Real-time hass avocado ripeness detection using close-range UAV imagery and YOLO-based deep learning

对哈斯鳄梨成熟度的快速准确评估对于改进采收规划、优化采摘时间、提高生产率以及减少采后损失至关重要。本研究提出了一种基于近距无人机影像和YOLO深度学习模型的哈斯鳄梨成熟度实时检测系统。搭载摄像头的无人机采集田间图像，并通过SCRCPY实时传输至处理站进行果实检测和成熟度分类。所提出的方法包括两个连续阶段。首先，利用340张通过实际场景适配生成并在Roboflow中标注的人工标注图像数据集训练YOLOv8目标检测模型。该检测器实现了0.7951的精确率、0.7849的召回率、0.8388的[email protected]和0.6308的[email protected]:0.95，表明其在田间条件下具有可靠的果实定位能力。其次，利用从初始14,710张图像中提取的20,231张裁剪果实图像数据集训练YOLOv8分类模型，这些图像被分为五个成熟度阶段（未熟、半熟、成熟、完熟和过熟）。分类模型实现了0.79的准确率、0.77的宏平均F1分数、0.78的加权平均F1分数、0.78的Top-1准确率和1.00的Top-5准确率，证实了其在成熟度评估中的有效性。整个系统在光照变化和果实部分遮挡的真实农业条件下进行了评估，结果表明近距无人机影像与深度学习的集成为精准农业中的鳄梨成熟度自动评估提供了有效工具。所提出的方法是在商业果园中获取的近距无人机影像上评估的，因此建议在不同果园、环境条件和采集场景下进行额外验证，以进一步评估其泛化能力。