在真实的果园中检测蓝的成熟度和计数,使用与ByteTrack算法集成的1novel STF-YOLO模型
Na Wu1, Jie Wu1, Zhechen Wang1
1School of Artificial Intelligence and Information Engineering, Zhejiang University of Science and Technology, Hangzhou, China.
Frontiers in plant science
|December 15, 2025
概括
一个新的STF-YOLO模型与ByteTrack结合,准确地检测蓝的成熟度,并计数水果. 这项技术对于开发自动化的蓝收获系统和提高整体收获效率至关重要.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 蓝收获是低效的,因为水果的大小,集群,和短的成熟期,需要自动化解决方案.
- 手工收获是劳动密集型,昂贵,容易出现错误,突出了需要精确农业技术的需要.
研究的目的:
- 开发一种用于检测蓝成熟度和实时计数水果的自动化系统.
- 为了提高水果检测准确度和自动收获应用程序的计数一致性.
主要方法:
- 提出了一个综合框架,将STF-YOLO模型与ByteTrack算法相结合,用于蓝检测和计数.
- 修改了YOLOv8,包括一个细节情境意识注意力 (DSAA) 模块,一个自适应边缘融合 (AEF) 部和一个多尺度部结构 (MNS).
- 使用共享微分卷积头 (SDCH) 来优化模型参数,同时保持精度.
主要成果:
- 在一个果园数据集上,STF-YOLO模型在mAP50 (79.7%) 与YOLOv8相比实现了3.5%的改进.
- 综合框架在视频序列中显示了蓝在不同成熟阶段的平均计数精度为72.49%.
- 在交叉数据集测试中,STF-YOLO表现强,在各种水果和日常用品中获得高mAP50分.
结论:
- STF-YOLO和ByteTrack框架为蓝成熟度检测和果实计数提供了准确有效的解决方案.
- 这一进步支持了蓝采摘机械的自动化开发,为大幅提高收获效率铺平了道路.


