基于视频流的龙果花和果物的快速识别和计数方法

科学领域:

• 农业技术 农业技术
• 计算机视觉 计算机视觉
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 精确监测龙果 (Hylocereus undatus) 产量对于种植者来说至关重要,但传统的手动计数是无效的.
• 现有的深度学习对象识别方法由于其独特的形态和同时存在的花和果实,对龙果的应用有限.
• 需要轻量级,移动集成模型来进行现场果实计数.

研究的目的:

• 开发和评估一种视频流检查方法,用于分类和计数龙果花,未成熟 (绿色) 和成熟 (红色) 果实.
• 创建适合移动平台的轻量级识别和跟踪模型,用于现场产量估计.
• 为了应对龙果独特的形态和花和水果在自动计数系统中的共同存在所带来的挑战.

主要方法:

• 利用YOLOv5网络识别龙果花,绿色水果和红色水果.
• 采用了改进的ByteTrack对象跟踪算法来分配独特的ID和跟踪目标.
• 定义了一个感兴趣的区域,以便精确地对不同类别的龙果进行分类和计算.

主要成果:

• 实现了高的识别准确率:花94.1%,绿色水果94.8%,红色水果96.1% (总体95.0%).
• 显示出强大的计数准确率:花97.68%,绿色水果93.97%,红色水果91.89%.
• 该方法在1080ti GPU上以每秒56的快速运行,表明实际效率.

结论:

• 拟议的视频流检查方法有效地分类和计数不同阶段的龙果,并具有很高的准确性.
• 开发的轻量级模型适合集成到移动平台,使种植者能够在现场进行数量估计.
• 这种方法为龙果产量监测提供了实用和高效的解决方案,并且可以适应其他水果品种.