基于数据的手动水果采摘工人活动识别与效率估计
机器学习
2026-02-16 v3 人工智能
摘要
手动水果采摘在农业中很常见，但采摘者花在非生产性活动上的时间会使其效率非常低下。准确识别采摘与非采摘活动对于估算采摘工效率、优化劳动力管理和采摘过程至关重要。本研究开发了一个实用系统，用于计算 strawberry 采摘中采摘工的效率。开发了用于记录采摘水果重量、地理位置和 iCarrito 运动的仪器化采摘车（iCarrito）。在加州圣马利亚地区的商业化 strawberry 采摘季节期间部署了 iCarrito。随后用于训练 CNN-LSTM 基于深度神经网络，以将采摘工的活动分类为“Pick”和“NoPick”类。实验评估显示，CNN-LSTM 模型在活动识别任务中表现出色，F1 分数为 0.97。随后利用识别结果计算采摘工效率以及装篮所需时间。季节数据的分析显示，平均采摘工效率为 75.07%，估计准确率为 97.23%。此外，平均装篮时间为 6.85 分钟，估计准确率为 96.78%。当集成到商业化采摘过程中时，本研究提出的技术可帮助种植者监控自动化工人活动，并优化采摘以减少非生产性时间并提高整体采摘效率。
引用
@article{arxiv.2503.22809,
title = {Data-Driven Worker Activity Recognition and Efficiency Estimation in Manual Fruit Harvesting},
author = {Uddhav Bhattarai and Rajkishan Arikapudi and Steven A. Fennimore and Frank N Martin and Stavros G. Vougioukas},
journal= {arXiv preprint arXiv:2503.22809},
year = {2026}
}
备注
Published in Elsevier Biosystems Engineering