Fusion av Gaussian–Haar-transform förbättrar DEIM för detektionsbedömning av granatäppelmognad

Smartare skördar för en växande värld

Att veta exakt när frukt är redo att plockas är ett av jordbrukets viktigaste — och svåraste — beslut. Denna studie tar sig an problemet för granatäpplen, en gröda med växande ekonomisk och näringsmässig betydelse. Istället för att förlita sig på mänsklig syn eller långsamma laboratorietester presenterar författarna ett kompakt artificiellt intelligenssystem som kan analysera vanliga foton tagna i riktiga fruktodlingar och avgöra hur långt varje granatäpple kommit i sin utveckling, från små knoppar till fullt mogen frukt. Målet är att göra automatiserad skörd, prognoser för avkastning och odlingshantering snabbare, mer precisa och praktiskt genomförbart även på enheter med låg strömförbrukning.

Varför granatäpplemognad är svår att se

I verkliga fruktodlingar är det inte så enkelt att upptäcka granatäpplen som det låter. Tidigt på säsongen försvinner små gröna frukter nästan i den täta gröna bladningen, vilket förvirrar många befintliga datorseendemetoder som främst förlitar sig på färg. Senare kan mogna frukter delvis döljas av lövverk eller kastas in i djupa skuggor av ojämnt solljus, vilket får algoritmer att placera detektionsboxar felaktigt eller missa frukter helt. De flesta tidigare system fokuserar dessutom på frukten efter skörd eller på en enda tidpunkt i tillväxtcykeln, vilket begränsar deras användbarhet för att planera bevattning, gödsling och bekämpning av skadedjur över en hel säsong. Utöver detta är mycket noggranna modeller ofta för stora och strömkrävande för att köras på de små datorer som används i fältrobotar och edge-enheter.

Att lära en kamera se bortom färg

För att övervinna dessa hinder byggde forskarna ett nytt detektionssystem som de kallar GLMF-DEIM. Först satte de ihop en specialiserad dataset med 5 855 högkvalitativa bilder från odlingar i Shandong, Kina, tagna april till oktober under många olika ljus- och väderförhållanden. Experter märkte upp 11 482 enskilda granatäppleknoppar, blommor och frukter och delade in dem i fem tillväxtstadier och tre storleksintervall. Denna rika samling låter modellen lära sig hur granatäpplen ser ut i varje utvecklingssteg, från små, tätt slutna knoppar till stora, färggranna mogna frukter, och hur de framträder vid olika tidpunkter på dagen och vid olika grad av lövtäckning.

Se textur och detalj, inte bara färg

Kärnan i GLMF-DEIM är en uppsättning smarta tekniker som hjälper datorn att skilja frukt från bladverk och uppmärksamma små, subtila kännetecken utan att slösa beräkningar. En front-end-modul använder en matematisk operation liknande att dela upp ljud i låga och höga toner. Den dekomponerar bilden i släta områden och skarpa kanter, efter att först försiktigt ha jämnat ut små bakgrundsbrus. Eftersom granatäppleskal är relativt släta medan blad bildar en rörig, texturerad bakgrund gör denna frekvensbaserade vy det enklare att skilja dem åt även när de har samma gröna nyans. Andra lätta moduler anpassar hur bilden reduceras i storlek så att viktiga ytdetaljer kopplade till mognad bevaras, och de lär sig lägga särskild vikt vid information som sprids över olika rumsliga skalor, från små knoppar till stora mogna frukter.

Se varje frukt, stor som liten

Förutom att känna igen enskilda texturer måste systemet hantera frukter i många storlekar utspridda i scenen. För detta konstruerar författarna ett funktionsfusionsnätverk som bygger upp en slags pyramid av bildrepresentationer. På högre nivåer fångar modellen breda former; på lägre nivåer bevaras fina kanter och mönster. Information flödar både uppåt och nedåt i denna pyramid så att varje detektionslager förstår både kontext och lokala detaljer. Detektionshuvudet använder sedan en modern "transformer"-arkitektur — ett sätt att modellera relationer mellan många punkter i en bild samtidigt — i kombination med en förfinad träningsstrategi som matar in tätt varierade exempel och en förlustfunktion som straffar både övermodiga misstag och underkonfident träffar. Tillsammans hjälper dessa val systemet att konvergera snabbt och förbli robust i svåra scener med överlappande frukter och röriga bakgrunder.

Bättre noggrannhet med mindre beräkningskraft

I jämförande tester mot ledande objektigenkänningssystem presterar den nya metoden bäst. Den identifierar mogna granatäpplen korrekt med omkring 93 procent precision vid en standardutvärdering och behåller stark prestanda även under strängare bedömningsregler. Den visar särskilt märkbara förbättringar för små, svårupptäckta mål, samtidigt som den fortfarande utmärker sig på stora frukter. Samtidigt använder den betydligt färre beräkningar och parametrar än tungdrivna modeller, vilket gör den lämplig för driftsättning på fältrobotar, drönare eller lågkostnadsövervakningsstationer. I praktiska termer innebär detta att en kamerautrustad enhet skulle kunna patrullera en granatäppelodling, pålitligt följa hur varje trädets frukt utvecklas och hjälpa bönder att bestämma när och var man ska skörda eller ingripa — allt utan att behöva en superdator i ladan.

Citering: Wang, Y., Liu, S., Hao, P. et al. Gaussian-Haar transform fusion enhances DEIM for pomegranate maturity detection. Sci Rep 16, 8246 (2026). https://doi.org/10.1038/s41598-026-39620-2

Nyckelord: detektion av granatäpple, fruktmognad, smart jordbruk, datorseende, djupinlärningsmodeller