面向自动采摘的实地板果人工智能检测
计算机视觉与模式识别
2026-02-17 v1 人工智能
摘要
传统机械化榛果采收成本高、选择性差且容易损伤果实。准确、可靠的实地板果检测对于 developing低成本、基于视觉的自动采收技术至关重要。然而，面对遮阴、光照变化以及杂草、落叶、石头等杂质干扰的复杂环境，开发可靠的榛果检测系统一直存在挑战。本研究收集了 319 张果园地面板果图像，包含 6524 个标注板果。系统评估了包括 14 个 YOLO（v11-13）和 15 个 RT-DETR（v1-v4）系列在内的 29 个最先进实时目标检测模型，通过复制建模实验进行榛果检测。实验结果表明，YOLOv12m 模型在所有评估模型中实现了 95.1% 的 [email protected]，RT-DETRv2-R101 在 RT-DETR 系列模型中最准确，[email protected] 为 91.1%。在 mAP@[0.5:0.95] 指标上，YOLOv11x 模型实现了 80.1% 的最佳准确率。所有模型都显示出在实时板果检测方面的显著潜力，YOLO 模型在检测准确率和推理速度上均优于 RT-DETR 模型，更适合部署在车载设备上。本研究的数据集和软件程序已公开发布于 https://github.com/AgFood-Sensing-and-Intelligence-Lab/ChestnutDetection。
引用
@article{arxiv.2602.14140,
title = {Detection of On-Ground Chestnuts Using Artificial Intelligence Toward Automated Picking},
author = {Kaixuan Fang and Yuzhen Lu and Xinyang Mu},
journal= {arXiv preprint arXiv:2602.14140},
year = {2026}
}
备注
16 pages, 10 figures