基于基础模型的苹果成熟度与尺寸估计用于选择性采收
计算机视觉与模式识别
2025-06-09 v1
摘要
采收是果树产业中的一项关键任务，需要大量的体力劳动和巨额成本，并使工人暴露于潜在的危险之中。自动化采收的最新进展通过在紧张的采收窗口内实现高效、经济且符合人体工程学的水果采摘，提供了一种有前景的解决方案。然而，现有的采收技术通常不加区分地收获所有可见且可触及的水果，包括那些未成熟或尺寸过小的水果。本研究引入了一种新颖的基于基础模型的框架，用于高效的苹果成熟度和尺寸估计。具体来说，我们整理了基于RGBD的两个公开富士苹果图像数据集，整合了基于果实颜色和图像采集日期的扩展成熟度（“成熟”与“未成熟”）注释。由此产生的综合数据集——富士成熟度-尺寸数据集，包含4,027张图像和16,257个带有成熟度和尺寸标签的注释苹果。使用基于语言模型的目标检测器Grounding-DINO，我们实现了鲁棒的苹果检测和成熟度分类，其性能优于其他最先进的模型。此外，我们开发并评估了六种尺寸估计算法，选择了误差和变异最小的算法以获得最佳性能。富士成熟度-尺寸数据集以及苹果检测和尺寸估计算法已公开提供，这为未来在自动化和选择性采收方面的研究提供了宝贵的基准。
引用
@article{arxiv.2502.01850,
title = {Foundation Model-Based Apple Ripeness and Size Estimation for Selective Harvesting},
author = {Keyi Zhu and Jiajia Li and Kaixiang Zhang and Chaaran Arunachalam and Siddhartha Bhattacharya and Renfu Lu and Zhaojian Li},
journal= {arXiv preprint arXiv:2502.01850},
year = {2025}
}