基于改进YOLO5的芒果检测与质心追踪技术实现精准产量估算

为解决芒果产量估算精度不足的问题，研究人员开发了改良版MangoYOLO5模型，集成注意力特征融合机制、卷积块注意力模块(CBAM)及10×10检测层，结合动态阈值质心追踪算法，在多变光照条件下实现93.6% mAP的检测精度，为农业计算机视觉应用提供新范式。

　　

精准的芒果产量估算是农业资源优化管理的核心挑战。这项研究创新性地改进了MangoYOLO5模型——基于YOLOv5架构的定制化检测系统，通过骨干网络引入注意力特征融合机制(attentive feature fusion)，嵌入卷积块注意力模块(CBAM)，并在颈部网络采用密集连接结构。特别值得注意的是新增的10×10检测层，显著提升了小目标识别能力并降低误检率。

研究团队还将该模型与升级版质心追踪算法深度融合，通过多帧参考策略应对果实遮挡难题，配合动态阈值调节技术，实现了稳定连续的果实追踪与精准计数。系统在复杂光照环境和不同树种场景下的测试表明，其检测结果与人工标注真值高度吻合，平均精度(mAP)达到93.6%。这项成果不仅推动了芒果检测技术的边界，更为开发适应性强、鲁棒性好的农业智能监测系统提供了重要技术路径。