És crucial disposar de sistemes de detecció d'objectes precisos i fiables per a desenvolupar feines d'alt nivell en agricultura com serien fer un mapatge del camp o robotitzar les collites. Aquest document utilitza una Faster-RCNN -que consisteix xarxa de detecció d'objectes de l'estat de l'art- orientada a la detecció de fruites que en aquest treball només seran pomes. La xarxa serà introduïda i explicada. Es fa un anàlisis d'obtenció dels paràmetres d'entrenament i diversos experiments orientats a maximitzar la finesa (accuracy en anglès) del model que es vol obtenir. La xarxa neuronal estarà consistirà en una part preentrenada una part completament per entrenar. Aquest estudi no ha aconseguit equiparar els resultats de treballs anteriors (F1 score > 0.9) però tampoc es pot dir que hagi obtingut mals resultats, com seria un F1-score de 0.85.
The productivity of the agri-food sector experiences continuous and growing challenges that make the use of innovative technologies to maintain and even improve their competitiveness a priority. One way to achieve this goal is the development of flexible and portable systems capable of obtaining 2D/3D measurements and classifying objects based on color and depth images taken from multiple sensors. In this project, deep learning methods for fruit detection and classification will be explored.
