一种基于无人机技术和深度学习的收获规划模型，用于确定西兰花田的最佳收获顺序

《Computers and Electronics in Agriculture》：A drone- and deep-learning-based harvest planning model for determining the optimal harvesting sequence of broccoli fields

broccoli收获规划模型基于无人机遥感与深度学习技术，通过YOLO11n实现花椰菜头部高精度检测（97.9%准确率），结合SAM2模型生成精准分割掩膜（IoU 0.846），并采用圆拟合算法估算直径（误差4.35%）。创新性构建覆盖多收割阶段的数据集，整合成熟密度计算与单位收益评估优化收割顺序，有效提升作业效率与经济效益。

　　

张晓菲|江磊|沈敖|王志恒

浙江工业大学机械工程学院，中国浙江省杭州市310032

摘要

由于西兰花在同一块田地内的成熟时间不同，种植者通常需要通过多次人工检查来确定多阶段的收获计划。为了减少劳动力并提高收获计划的准确性，本研究提出了一种利用无人机遥感和深度学习算法的西兰花收获规划模型。首先，从不同收获阶段的田地中构建了一个西兰花头部图像数据集。接着，使用YOLO11n在无人机图像中定位西兰花头部，并将得到的边界框作为SAM2分割模型的提示，以提取精确的西兰花头部掩码。基于获得的掩码轮廓，引入了一个基于距离的判别因子，并应用了一种结合最小二乘法和最小包围圆算法的圆形拟合策略来估计西兰花头部的直径。最后，计算了田地成熟密度（定义为每平方米直径大于或等于12厘米的西兰花头部数量），以确定田地是否达到收获阈值。对于可收获的田地，通过评估单位时间的可收获利润进一步优化了收获顺序，从而实现最佳的收获计划。实验结果表明，YOLO11n的平均检测准确率为0.979，所有收获阶段的准确率均不低于0.963，并且在不同种植模式下表现出很强的泛化能力。基于SAM2的分割方法达到了0.846的IoU值，西兰花头部直径的平均估计误差为4.35%，满足了实际应用要求。案例研究进一步证实，所提出的模型生成的二维产量分布图和关键指标（如成熟密度和单位收获利润）有效支持了西兰花的收获计划。该西兰花收获规划模型可以为其他作物的收获计划方法开发提供参考。

引言

西兰花（Brassica oleracea L. Italica）是十字花科中一种重要的蔬菜作物，因其丰富的营养价值而受到消费者的喜爱（Zhao等人，2024年）。2023年全球西兰花和花椰菜的种植面积约为1,404,931公顷，产量约为2,647万吨，中国位居全球首位，占全球产量的36.95%（FAO，2023年）。西兰花的成熟具有明显的异步性，同一块田地内的西兰花头部生长和成熟的速率不同（Kang等人，2024b年）。因此，西兰花通常采用多轮选择性收获方式，种植者通过人工检查田地并目视评估西兰花头部的成熟度和产量来确定最佳收获时间，从而防止过度成熟导致的质量下降和经济损失。

产量估计是精准农业的关键组成部分，能够优化生产效率、降低成本并增加经济效益（Dhaliwal和Williams，2024年；He等人，2022年）。利用现有的数据资源可以帮助农民生产高质量的产品，增加利润，并做出明智的收获决策（De Alwis等人，2022年）。传统的估计方法，如人工计数，逐渐被提供更精确测量的自动化技术所取代（Ahmad等人，2024年）。无人机（UAV）由于其强大的灵活性、低成本和不受地形限制的特点，在农业产量估计中得到了广泛应用（Qu等人，2024年）。

近年来，基于无人机的高通量图像与深度学习的结合在水果和蔬菜产量估计中得到了广泛应用，并取得了显著进展。Ye等人（2023年）证明了Mask R-CNN深度学习模型从无人机图像中提取卷心菜头部的有效性，整体平均F1分数为97.63%。Lyu等人（2024年）提出了一种基于无人机的动态检测和计数方法，用于莲花和种子荚的检测，采用了改进的YOLOv7-tiny模型，并引入了小对象检测层以提高性能。Zhao等人（2025年）将基于深度学习的超分辨率重建与语义分割相结合，用于评估蓝莓的成熟度，有效解决了低分辨率无人机图像的局限性和在复杂田地环境中高效检测成熟度的需求。Liang等人（2025年）开发了一种创新的基于无人机图像的荔枝检测方法，使用YOLOv7-MSRSF，在严重遮挡、果实密集聚集和光照水平变化的情况下显著提高了检测精度。

对于基于无人机的西兰花检测和产量估计，Psiroukis等人（2022年）将西兰花分为三个成熟等级——未成熟（15天内不可收获）、一周内可收获和完全可收获，并应用Faster R-CNN和CenterNet架构进行西兰花头部检测，mAP@50值超过了80%。Zhou等人（2022年）分别使用TransUNet算法在RGB图像中对西兰花检测的准确率为0.917，使用点云变换器对西兰花头部体积的估计准确率为0.914。Zhang等人（2024年）采用改进的DeepLabV3模型对无人机图像进行分割，以估计西兰花头部直径，平均像素准确率为97.24%，均方根误差为1.81厘米。Kang等人（2024a）基于DeepLabV3+网络开发了一种像素级别的西兰花成熟度识别模型，使用在1米高度收集的无人机图像，平均类别预测准确率为70.93%。

尽管现有研究在西兰花产量估计和收获计划方面取得了进展，但仍存在一些局限性。Cammarano等人（2020年）使用每日温度和太阳辐射数据为苏格兰的西兰花开发了一个物候和产量预测模型。Kim等人（2021年）分析了影响西兰花产量的因素，包括种植密度、氮肥施用、二氧化碳浓度、最高/最低温度和降水量，报告称氮肥施用是最具影响力的因素。然而，这种间接估计方法通常需要较高的前期投资，并且在不同地区和品种上的适用性有限。值得注意的是，Wang等人（2023年）提出的单次收获策略在西兰花收获周期较短的地区有效降低了收获成本，但不适合收获周期较长的地区，这些地区需要多轮收获，例如中国台州的种植系统。此外，当前的直接产量估计研究尚未建立覆盖整个收获周期的图像数据集，限制了检测算法仅限于作物识别和产量估计，对收获计划的系统研究较少。缺乏全面的收获计划模型，无法为种植者提供足够的决策支持。对于像西兰花这样的高价值作物，关键的田间收获决策，如何时田地可以收获、可收获田地的优先顺序以及经过多轮收获后田地是否仍具有收获价值，仍然依赖于人工田间检查和主观判断。迫切需要一种自动化解决方案来提高收获决策的准确性、效率和盈利能力。

为了解决这些挑战，本研究提出了一种基于直接产量估计和无人机遥感的西兰花收获规划模型。该模型的主要贡献在于能够评估整个西兰花收获周期内多个田地的收获适宜性和收获优先级。与传统依赖人工田间采样和检查的收获计划方法相比，该模型根据田地内西兰花头部的整体成熟状态确定更合理的收获顺序，从而有效提高了收获效率和经济效益。该提出的收获规划模型提供了一种实用的基于无人机的深度学习方法，强调了其在实际应用中的可行性，有效弥合了西兰花产量估计研究与实际农业部署之间的差距，同时也为其他作物的类似应用提供了有价值的参考。

所提出的收获计划框架概述如下：首先，开发了一个西兰花产量估计模型，并构建了一个涵盖多个收获阶段的无人机图像数据集。其次，整合了You Only Look Once（YOLO）11、Segment Anything Model（SAM）2和圆形拟合算法，以实现西兰花头部检测、图像分割和直径估计，同时大幅降低了人工标注成本并确保了高分割精度。第三，解决了图像拼接缓冲区中的重复计数问题，并生成了西兰花头部的产量分布图。最后，评估了收获适宜性、收获顺序和可收获价值。本研究的目标是通过提供科学依据的收获策略，提高收获效率和盈利能力。

部分片段

整体流程

如图1所示，整个工作流程包括四个主要部分：（1）使用DJI Terra建模软件获取西兰花田地的高通量图像，并生成数字正射影像图（DOM）和数字表面模型（DSM）。随后，定义了缓冲区并将DOM裁剪成较小的图像进行预处理。（2）将YOLO11目标检测算法与SAM2图像分割模型集成，

西兰花头部分割

如图7(c)所示，使用不同裁剪大小的西兰花田地图像来展示SAM2模型的性能。不同的颜色对应于相同西兰花头部在不同输入图像大小下的分割结果，表明输入图像大小越大，生成的西兰花头部掩码也越大。800×800像素（青色）和400×400像素（黄色）的SAM2分割掩码与手动标注的轮廓（黑色）相似。

结论

本研究提出了一种基于无人机遥感和深度学习技术的西兰花收获规划模型。首先，对于不同收获阶段的田地，构建了一个涵盖多个收获阶段的西兰花头部图像数据集，用于训练YOLO11目标检测算法并获得相关权重。将YOLO11算法与SAM2模型集成后，人工标注成本降低了70%，同时实现了高精度检测

CRediT作者贡献声明

张晓菲：撰写——原始草稿、可视化、软件、方法论、调查、数据管理、概念化。江磊：撰写——审阅与编辑、验证、软件、调查。沈敖：资源、方法论、数据管理。王志恒：撰写——审阅与编辑、监督、项目管理、资金获取。

资助

本研究得到了中国中央引导地方技术发展专项基金项目（项目编号ZYYD2025CG21）的支持。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。

致谢

作者感谢中国浙江省临海县的惠丰粮油合作社和高格蔬菜产业提供的西兰花田地数据和市场调查数据。