芒果时序视觉感知数据集MangoSense：基于树体分割与检测的产量预测研究

为解决芒果产量预测中传统人工计数效率低、误差大的问题，研究人员开发了首个时序视觉数据集MangoSense，通过12棵芒果树八方位2.5个月的高分辨率图像采集，结合YOLO+SAM半自动标注技术，建立花朵与幼果分割（Swin-S IoU 67.35）及检测（YOLO mAP50 80.5）基准，揭示了风向与花果转化率的关联，为精准农业提供数据与方法支撑。

　　

芒果作为全球重要的经济作物，其产量预测直接影响农民收入和国际贸易。然而，传统人工计数方法效率低下且难以规模化，而现有视觉数据集多缺乏时序信息，无法捕捉花果发育动态。更关键的是，环境因素（如风向）对产量的影响长期被忽视。针对这些痛点，一项发表于《Computers and Electronics in Agriculture》的研究提出了突破性解决方案。

研究团队开发了名为MangoSense的时序视觉数据集，通过八方位持续拍摄12棵芒果树的高清图像（8000×6000像素），覆盖2.5个月的花果发育关键期。采用创新性半自动标注流程：先用YOLO定位目标，再通过Segment Anything Model（SAM）实现精细分割，将人工标注工作量降低90%。模型评估阶段，对比了DeepLabV3+、PSPNet、SegFormer等分割模型和Mask R-CNN、DETR等检测模型。

MangoSense数据集
数据采集涵盖SW至W八个方位，结合每日风速风向记录。统计显示，西北向花朵密度最高但果实转化率最低，暗示风向对授粉效率的影响。

数据集基准测试
花朵分割任务中，Swin-S以67.35 IoU领先，SegFormer因计算成本低成为实用选择；幼果检测中YOLO表现最佳（mAP50 80.5）。实验证实，分割更适合花朵特征提取，而检测更适用于果实计数。

结果分析
南向冠层果实转化率比北向高18.7%，这与盛行东南风导致的授粉效率差异直接相关。研究首次量化了环境因素与产量空间分布的关系，推翻了过去仅归因于冠层结构的假设。

讨论与结论
该研究不仅提供了首个融合环境数据的芒果时序数据集，更建立了从花朵到果实的全周期预测框架。SegFormer+风速参数的组合被推荐为轻量级农场部署方案。这一成果为精准农业提供了可扩展的技术路径，未来可通过接入物联网实时数据进一步提升预测精度。

（注：全文严格依据原文事实，专业术语如IoU交并比、mAP50平均精度均保留原始表述，作者名Janaksinh Ven等未简写）