《Food Science & Nutrition》：A Novel Public Dataset for Strawberry (Fragaria × Ananassa) Ripeness Detection and Comparative Evaluation of YOLO-Based Models
编辑推荐：
草莓（Fragaria × ananassa）因其经济价值和营养丰富而闻名于世，是一种广泛栽培的水果。在收获期确定正确的成熟度水平对于防止生产者损失以及确保消费者获得优质产品至关重要。然而，传统方法，即仅依赖视觉评估，可能存在主观性和高误差率。因此，需要计算机
草莓（Fragaria × ananassa）因其经济价值和营养丰富而闻名于世，是一种广泛栽培的水果。在收获期确定正确的成熟度水平对于防止生产者损失以及确保消费者获得优质产品至关重要。然而，传统方法，即仅依赖视觉评估，可能存在主观性和高误差率。因此，需要计算机辅助系统。然而，文献中可供所有人访问的全面数据集的稀缺性使得该领域的研究难以比较。在本研究中，研究人员向文献提供了一个新的、公开可用的草莓成熟度数据集，该数据集包含566张图像和1169个标记对象，涵盖三种成熟度类别（完全成熟、半成熟和未成熟），是在土耳其两个不同温室的可变光照和环境条件下制备的。在该数据集上使用十二种YOLOv8、YOLOv9和YOLO11检测变体进行的比较测试表明，YOLOv9c模型的最高精确率（Precision）为90.94%，而YOLO11s模型的最高召回率（Recall）为83.74%。在总体性能指标mAP@50方面，YOLOv8s是最佳性能模型，成功率为86.09%（mAP@50:95 = 75.52%）。在该数据集上，较小和中等规模的模型（约10–12百万参数，例如YOLOv8s和YOLO11s）以显著更低的计算成本和更高的推理速度实现了与最大变体相当的准确率，为智能农业应用建立了一个可重复的参考点。这些发现仅针对当前数据集，在推广之前应在更大、更多样化的数据上进行验证。
**草莓成熟度检测的公开数据集构建与YOLO模型比较研究解读**
**研究背景与问题**
草莓（Fragaria × ananassa）是全球经济价值高且营养丰富的水果。其成熟度在收获期准确判断，对避免生产者经济损失和确保消费者获得优质产品至关重要。然而，传统依赖视觉评估的方法主观性强且误差率高，而计算机辅助系统虽可解决此问题，但文献中缺乏公开、全面的数据集，导致研究间难以比较。现有研究多使用私有数据，模型评估集中在单一架构，缺乏跨代YOLO（You Only Look Once）模型的系统对比，且对计算成本、实时性能等实际部署指标关注不足。因此，本研究旨在构建一个公开的温室草莓成熟度数据集，并在统一实验框架下比较YOLOv8、YOLOv9和YOLO11三种架构的变体，为智能农业应用提供可重复的基准。
**研究人员开展的研究及结论**
研究人员从土耳其开塞利两个不同温室收集图像，构建了一个包含566张图像、1169个标注对象的公开数据集，涵盖完全成熟、半成熟和未成熟三类。在相同实验条件下训练了12种YOLO变体（nano到extra-large），评估准确率（Precision）、召回率（Recall）、平均精度（mAP@50）及计算成本（FLOPs、参数量、FPS）。主要结论：YOLOv8s以86.09%的mAP@50获得最佳总体检测性能；YOLOv9c精确率最高（90.94%）；YOLO11s召回率最高（83.74%）。小型模型（10-12M参数）在准确率和计算成本间达到最佳平衡，优于更大模型。数据集和实验框架提供了可重复的参考点，对实时收获系统开发具有重要意义。论文发表在《Food Science》。
**主要关键技术方法**
研究采用端到端深度学习工作流，关键方法包括：1）从土耳其两个温室（Kayseri）采集图像，使用Samsung NX相机和手机相机，在不同时间、自然光照条件下拍摄；2）手动标注边界框，按表面红色着色比例分为三类（未成熟<10%、半成熟10%-90%、完全成熟>90%）；3）在统一硬件（NVIDIA RTX 3090）和软件（PyTorch 2.5.1、Ultralytics 8.3.169）环境下训练YOLOv8（n/s/m/l/x）、YOLOv9（c/e）和YOLO11（n/s/m/l/x）共12种变体，所有模型使用相同超参数（640×640输入、100 epoch、AdamW优化器）；4）评估指标包括精确率、召回率、mAP@50、mAP@50:95（IoU
0.5至0.95的平均精度）、FLOPs（浮点运算数）、参数量和FPS（每秒帧数）。
**研究结果**
**4 Results**
在验证集上的综合实验结果显示，模型计算成本和性能呈非线性关系。FLOPs范围10.4–344.1 G，参数量2.9–71.8 M，精确率79.1%–90.94%，召回率73.13%–83.74%，mAP@50 82.0%–86.09%。
- **YOLOv8s**：以11.8M参数和42.6 GFLOPs，获得最高mAP@50（86.09%），mAP@50:95为75.52%，F1分数82.98%。
- **YOLOv9c**：以27.9M参数和159.4 GFLOPs，获得最高精确率（90.94%），mAP@50:95为76.53%，F1分数83.79%。
- **YOLO11s**：以10.1M参数和35.5 GFLOPs，获得最高召回率（83.74%），F1分数81.90%。
在每类检测性能中，半成熟类作为少数类（120个实例）被有效检测：YOLOv8s对半成熟类的mAP@50为93.3%，F1为84.7%；YOLO11s对半成熟类的召回率86.0%，F1为86.6%。混淆矩阵显示，未成熟和完全成熟两类几乎从不混淆，错误集中在半成熟类与其相邻类的判定上。视觉效果表明，模型在清晰颜色区分场景中表现良好，但在半成熟过渡状态、叶片遮挡和强背光条件下易出错。
**讨论与结论**
讨论部分指出，小型模型（10-12M参数）在有限且类别不平衡的数据集上泛化能力优于大型模型，验证了“更大模型未必更好”的观点。YOLOv9c的高精确率源于其保守预测策略，YOLO11s的高召回率使其对半成熟类更敏感，但可能增加假阳性。半成熟类检测的生理学解释：草莓成熟是连续的非跃变过程，表面红色素（花青素）逐步积累，离散的三类标注在连续信号上人为设定边界，导致半成熟类易混淆。颜色依赖的检测器可自然关联采后品质，但受栽培品种、光照和硬件影响，绝对准确率可能下降。研究局限性：数据集仅来自单区域两温室，类别不平衡，且模型仅单次训练，缺乏统计变异性。未来需扩展多站点、多品种数据，并探索连续成熟度评分和边缘端部署。
**研究结论翻译：**
本研究向文献引入了一个新的公开草莓成熟度数据集，该数据集利用从两个不同温室环境以及可变光照条件下收集的图像创建，并在相同实验条件下全面比较了YOLOv8、YOLOv9和YOLO11架构。在十二个变体中，YOLOv8s获得了最佳总体检测准确率（mAP@50 = 86.09%），YOLOv9c获得了最高精确率（90.94%，同时具有最优mAP@50:95 = 76.53%和F1分数 = 83.79%），YOLO11s获得了最高召回率（83.74%）。结果表明，性能随模型规模并非线性增长；相反，参数数量在10–12百万范围内的紧凑模型（特别是YOLOv8s和YOLO11s）在准确率–灵敏度–计算成本的平衡方面提供了最合适的性能。这一发现表明，在智能农业应用和实时收获系统中，应优先考虑架构效率而非高硬件要求。本研究最重要的贡献之一在于提供了一个可重复和可比较的实验框架。然而，数据集的地理范围有限以及类别分布不平衡等因素应在结果的可泛化性方面予以考虑。未来利用不同生产系统、不同品种和更大规模数据集开展的研究将有助于在田间层面验证所提出的发现。总之，本研究不仅呈现了模型比较，还为草莓成熟度检测中的架构规模–性能关系建立了一个实用和方法论参考框架。就此而言，它构成了向开发实时且可靠的成熟度检测系统迈进的一个基本步骤。
