FruitProm: 概率水果与蔬菜成熟度估计与检测
计算机视觉与模式识别
2025-10-30 v1
摘要
水果和蔬菜的成熟度估计是农业自动化中的关键任务，直接影响产量预测和机器人采收。当前的深度学习方法主要将成熟度视为离散分类问题（如未成熟、成熟、过熟）。这种刚性表述与生物学成熟过程的连续性根本冲突，导致信息丢失和类别边界模糊。本文挑战这一范式，将成熟度估计重新定义为连续、概率学习任务。我们提出了一种对最先进实时目标检测器 RT-DETRv2 的 novel architectural modification，通过引入专门的概率头，使模型能够为每个检测到的对象预测成熟度谱上的连续分布，同时学习均值成熟状态及其相关不确定性。这种不确定性度量对于下游决策至关重要，为诸如选择性采收等任务提供置信度评分。我们的模型不仅提供了对植物成熟度更丰富且更生物学上合理的表征，还保持了卓越的检测性能，在挑战性大型水果数据集上实现了 85.6% 的平均精度 (mAP)。我们通过大量实验表明，这种概率方法比其分类方法更具细粒度和准确的成熟度评估，为现代农业中更智能、更具不确定性感知的自动系统铺平了道路。
引用
@article{arxiv.2510.24885,
title = {FruitProm: Probabilistic Maturity Estimation and Detection of Fruits and Vegetables},
author = {Sidharth Rai and Rahul Harsha Cheppally and Benjamin Vail and Keziban Yalçın Dokumacı and Ajay Sharda},
journal= {arXiv preprint arXiv:2510.24885},
year = {2025}
}
备注
Sidharth Rai, Rahul Harsha Cheppally contributed equally to this work