Pour résoudre les problèmes d'occlusion qui freinent l'efficacité des robots de cueillette, une étude propose MultiPL-YOLO, une version optimisée et allégée de l'algorithme de détection d'objets YOLO.
Le réseau a été ajusté pour améliorer l'extraction des caractéristiques des fruits tout en réduisant drastiquement la complexité de calcul. L'introduction d'un module intégrant l'attention coordonnée et la convolution multi-têtes permet de capturer des détails à plusieurs échelles et d'élargir le champ de vision du robot.
L'utilisation de l'algorithme des k-moyennes pour redéfinir les boîtes d'ancrage et de la fonction de perte EIoU accélère la convergence du modèle et affine la précision de localisation.
Performances techniques et gains d'efficacité :
Le modèle ne compte que 2 499 072 paramètres (réduction de 64,4 %) pour une taille totale de 5,9 Mo, soit une baisse de 59,0 % par rapport à la version originale.
Malgré sa légèreté, le système atteint une précision de 96,1 % et une précision moyenne (mAP@50) de 97,0 %, surpassant le modèle de référence même dans des scènes de vergers difficiles.
Impact pour la robotique de terrain :
Sa conception légère permet des performances de détection supérieures sur des ordinateurs industriels aux capacités de calcul limitées, souvent embarqués sur les robots mobiles.
Cette avancée renforce la capacité de perception et de prise de décision autonome des robots, facilitant la récolte intelligente dans des conditions réelles d'encombrement.
Par : Shaohua Liu, Jinlin Xue, Tian Yu Zhang, Pengfei Niv., Zhao Tianxing, Han Sun, Ruikai Liu, Yihang Chen
Lien :
https://www.sciencedirect.com/science/article/abs/pii/S0952197626008985