优化基于YOLO的模型以实现实时牛油果检测，并结合概率融合维纳滤波器增强特征融合技术

《Applied Fruit Science》：Optimizing YOLO-Based Models for Real-Time Guava Detection with Probabilistic Fused Wiener Filter-Enhanced Feature Fusion

精准水果识别对农业增效和质量评估至关重要，本研究通过比较YOLOv8至YOLOv12模型在自然户外环境中的实时检测效果，结合动态环境下的PFWF图像预处理技术，验证了最新模型在准确率89.9%、F1值88.2%和IoU 84%的优越性能。

　　

摘要

在当今的农业中，精确的水果识别非常重要，因为它可以提高作物产量、质量测量和业务绩效。借助人工智能（AI）和计算机视觉（CV），农民可以追踪水果的成熟度、识别早期疾病的发生，并减少收获后的损失。随着全球对食品需求的持续增长，基于AI的解决方案为应对传统农业挑战提供了新的机会。智能自动化、深度学习和图像处理的结合彻底改变了传统的农业实践，提高了资源利用效率和可持续性。CV和AI等技术实现了自动化，减少了生态足迹，并加强了植物健康状况、害虫监测、作物产量估算和灌溉等方面的管理。本研究比较了最先进的YOLO（You Only Look Once）目标检测模型（从YOLOv8到YOLOv12）在自然户外农业环境中实时检测番石榴果实的性能。为了进一步提高模型在动态环境（如运动模糊、非均匀照明和传感器噪声）下的准确性，在图像预处理阶段使用了概率融合维纳滤波器（PFWF）。PFWF能够有效去噪，同时保留关键特征，为检测模型提供更清晰的输入图像。这些模型在准确性、F1分数和交并比（IoU）方面进行了测试。所有版本的模型都表现出共同的提升，其中YOLOv12的表现最为出色：准确率为89.9%，F1分数为88.2%，IoU为84%。这里的比较突显了将强大的目标检测模型与PFWF等先进的预处理方法相结合的优势，并为在实际农业场景中实现智能、稳健且可扩展的水果检测系统提供了有益的见解。