用于集成苹果病害诊断、新鲜度评估与果实检测的低成本无人机深度学习流水线
计算机视觉与模式识别
2026-01-05 v2
摘要
苹果园需要及时的病害检测、果实质量评估和产量估算，然而现有的基于无人机（UAV）的系统孤立地处理这些任务，且通常依赖昂贵的多光谱传感器。本文提出了一种统一的、低成本的纯 RGB 基于 UAV 的果园智能流水线，集成了 ResNet50 用于叶片病害检测、VGG 16 用于苹果新鲜度判定，以及 YOLOv8 用于实时苹果检测与定位。该系统在 ESP32-CAM 和 Raspberry Pi 上运行，在无云支持的情况下提供完全离线的现场推理。实验表明，叶片病害分类的准确率达到 98.9%，新鲜度分类的准确率达到 97.4%，苹果检测的 F1 分数为 0.857。该框架为多光谱 UAV 解决方案提供了一种可及且可扩展的替代方案，支持在廉价硬件上进行实际的精准农业。
引用
@article{arxiv.2512.22990,
title = {A Low-Cost UAV Deep Learning Pipeline for Integrated Apple Disease Diagnosis,Freshness Assessment, and Fruit Detection},
author = {Soham Dutta and Soham Banerjee and Sneha Mahata and Anindya Sen and Sayantani Datta},
journal= {arXiv preprint arXiv:2512.22990},
year = {2026}
}
备注
This revision fixes minor typographical and phrasing issues