不确定性驱动的半监督学习在物候感知苹果花计数中的应用研究

本文提出基于无人机(UAV)的双阶段苹果花计数框架SPAF-Net，创新性融合颜色阈值分割与半监督密度估计，通过不确定性驱动伪标签过滤(UPF)、自适应抗过拟合掩码(UAAM)和物候相位映射器(PPM)三大模块，有效解决高密度果园遮挡、标注成本高和物候期混淆难题。在9012张图像数据集上验证，仅需30%标注数据即达到全监督性能，为果园数字化管理提供新方法。

　　

Highlight

本研究突破传统苹果花计数方法的局限性，开发出具有物候感知能力的智能计数系统，如同为果园安装"AI显微镜"，能穿透茂密枝叶精准捕捉每一朵花的生命律动。

Object Counting

如图1所示，当前物体计数方法主要分为三类：基于计数监督（如CrowdMLP）、基于检测（如YOLO系列）和基于密度估计的方法。其中密度估计方法在无人机拍摄的高密度花朵场景中展现出独特优势，但现有技术仍受限于小目标特征丢失和跨物候期形态变异问题。

Image Acquisition and Preprocessing

研究聚焦嘎啦、金冠和富士三个苹果品种的花蕾期、盛花期和落花期，在中国-以色列现代农业示范园（北纬36°12′，东经118°07′）使用大疆Mavic 3 Pro无人机采集数据。构建的数据集包含332张高清RGB图像，经预处理后生成9012张花卉簇子图，包含10,356个花蕾期、9,742个盛花期和2,915个落花期标注实例，堪称"苹果花生长的数字年鉴"。

Implementation Details and Evaluation Metrics

实验采用PyTorch框架，以平均绝对误差(MAE)和均方根误差(RMSE)为核心指标：

MAE = (1/n)Σ|P_i-G_i|

RMSE = √(Σ(P_i-G_i)2/n)

这些数学公式如同"AI裁判"手中的量尺，精确评估每朵花的计数偏差。

Discussion

• 无人机视角的苹果花计数存在"小目标侦查困境"：Density-Cluster-Count方法虽开创密度估计应用先河，但全局处理会导致形态信息丢失。本研究通过局部特征增强和跨尺度融合，使网络具备"显微放大镜"般的细粒度识别能力。

Conclusion

本研究提出的双阶段框架如同"果园智能管家"，先通过颜色阈值分割实现花卉簇快速提取，再经SPAF-Net完成精确计数。该网络创新解决三大技术难题：1) 半监督训练中的噪声干扰；2) 物候期特征纠缠；3) 高密度遮挡场景下的计数偏差。