《Smart Agricultural Technology》：Robust Deep Learning Based Fruit Recognition System for Autonomous Harvesting System in Complex Cashew Orchards
编辑推荐：
为解决复杂腰果园环境中果实识别精度低、实时性差的问题，研究人员开展了基于SSD-MobileNetV2-FPNLite架构的腰果果实检测研究。该研究通过构建包含1500张RGB图像的数据集，采用迁移学习方法，在三种成熟度（未熟、半熟、成熟）腰果识别任务中实现了92.26%的平均检测精度，推理时间仅8秒/图像。该轻量化模型为自主采收系统提供了高效解决方案，对提升腰果产业自动化水平具有重要意义。
在当今农业领域，劳动力短缺问题日益严峻，特别是在COVID-19大流行之后，这一问题更加凸显。腰果作为重要的经济作物，其采收工作主要依赖人工，但成熟果实因人力不足而未能及时采收，导致严重的经济损失。腰果果园环境复杂，果实常被茂密枝叶遮挡，且成熟果实颜色与阳光照射的叶片颜色高度相似，这些因素都给自动化识别带来了巨大挑战。
传统上，腰果的采收主要依靠人工捡拾落地的果实，这种方式效率低下且易造成浪费。虽然计算机视觉和深度学习技术在其他水果（如苹果、芒果等）的检测中取得了显著成果，但针对腰果果实的自动化识别研究却几乎空白。现有的腰果研究多集中于种植技术、病虫害防治和加工处理等方面，缺乏专门针对果实识别的深度学习模型验证。
正是在这样的背景下，研究人员开展了这项开创性研究。他们首次系统评估了三种目标检测框架——YOLOv4、SSD-MobileNetV2-FPNLite和Faster R-CNN在腰果果实识别中的表现，为这一领域建立了首个性能基准。
研究团队在印度泰米尔纳德邦Cuddalore地区的腰果园中，耗时两个采收季节（2021年5-6月和2022年4月），收集了1500张高分辨率RGB图像。这些图像涵盖了不同光照条件（上午8点至下午5点）、不同天气（晴天和阴天）以及不同拍摄角度，确保了数据集的多样性。图像中包含的腰果果实呈现出红色、黄色等多种颜色变异，且包含单个果实、相邻果实、重叠果实和被枝叶遮挡果实等不同状态。
在技术方法层面，研究采用了多项关键技术：首先使用LabelImg工具对图像进行标注，将果实分为成熟、半熟和未熟三个类别；采用70:15:15的比例划分训练集、验证集和测试集；通过图像缩放（统一为640×640像素）、像素归一化和数据增强（包括平移、缩放、随机水平翻转和亮度对比度调整）等预处理方法提升模型泛化能力；利用在ImageNet和COCO数据集上预训练的模型进行迁移学习；重点比较了SSD-MobileNetV2-FPNLite、YOLOv4和Faster R-CNN三种架构的性能差异。
在模型架构设计上，SSD-MobileNetV2-FPNLite结合了MobileNetV2的深度可分离卷积和倒残差块来实现计算效率，同时通过简化的特征金字塔网络（FPN-Lite）整合多尺度特征，增强了对不同大小目标的检测能力。这种设计特别适合在资源受限的条件下实现实时检测。
数据采集与处理
研究团队构建了包含1500张腰果图像的数据集，涵盖不同成熟阶段、光照条件和遮挡情况。图像采集时间为上午8点至下午5点，包含晴天和阴天条件，确保了数据多样性。所有图像统一预处理为640×640像素分辨率，并应用了多种数据增强技术。
模型性能比较
实验结果显示，SSD-MobileNetV2-FPNLite在各项指标上均表现最佳：精度达到92.67%，召回率为95.26%，F1分数为93.95%，交并比（IoU）为88.01%。特别是在处理重叠果实和遮挡果实时，识别率分别达到88.67%和92.64%，优于其他两种模型。
环境适应性分析
研究还评估了模型在不同环境条件下的表现。结果显示，在单果、日光、成熟红色果实且无遮挡的理想条件下，平均精度（AP）可达97%；而在夜间有遮挡的最挑战性条件下，AP降至52%。新提出的调整果实检测指数（AFDI）能有效评估模型在复杂环境中的性能。
实时性能表现
在推理速度上，SSD-MobileNetV2-FPNLite处理每张高分辨率图像平均仅需8秒，显著快于对比模型，展现了其在实时采收系统中的应用潜力。
研究结论表明，基于SSD-MobileNetV2-FPNLite的腰果果实检测系统在精度和速度之间实现了良好平衡，能够有效识别复杂果园环境中的腰果果实。该研究填补了腰果果实自动化识别领域的空白，为精准农业提供了重要的技术支撑。然而，研究也指出当前系统仍面临一些挑战，比如果实因风力作用产生的摆动问题、小数据集训练难题等，这些都将成为未来研究的重要方向。
这项研究的重要意义在于，它不仅为腰果产业提供了具体的技术解决方案，更为其他类似作物的自动化识别研究提供了可借鉴的方法论。随着农业自动化需求的不断增加，这种基于深度学习的高效识别技术将在精准农业领域发挥越来越重要的作用。未来研究可进一步探索轻量化模型的优化、多模态数据融合以及在实际采收机器人上的部署应用。
