基于目标追踪与三维重建的柑橘产量智能估测方法研究

为解决农业中人工估产效率低、准确性差的问题，研究人员开展基于YOLOv8目标检测、ByteTracker追踪和MobileVit分类的柑橘产量智能估测研究。通过构建1451张标注图像数据集，结合3D聚类算法，实现单树产量分析，检测精度达78.2%，成熟度分类准确率97.8%。该研究为农业自动化提供高效解决方案，优化资源管理。

　　

柑橘作为全球最重要的经济作物之一，其产量估测直接关系到供应链管理和农民收益。然而，传统人工计数方法受限于果实分散、枝叶遮挡和光照变化，效率低且误差大。尤其在巴基斯坦等主产国，小农户占比高，精准估产技术缺失导致出口竞争力不足。这一背景下，如何通过智能化手段实现高效、准确的柑橘产量评估成为农业科技领域的迫切需求。

中国的研究团队联合国内外机构，在《Smart Agricultural Technology》发表了一项创新研究。该工作通过融合计算机视觉与深度学习技术，开发了一套基于手持相机的自动化柑橘产量估测系统。研究团队从巴基斯坦国家农业研究中心和中国广西师范大学的果园采集1451张高分辨率图像，构建了包含多生长阶段标注的数据集。通过改进YOLOv8模型的小目标检测能力，结合ByteTracker跨帧追踪和MobileVit成熟度分类，最终实现单树产量三维空间聚类分析，为农业精准管理提供了新范式。

关键技术包括：（1）采用2×2图像分块策略提升YOLOv8对小尺度柑橘的检测性能；（2）设计基于危险区域识别的跨分块追踪算法，解决目标ID跳变问题；（3）利用MobileVit XXS实现成熟度二分类（准确率97.8%）和三分类（86.7%）；（4）通过COLMAP进行稀疏三维重建，结合K-means聚类划分单树产量。

【对象检测】
通过对比YOLOv8不同变体在分块与非分块训练模式下的表现，发现分块训练的nano版本在测试集达到78.2%精度和69.7%召回率，较传统方法提升显著。实验证实，分块处理能有效保留小目标特征，但需保持训练与推断的一致性。

【对象追踪】
改进的ByteTracker通过设定50像素危险缓冲区和欧氏距离匹配（公式3），成功解决90%以上的跨分块ID跳变问题。视频测试显示，该系统在低遮挡场景下追踪稳定性达84.6%。

【成熟度分类】
MobileVit在二分类任务中表现优异（97.8%准确率），但引入"部分成熟"类别后性能下降至86.9%，主要源于类别不平衡问题。对比实验显示，其分类效果显著优于YOLOv8原生分类器（70.7%）。

【三维重建与产量分配】
采用COLMAP对每三帧进行特征点提取和运动恢复，通过K-means聚类将3D点云按树间距划分。在含3棵树的测试视频中，对中间树的检测率达90.2%，但边缘树木因遮挡问题精度降至58.8%。

该研究证实，基于消费级设备的计算机视觉系统可实现果园级产量估测，其中分块训练策略和跨模态追踪算法是关键创新点。尽管在复杂遮挡场景下性能仍有提升空间，但提出的三维聚类方法首次实现了单树产量分析，为水肥精准调控提供数据支持。未来工作需解决360°全景采集和移动平台部署问题，这将进一步推动农业智能化进程。研究团队开源了数据集和部分代码，为后续研究奠定基础。