编辑推荐：
为解决传统葡萄园监测方法依赖专业硬件、成本高且效率低的问题，研究人员开展基于无人机（UAV）训练 AI 的智能手机葡萄检测与葡萄园管理框架研究。结果显示该框架精度达 0.92，召回率 0.735，F1分数 0.82 。其为葡萄园管理提供低成本、高效方案，助力精准农业发展。
在农业领域，随着全球人口的不断增长，对农产品产量和质量的要求也日益提高。在葡萄种植方面，传统的葡萄园管理方式依赖人工经验，不仅效率低下，而且难以实现精准化操作。例如，在葡萄产量估算上，人工计数葡萄串耗时费力，且容易受到人为因素的影响，导致结果不准确。此外，现有的一些先进技术，如基于无人机（Unmanned Aerial Vehicles，UAV）的监测技术，虽然能够快速获取葡萄园的大量数据，但由于需要专业的硬件设备和复杂的操作技术，对于广大中小规模的农户来说，成本过高且难以掌握。
为了解决这些问题，来自西班牙布尔戈斯大学（University of Burgos）、荷兰瓦赫宁根大学（Wageningen University & Research）、阿托斯信息技术解决方案和服务伊比利亚公司（Atos IT Solutions and Services Iberia）以及西班牙国家研究委员会（Spanish National Research Council，CSIC）的研究人员展开了一项创新研究。他们致力于开发一种基于无人机训练 AI 的智能手机葡萄检测与葡萄园管理框架，旨在为葡萄园管理提供一种成本效益高、易于使用的解决方案。该研究成果发表在《Heliyon》杂志上。
研究人员在研究过程中主要运用了以下关键技术方法：首先，利用 DJI M210v2 无人机搭载 DJI Zenmuse X5S 传感器采集葡萄园的视频数据；其次，使用两款常见的智能手机（Xiaomi Poco X3 Pro 和 iPhone X）拍摄葡萄串图像；然后，借助 X-Decoder 和 YOLOv8-seg 等 AI 模型对数据进行处理和分析；最后，通过开发的 FlexiGroBots 网络应用程序实现数据的上传和处理。
下面介绍该研究的具体结果：
- 模型训练性能：对 YOLOv8x-seg 模型进行训练，训练过程中模型性能指标逐渐稳定。最终，模型精度达到 0.92，召回率为 0.735，F1分数为 0.82 ，平均精度（Average Precision，AP）为 0.802。这表明模型在检测葡萄串时具有较高的准确性和可靠性。
- 实际检测效果：从实际检测结果来看，模型能够在不同光照条件下准确检测出葡萄串。在傍晚等光照条件不佳的情况下，依然可以识别出葡萄串的位置。并且，通过 X-Decoder 的预处理，模型能够有效区分前景和背景的葡萄串，避免误判。
- 交叉验证结果：通过与实际数据（Ground Truth，GT）的交叉验证发现，模型检测结果与人工视觉计数结果具有较高的相关性（R2达到 0.84）。虽然模型存在一定程度的低估现象，但总体误差在可接受范围内。同时，研究还发现埃斯卡病（Esca disease）对模型预测结果影响较小。
研究结论和讨论部分具有重要意义。该研究提出的 AI 框架有效结合了无人机和智能手机的优势，为葡萄园管理提供了一种创新的解决方案。一方面，利用无人机采集的数据训练模型，提高了模型的适应性和准确性；另一方面，借助智能手机的普及性，使得农户可以方便地使用该系统进行葡萄园监测。尽管模型存在一些局限性，如对部分遮挡的葡萄串检测能力有限，以及可能将相邻的葡萄串合并计数，但这也为后续研究指明了方向。未来研究可以进一步优化模型，提高其对复杂场景的适应能力。此外，该研究成果不仅适用于葡萄园管理，还可能为其他木本作物的监测和管理提供借鉴，有望推动整个农业领域的智能化发展。
