

برآورد دقیق عملکرد پیش از برداشت در باغبانی دقیق اهمیت زیادی دارد، زیرا تصمیم‌گیری آگاهانه در تخصیص نیروی کار، برنامه‌ریزی لجستیکی و پیش‌بینی بازار را ممکن می‌سازد. در این پژوهش، یک چارچوب یکپارچه بینایی کامپیوتر مبتنی بر معماری YOLOv12 برای تشخیص و کمی‌سازی میوه‌های خرمالو (Diospyros kaki) در شرایط واقعی باغ ارائه شد. استخراج ویژگی‌های چندمقیاسی با مدل رگرسیونی سبک‌وزن ترکیب شد تا وزن هر میوه مستقیماً از تصاویر RGB پیش‌بینی شود. مجموعه‌داده‌ای شامل 2118 تصویر برچسب‌خورده تهیه شد تا تغییرات چگالی تاج و شدت نور را پوشش دهد و پایداری مدل را در برابر پوشیدگی‌های طبیعی تضمین کند. پس از تنظیم پنج نسخه از YOLOv12، دقت تشخیص از 0.92 mAP@0.5  فراتر رفت و مدل YOLOv12x بالاترین دقت (0.945) را داشت. با این حال، نسخه YOLOv12n بهترین توازن میان دقت (0.925 mAP@0.5) و کارایی (5.7 میلی‌ثانیه، بیش از 100 فریم بر ثانیه) را ارائه داد و برای استقرار بلادرنگ مبتنی بر اینترنت اشیاء در باغ‌های هوشمند بهینه بود. برآورد عملکرد از طریق نگاشت حجم بیضوی به وزن واقعی با رگرسیون خطی انجام شد و میانگین خطای مطلق 6.2 گرم و انحراف کمتر از 5 درصد در سطح درخت حاصل گردید. این چارچوب با حفظ سرعت استنتاج بلادرنگ در دستگاه‌های لبه‌ای، قابلیت اعتماد بالایی برای پیش‌بینی عملکرد مبتنی بر داده نشان داد و پتانسیل ادغام در سامانه‌های برداشت هوشمند جهت کاهش ضایعات پس از برداشت را برجسته کرد.

کلیدواژه‌ها

اعتبارسنجی میدانی

تشخیص اشیای چندمقیاسی

رباتیک باغی

سازوکارهای توجه

کشاورزی دقیق

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. Apolo-Apolo, O. E., Pérez-Ruiz, M., Martínez-Guanter, J., & Valente, J. (2020). A Cloud-Based Environment for Generating Yield Estimation Maps From Apple Orchards Using UAV Imagery and a Deep Learning Technique. Frontiers in Plant Science, 11. https://doi.org/10.3389/fpls.2020.01086
2. da Silveira, F., Lermen, F. H., & Amaral, F. G. (2021). An overview of agriculture 4.0 development: Systematic review of descriptions, technologies, barriers, advantages, and disadvantages. Computers and Electronics in Agriculture, 189, 106405. https://doi.org/10.1016/j.compag.2021.106405
3. Fatehi, F., Bagherpour, H., & Amiri Parianq, J. (2025). Investigating the Potential of the Innovative YOLOv8s Model for Detecting Bloomed Damask Roses in Open Fields. Journal of Agricultural Machinery, 15(3), 275-289. https://doi.org/10.22067/jam.2024.88066.1249
4. Food and Agriculture Organization of the United Nations. (2022). World food and agriculture—Statistical yearbook 2022. Rome, Italy: Author. https://doi.org/10.4060/cc2211en
5. Karlekar, A., & Seal, A. (2020). SoyNet: Soybean leaf diseases classification. Computers and Electronics in Agriculture, 172, 105342. https://doi.org/10.1016/j.compag.2020.105342
6. Li, T., Chen, Q., Zhang, X., Ding, S., Wang, X., & Mu, J. (2024). PeachYOLO: A Lightweight Algorithm for Peach Detection in Complex Orchard Environments. IEEE Access, 12, 96220–96230. https://doi.org/10.1109/ACCESS.2024.3411644
7. Liakos, K. G., Busato, P., Moshou, D., Pearson, S., & Bochtis, D. (2018). Machine learning in agriculture: A review. Sensors, 18(8), Article 2674. https://doi.org/10.3390/s18082674
8. Liang, Z., Zhu, T., Teng, G., Zhang, Y., & Gu, Z. (2025). YOLO-RGDD: A Novel Method for the Online Detection of Tomato Surface Defects. Foods, 14(14), 2513. https://doi.org/10.3390/foods14142513
9. Maheswari, P., Raja, P., Apolo-Apolo, O. E., & Pérez-Ruiz, M. (2021). Intelligent Fruit Yield Estimation for Orchards Using Deep Learning Based Semantic Segmentation Techniques—A Review. Frontiers in Plant Science, 12. https://doi.org/10.3389/fpls.2021.684328
10. Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., …, & Duchesnay, É. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825-2830. https://doi.org/10.48550/arXiv.1201.0490
11. Qi, J., Liu, X., Liu, K., Xu, F., Guo, H., Tian, X., …, & Li, Y. (2022). An improved YOLOv5 model based on visual attention mechanism: Application to recognition of tomato virus disease. Computers and Electronics in Agriculture, 194, 106780. https://doi.org/10.1016/j.compag.2022.106780
12. Ribeiro, D., Tavares, D., Tiradentes, E., Santos, F., & Rodriguez, D. (2025). Performance Evaluation of YOLOv11 and YOLOv12 Deep Learning Architectures for Automated Detection and Classification of Immature Macauba (Acrocomia aculeata) Fruits. Agriculture, 15(15), 1571. https://doi.org/10.3390/agriculture15151571
13. Sapkota, R., Meng, Z., Churuvija, M., Du, X., Ma, Z., & Karkee, M. (2026). Comprehensive performance evaluation of YOLOv12, YOLO11, YOLOv10, YOLOv9 and YOLOv8 on detecting and counting fruitlet in complex orchard environments. Agriculture Communications, 4(1), 100125. https://doi.org/10.1016/j.agrcom.2026.100125
14. Tian, Y., Ye, Q., & Doermann, D. (2025). YOLOv12: Attention-centric real-time object detectors (arXiv No. 2502.12524). Retrieved from https://arxiv.org/abs/2502.12524
15. Wang, C., Wang, Y., Liu, S., Lin, G., He, P., Zhang, Z., & Zhou, Y. (2022). Study on pear flowers detection performance of YOLO-PEFL model trained with synthetic target images. Frontiers in Plant Science, 13, Article 822140. https://doi.org/10.3389/fpls.2022.911473
16. 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, Article 105742. https://doi.org/10.1016/j.compag.2020.105742
17. Xu, X., Zhou, B., Li, W., & Wang, F. (2025). A method for detecting persimmon leaf diseases using the lightweight YOLOv5 model. Expert Systems with Applications, 284, 127567. https://doi.org/10.1016/j.eswa.2025.127567
18. Zheng, Z., Wang, P., Liu, W., Li, J., Ye, R., & Ren, D. (2019). Distance-IoU loss: Faster and better learning for bounding box regression. In Proceedings of the AAAI Conference on Artificial Intelligence (Vol. 34, No. 7, pp. 12993-13000). https://doi.org/10.1609/aaai.v34i07.6999