智能手机应用结合深度学习实现蓝莓快速检测与产量估算

为解决传统蓝莓产量评估方法效率低、误差大的问题，研究人员开发了基于YOLOv8深度学习模型和机器学习的蓝莓检测与产量预测系统。通过优化YOLOv8-x模型实现成熟与未成熟浆果检测（mAP50=0.708），结合平均单果重量和品种数据训练梯度提升回归模型，产量预测准确率达R2=0.80。成果已封装为"Blueberry Yield Analyzer"安卓应用，为种植者和育种者提供实时田间监测工具。

　　

蓝莓作为富含营养的"超级水果"，其全球市场需求持续增长，但精准产量预测一直是行业痛点。传统方法依赖人工采收称重或目测评估，不仅耗时耗力，还因浆果体积小、簇生密集、冠层遮挡等问题导致误差率居高不下。随着计算机视觉和深度学习(DL)技术的进步，农业领域开始探索智能化解决方案，但针对栽培蓝莓的田间实时检测系统仍存在模型泛化性不足、遮挡处理困难等挑战。

为此，Puranjit Singh等研究者在美国佐治亚州和阿拉巴马州的三个蓝莓农场展开跨年度研究，采集17个基因型（包括9个栽培品种和8个先进品系）的178幅植株图像，构建包含17,432张标注子图像的数据集。研究团队创新性地将YOLOv8目标检测技术与机器学习(ML)回归模型相结合，开发出首个面向栽培蓝莓的田间实时产量预测系统，相关成果发表在《Smart Agricultural Technology》期刊。

关键技术方法包括：1) 使用智能手机(Pixel 6 Pro)采集50MP分辨率田间图像，通过Roboflow平台进行智能多边形标注；2) 比较YOLOv8五个版本性能，最优模型YOLOv8-x达到mAP₅₀=0.708；3) 采用LazyPredict库训练42种ML模型，结合Bland-Altman分析评估预测一致性；4) 开发Android应用实现模型移动端部署，支持离线推理。

3.1. 关键表型数据

研究涵盖17个基因型的89株植物，单株产量跨度达99.9-939.25g，单果重量1.27-2.93g。干旱和霜冻等环境压力导致部分数据集产量异常，这种多样性为模型鲁棒性测试提供了理想条件。

3.2. 蓝莓检测性能

YOLOv8-x在成熟浆果检测中表现优异（mAP₅₀=0.772），显著优于未成熟浆果（0.644）。模型对测试集可见浆果计数的R²达0.88，但遮挡导致约33-62%浆果不可见，其中'Cielo'品种遮挡率最低(33%)，'Springhigh'最高(62%)。

3.3. 特征相关性

基因型与产量相关性最强(r=0.87)，其次是可见成熟浆果计数(r=0.77)和平均单果重量(r=0.29)。植株高度和宽度等形态特征与产量无显著关联(p>0.05)。

3.4. 产量预测模型

包含基因型的完整模型表现最佳：

• •

  SIWP策略的HistGradientBoosting回归器达到R²=0.80，MAPE=26.17%

• •

  忽略基因型的简化模型准确率骤降(R²=0.47)，且存在显著比例偏差

3.5. 安卓应用开发

部署的"Blueberry Yield Analyzer"支持实时浆果计数、成熟度指数计算和产量预测，平均单果重量输入后即可获得估算结果，已上架Google Play商店。

这项研究首次实现了栽培蓝莓的移动端实时产量预测，其创新性体现在三方面：首先，YOLOv8-x模型在复杂田间环境下仍保持较高检测精度；其次，揭示基因型通过影响遮挡率进而决定预测精度的机制；最后，轻量化部署方案使先进技术真正落地田间。尽管遮挡问题仍是主要误差来源，但提出的多策略建模框架为其他小浆果作物产量预测提供了范式。未来通过融合三维视觉技术提取冠层结构特征，有望进一步突破遮挡限制，推动精准园艺发展。