Come può un transformer individuare i frutti camuffati negli alberi?

Riconoscere i frutti sugli alberi è fondamentale per prevenire malattie, stimare il raccolto e automatizzare la raccolta. Il problema? Nei frutteti i frutti spesso si mimetizzano con foglie, rami e luce, rendendo difficile la loro individuazione. Per superare queste difficoltà, gli scienziati hanno creato FCNet, un nuovo sistema basato su transformer che “vede” il contesto dell’intero albero. Il modello usa PVTv2 per estrarre caratteristiche a più scala, poi le potenzia con un modulo ASPP che cattura dettagli a diverse risoluzioni e con meccanismi di attenzione che mettono in evidenza le parti più importanti. Infine, una normalizzazione speciale, la Position‑based Layer Normalization, affina i bordi dei frutti, rendendo la segmentazione più precisa. Quando è stato testato su immagini di mango, FCNet ha superato tutti i concorrenti, migliorando di diversi punti percentuali metriche come S‑measure, IoU e F‑measure. Gli esperimenti di ablazione hanno confermato che sia il potenziamento delle caratteristiche sia la normalizzazione finale sono decisivi per le performance. In pratica, questo approccio potrebbe rendere più affidabili i robot di raccolta e aiutare gli agricoltori a monitorare i loro frutteti con meno errori.

FCNet si basa su una variante del Vision Transformer (ViT) chiamata PVTv2, che introduce una gerarchia di token a risoluzioni decrescenti, consentendo di catturare sia dettagli fini che informazioni globali. L'ASP​P (Atrous Spatial Pyramid Pooling) utilizza convoluzioni dilatate con diversi tassi di dilatazione, creando campi recettivi multipli senza aumentare il numero di parametri, ideale per oggetti di dimensioni variabili come i frutti. Il modulo di attenzione impiega una combinazione di channel‑wise e spatial‑wise attention, migliorando la discriminazione tra frutto e sfondo. La Position‑based Layer Normalization (PLN) normalizza le attivazioni tenendo conto della posizione spaziale dei pixel, riducendo l’effetto di bias dovuto a variazioni di illuminazione o prospettiva. L’addestramento è stato effettuato su un dataset di immagini di mango con annotazioni pixel‑wise, usando una loss combinata di BCE e Dice per bilanciare precisione e recall. I risultati mostrano un incremento medio del 4‑6% su metriche di segmentazione rispetto a modelli come UNet, DeepLabV3+ e SegFormer, confermando l’efficacia dell’approccio multi‑scale e del raffinamento posizionale. Inoltre, l’analisi di ablation ha evidenziato che rimuovere l’ASP​P riduce la S‑measure di 2,43 punti, mentre l’assenza della PLN penalizza l’IoU di 2,73 punti, sottolineando l’importanza di entrambi i componenti per la robustezza del modello in scenari di camuffamento visivo.