使用YOLO11实时识别和量化收获前和收获后水果上的果:一种深度学习方法
Fernanda Leiva1, Séverine Gabioud Rebeaud2, Danilo Christen2
1Research Division Plant-Production Systems, Agroscope, Route des Eterpys 18, 1964, Conthey, Switzerland. Fernanda.leiva@agroscope.admin.ch.
Plant methods
|February 22, 2026
概括
这项研究引入了一种深度学习框架,用于自动检测果 (AS),改善疾病表型. 人工智能模型准确地识别AS病变,有助于更快的繁殖和分类.
科学领域:
- 植物病理学 植物病理学
- 计算机视觉 计算机视觉
- 农业技术 农业技术
背景情况:
- 由Venturia inaequalis引起的果皮 (AS) 显著降低了果的产量和质量.
- 传统的AS视觉评分是主观的,劳动密集型,缺乏可复制性.
- 准确的AS表型为培育抗病品种和有效的作物管理至关重要.
研究的目的:
- 开发和验证一个深度学习框架,用于自动化果表型化.
- 为了能够准确和可扩展地检测和细分果果中的AS症状.
- 克服手动疾病评估在果种植方面的局限性.
主要方法:
- 利用YOLO基础模型 (YOLO11) 进行对象检测和AS症状的细分.
- 在高分辨率彩色图像 (864x864像素) 上采用了两阶段微调过程.
- 训练了一种用于检测健康水果的模型 (模型1) 并将其精制为AS病变细分 (模型2).
主要成果:
- 模型1 (果实检测) 实现了高性能,精度为0.98,回忆率为0.95和0.94 mAP50.
- 模型2 (损伤细分) 显示出强的结果,精度为0.64,回忆率为0.75,和0.75 mAP50.
- 与之前的架构相比,高分辨率数据提高了微量损伤细分精度的50%以上.
结论:
- 深度学习框架为控制和现场设置中的自动化AS表型提供了可靠的管道.
- 这种方法增强了果分类,并加速了AS耐药性的育种计划.
- 该研究为实时监测植物疾病和整合其他疾病检测提供了基础.


