使用YOLOv26深度学习框架进行实时番茄（Lycopersicum esculentum）成熟度分类

张开发
• 2026/4/9 20:16:53 • 15 分钟阅读

最新文章

推荐文章

相关文章

分享文章

使用YOLOv26深度学习框架进行实时番茄（Lycopersicum esculentum）成熟度分类
原文地址https://hal.science/hal-05567637/Rahul Yadav (1), Pradeep Rajan (1), Chanchal Gupta (1), Jashanpreet Kaur (1), Shivnarayan Ashruji Kanade (1)1 印度旁遮普邦卢迪亚纳CSIR-CMERI农业机械卓越中心141006摘要背景番茄成熟度通过颜色变化来识别但人工采摘往往不够准确。基于人工智能的视觉系统特别是YOLO等深度学习模型能够提高检测和采摘效率。目的在自动化番茄采摘中成熟果实的准确分类和定位对于高效采摘作业至关重要。本研究旨在建立基于YOLOv26深度学习的实时检测框架用于自动化番茄成熟度分类以支持机器人采摘应用。目标是实现高检测准确率并在不同光照条件下保持稳定的性能。研究设计采用实验研究设计包括数据集准备、模型开发、训练、验证和实时田间评估。番茄杂交种NS 5037被划分为以下成熟阶段开始变色、未成熟、转色期和成熟。方法共准备了1,000张标注图像使用圆形边界框C-BB标注以准确表示果实几何形状。采用圆形边界框C-BB来准确表示果实的几何形状比传统矩形边界框提供更高的精度。使用Ultralytics框架在GPU平台上训练YOLOYou Only Look Once检测模型所有图像缩放至640×640像素。使用精确率、召回率、F1分数和平均精度AP评估模型性能。实时测试在光照和阴影条件下进行使用配备cuDNN的加速推理系统。结果结果表明所提出的框架在光照条件下达到96.91%的精确率、98.37%的召回率、95.83%的F1分数和97.85%的AP在低光照条件下仍保持95.47%的精确率、96.44%的召回率和95.67%的AP。结论这些结果证明了所提出的系统能够在不同光照条件下可靠且准确地检测番茄成熟度。该系统在精准农业和机器人采摘方面具有很高的应用潜力。

更多文章