基于YOLO的草莓检测与成熟度估计综述：数据增强泄漏导致性能高估的方法论批判

《ARTIFICIAL INTELLIGENCE REVIEW》：Deep learning for real-time strawberry detection, ripeness classification, and picking point localization: a review of architectures, field studies, and open challenges

　　草莓果实的精准检测、可靠成熟度估计以及采摘点的精确定位，对于智能农业中的自动化采摘和产量预测至关重要。然而，实际环境带来了显著挑战，包括遮挡、光照变化以及成熟阶段之间的高度视觉相似性。基于深度学习（DL）的目标检测方法已成为解决这些问题的首选方案。本文对2023年至2026年间发表的60篇同行评审研究进行了系统性综述，重点关注使用YOLO系列（v5–v11）深度学习算法检测草莓及其成熟度。研究从数据集特征、预处理与数据增强策略、模型架构和评估协议等方面进行了分析。结果显示，YOLOv8（28项研究，46.7%）和YOLOv11（13项研究，21.7%）明显占主导地位，而CNN–ViT混合模型正受到关注（8项研究，13.3%）。然而，发现了关键的方法论问题：在60项研究中有21项（35.0%）在数据集划分前进行了数据增强，13项研究（21.7%）遵循了推荐的分割后再增强协议，8项研究（13.3%）采用了在线增强。其余18项研究（30.0%）未报告使用任何增强方法。可复现性受到严重限制，原因在于代码或训练权重的共享极少（2项研究，3.3%），以及数据集的共享也有限（8项研究，13.3%）。为量化这一方法论缺陷的实际影响，我们在StrawDI_Db1数据集上使用YOLOv8进行了受控实验，比较了四种增强策略。结果表明，与干净的分割后增强流程相比，完全泄漏协议在mAP@0.5:0.95上高估测试性能11.76至19.28个百分点（p.p.），在mAP@0.50上高估8.02至11.50个百分点。潜在的验证-测试差异在mAP@0.5:0.95上高达18.63个百分点，在mAP@0.50上高达13.81个百分点。这些发现提供了直接的定量证据，表明所审阅研究中35.0%的报告性能指标可能存在大幅虚高。本综述提供了当前方法的结构性概述、对现有研究实践的关键评估，以及为精准农业开发稳健、可部署的深度学习解决方案的可操作指导。