YOLO-LSBA: Een hoog-precisiemodel voor het detecteren van stelen van kleinformaat kerstomaatjes

Waarom slimmer tomatenplukken ertoe doet

Kerstomaatjes zijn smakelijk maar verrassend moeilijk automatisch te oogsten. Menselijke plukkers zien waar de fragiele stelen elk vruchtje met de rank verbinden en knippen ze netjes door, maar robots hebben moeite met dit kleine doelwit dat verscholen ligt tussen bladeren, takken en wisselend licht. Deze studie presenteert een nieuw computerzichtmodel dat robots helpt die dunne stelen nauwkeurig en snel te herkennen, waardoor volledig geautomatiseerd plukken van kerstomaatjes realistischer wordt voor moderne kassen.

De uitdaging van het zien van kleine stelen

In kassen hangen trossen kerstomaatjes in verschillende richtingen, overlappen ze elkaar en bevinden ze zich in wisselend zon- of schaduwlicht. De meeste bestaande visionsystemen voor oogsten richten zich op het detecteren van de vruchten zelf, die relatief groot, rond en kleurrijk zijn. De stelen zijn daarentegen dun, deels verborgen en gemakkelijk te verwarren met nabijgelegen takken. Toch bepalen die stelen waar en hoe een robot moet snijden, zodat rijpe vruchten zonder kneuzingen worden verwijderd en de plant niet beschadigd raakt. De auteurs stellen dat betrouwbare steldetectie de ontbrekende schakel is tussen het herkennen van tomaten en het daadwerkelijk plukken met een robotarm.

Een rijker beeld bouwen uit beperkte data

De onderzoekers begonnen met 3.000 beelden van tomatenplanten uit een kas in Noord-China, gefotografeerd onder uiteenlopende lichtomstandigheden en vanuit verschillende hoeken. Ze labelden elke tomaat als rijp, onrijp of steel en gebruikten vervolgens data-augmentatietechnieken om de dataset meer dan verviervoudigd uit te breiden. Door willekeurig te spiegelen, bij te snijden, te verhelderen, te dimmen en visuele ruis toe te voegen, creëerden ze meer dan 12.000 beelden die realistische variaties nabootsen. Deze rijkere verzameling helpt het model te leren hoe stelen eruitzien, zelfs wanneer ze zwak verlicht, deels verborgen of omringd door verwarrende achtergronden zijn.

Een getuned zichtmodel voor kleine details

De kern van het werk is een verbeterde versie van een populair realtime detectiesysteem bekend als YOLO. Het nieuwe model, YOLO-LSBA genoemd, is specifiek afgestemd op kleine, fijne structuren zoals tomatenstelen. Een onderdeel van de upgrade helpt het netwerk over een groter gebied van het beeld te "kijken" terwijl het toch fijne details behoudt, wat de capaciteit verbetert om stelen te scheiden van bladeren en steunen. Een ander onderdeel herorganiseert hoe informatie stroomt over de breedte en hoogte van het beeld en tussen kleurkanalen, waardoor redundante signalen worden weggefilterd zodat het model meer aandacht schenkt aan subtiele, steelachtige patronen. Een derde component combineert zorgvuldig kenmerken op verschillende schalen, zodat sterke signalen van grote vruchten de zwakke sporen van dunne stelen niet overschaduwen.

Het model op de proef stellen

Het team voerde uitgebreide experimenten uit om te zien hoe elk nieuw onderdeel bijdroeg aan steldetectie. Ze vonden dat de opgewaardeerde architectuur de precisie van steldetectie aanzienlijk verbeterde, terwijl het model lichtgewicht genoeg bleef voor kleine computers die vaak op boerderijrobots worden gebruikt. In benchmarktests presteerde YOLO-LSBA beter dan verschillende bekende detectiemodellen, waaronder andere compacte YOLO-varianten en traditionele systemen zoals SSD en Faster R-CNN, vooral voor de moeilijke steelcategorie. De auteurs zetten het model vervolgens in op een Raspberry Pi single-board computer en in veldproeven in de kas, waar het de videoinvoer bijhield en stelen nauwkeurig markeerde, zelfs wanneer vruchten overlappen of het licht slecht was.

Wat dit betekent voor toekomstige boerderobots

Kort gezegd toont de studie aan dat robots getraind kunnen worden om de fragiele stelen van kerstomaatjes bijna net zo betrouwbaar te "zien" als een zorgvuldige menselijke plukker, en dat op bescheiden hardware. Het YOLO-LSBA-model bereikt ongeveer 97 procent precisie in steldetectie terwijl het nog snel genoeg draait voor realtime gebruik. Dit effent de weg voor oogstrobots die elke tomatentros kunnen benaderen, het veiligste snijpunt vinden en vruchten schoon en voorzichtig verwijderen. Hoewel de auteurs opmerken dat meer gevarieerde velddata en langetermijntests nog nodig zijn, biedt hun aanpak een praktisch stappenplan voor slimmer pluksystemen, niet alleen voor tomaten maar ook voor andere trosgewassen.

Bronvermelding: Liu, Q., Chen, F., Zhang, H. et al. YOLO-LSBA: A high-precision model for detecting stems of small-sized cherry tomatoes. Sci Rep 16, 15552 (2026). https://doi.org/10.1038/s41598-026-46348-6

Trefwoorden: plukken van kerstomaatjes, detectie van vruchtstelen, robotica in de landbouw, computerzicht, YOLO-model