密集式 Conveyor-Belt 环境下苹果质量检测的稳定检测-跟踪框架
计算机视觉与模式识别
2026-02-24 v1
摘要
工业水果检测系统必须在密集的多目标相互作用和连续运动条件下可靠运行，但大多数现有方法仅在图像层面评估检测或分类，而不确保视频流中的时间稳定性。我们提出了一个两阶段检测-跟踪框架，用于在 Conveyor-Belt 环境下稳定的多苹果质量检测。或chard-trained YOLOv8 模型执行苹果定位，随后采用 ByteTrack 多目标跟踪维持持久身份。对 ResNet18 缺陷分类器进行微调，其在健康-缺陷水果数据集上进行训练，用于处理裁剪后的苹果区域。引入轨迹级别聚合以强制时间一致性并减少跨帧的预测振荡。我们定义视频级别的工业指标，如轨迹级别缺陷比例和时间一致性，以评估系统在真实处理条件下的鲁棒性。结果表明，与帧级推理相比，集成跟踪后显著提升了稳定性，表明在实际自动化水果分级系统中集成跟踪是必不可少的。
引用
@article{arxiv.2602.19278,
title = {A Two-Stage Detection-Tracking Framework for Stable Apple Quality Inspection in Dense Conveyor-Belt Environments},
author = {Keonvin Park and Aditya Pal and Jin Hong Mok},
journal= {arXiv preprint arXiv:2602.19278},
year = {2026}
}