Abstrak
LATAR BELAKANG
Deteksi cacat buah otomatis memainkan peran penting dalam meningkatkan penilaian kualitas pascapanen dan mendukung pengambilan keputusan dalam rantai pasokan pertanian. Deteksi cacat jambu biji menghadirkan tantangan khusus karena jenis penyakit yang beragam, tingkat kematangan yang bervariasi, dan kondisi lingkungan yang tidak konsisten. Meskipun model berbasis you only look once (YOLO) yang ada telah menunjukkan janji dalam tugas deteksi pertanian, mereka sering menghadapi keterbatasan dalam menyeimbangkan akurasi deteksi, kecepatan inferensi, dan efisiensi komputasi, terutama dalam pengaturan sumber daya yang terbatas. Studi ini mengatasi kesenjangan ini dengan mengevaluasi empat model YOLO (YOLOv8s, YOLOv5s, YOLOv9s dan YOLOv11n) untuk mendeteksi buah jambu biji yang cacat pada lima penyakit (keropeng, kanker, cedera dingin, kerusakan mekanis dan busuk), tiga tingkat kematangan (matang, setengah matang dan belum matang) dan buah-buahan yang sehat.
HASIL
Kumpulan data yang beragam memfasilitasi pelatihan dan evaluasi yang kuat. YOLOv11n mencapai mAP50-95 tertinggi (98,0%) dan menunjukkan kehilangan kotak pembatas (0,0565), kehilangan klasifikasi (0,2787), waktu inferensi (3,9 milidetik) dan kecepatan deteksi (255 FPS). YOLOv5 memiliki presisi tertinggi (94,9%), sementara YOLOv9 unggul dalam mengingat (96,2%). YOLOv8 menawarkan kinerja yang seimbang di seluruh metrik. YOLOv11n mengungguli semua model dengan arsitektur yang ringan (2,6 juta parameter) dan biaya komputasi yang rendah (6,3 giga operasi floating-point per detik), sehingga cocok untuk aplikasi dengan sumber daya terbatas.
KESIMPULAN
Hasil ini menyoroti potensi YOLOv11n untuk aplikasi pertanian, seperti deteksi cacat otomatis dan kontrol kualitas, yang memerlukan akurasi tinggi dan kinerja waktu nyata dalam berbagai kondisi. Analisis ini memberikan wawasan tentang penerapan model YOLO untuk penilaian kualitas pertanian guna meningkatkan efisiensi dan keandalan manajemen pascapanen. © 2025 Society of Chemical Industry.
