基于深度学习的温室草莓田间分级与遮挡处理技术研究

为解决草莓采后分级易造成机械损伤和真菌感染的问题，来自商业草莓农场的研究团队创新性地开发了基于计算机视觉的田间分级系统。该系统利用RGB-D深度图像，通过掩膜区域卷积神经网络(Mask R-CNN)实现草莓实例分割，将果实分为理想、轻度遮挡和重度遮挡三类，并结合尺寸、形状和成熟度等多属性决策标准进行分级。实验表明，该系统在遮挡检测（精确度0.91/召回率0.92）、尺寸估算（均方根误差2.94 mm）和成熟度分类（精确度0.967/召回率0.960）方面表现优异，最终分级准确率达84.5%，为草莓无损采收提供了新思路。

　　

在温室草莓种植中，果实分级对保证产品符合行业标准至关重要。传统采后分级方式存在机械损伤和真菌感染风险。这项研究创新性地提出基于计算机视觉的田间预采收分级方案，通过RGB-Depth图像采集系统获取草莓三维信息。深度学习模型掩膜区域卷积神经网络(Mask R-CNN)展现出卓越性能，能准确识别并分割遮挡草莓（精确度0.91，召回率0.92）。

研究团队巧妙结合深度帧和分割掩膜估算草莓尺寸（误差仅2.94 mm），同时开发了基于RGB图像的成熟度判定算法（精确度0.967）。通过多属性决策模型整合形状、大小和成熟度参数，系统最终分级准确率达到84.5%。三次田间试验验证了该技术在降低采收损伤、防控真菌感染方面的应用潜力，为智慧农业提供了重要技术支撑。