《Smart Agricultural Technology》：Maturity and Size Estimation with Yield Mapping for Hydroponic Strawberries Using Machine Vision
编辑推荐：
水培系统中的草莓生产需要关于果实负载、成熟度和大小的精确且空间明确的信息，以支持收获计划和质量控制。本研究提出了一种集成的计算机视觉与GNSS RTK（Global Navigation Satellite System Real-Time Kinematic
水培系统中的草莓生产需要关于果实负载、成熟度和大小的精确且空间明确的信息，以支持收获计划和质量控制。本研究提出了一种集成的计算机视觉与GNSS RTK（Global Navigation Satellite System Real-Time Kinematic）框架，该框架可检测单个草莓，估算其成熟度和物理尺寸，将果实分配到操作性的尺寸-成熟度类别，并在露天水培系统中生成高分辨率产量图。RGB-D图像通过YOLOv8-seg（You Only Look Once version 8 segmentation）模型和基于BoT-SORT（一种基于运动与外观信息的跟踪算法）的跟踪模块进行处理，以获取实例级掩膜，并从中推导出基于颜色的成熟度指数和三维点云。经过基于DBSCAN（Density-Based Spatial Clustering of Applications with Noise）的滤波后，在公制空间中计算果实长度和宽度，并与成熟度百分比结合，使用预定义阈值规则将每个草莓分配到九个操作性尺寸-成熟度类别之一。该系统在哥伦比亚博亚卡省阿尔卡布科（Arcabuco, Boyacá, Colombia）的一个商业水培作物中进行了评估，实现了准确的分割，边界框的中位交并比（IoU）值高达0.83，掩膜的中位IoU值为0.71，长度和宽度的平均绝对误差分别为2.51 mm和1.85 mm（相对于游标卡尺测量值）。以1 m2网格和作物行汇总的产量图揭示了果实密度、成熟状态和尺寸-成熟度组成的显著空间变异性，从而能够识别出高浓度准备收获果实的区域与未成熟果实主导的区域。所提出的框架为水培草莓管理提供了一种实用且低成本的决策支持工具，并且可在不同作物结构、品种和环境条件下重新校准后，适应其他高价值园艺作物。
研究背景：在高价值园艺作物（如草莓）中，精确估计产量和成熟度是提升收获效率、减少损失和确保产品质量的关键技术挑战。水培系统因植株密度高、生长条件可控，对数据驱动的规划需求更为迫切，尤其是在劳动力有限或商业成熟窗狭窄的环境下。然而，当前果实状态的连续监测主要依赖人工，主观性强且成本高昂。现有研究在计算机视觉和深度学习方面取得进展，但多集中于单一任务（如检测或计数），缺乏同时集成实例分割、成熟度/大小估计和地理参考水果映射的系统，尤其在低结构作物（如草莓）中，存在高遮挡、颜色大小变异大等问题。水培作物的相关研究更少，且多数方法缺乏空间数据整合，未能充分利用水培系统的生产控制能力。因此，研究人员提出了一种集成的RGB-D（红绿蓝-深度）和GNSS RTK（全球导航卫星系统实时动态差分）框架，旨在实现水培草莓的果实级成熟度估计、尺寸测量、操作性尺寸-成熟度分类以及高分辨率产量映射，为精准收获规划提供决策支持。该论文发表在《Smart Agricultural Technology》。
主要关键技术方法：研究人员采用以下关键技术方法：
1. 基于YOLOv8-seg（You Only Look Once version 8 segmentation）模型的实例分割，结合BoT-SORT（基于运动与外观信息的跟踪算法）进行时序跟踪，以获取单个草莓的像素级掩膜和跟踪标识。
2. 利用HSV（色调、饱和度、明度）颜色空间分析，根据红色和绿色/黄色区域占比计算可见成熟度百分比。
3. 通过深度图投影到三维点云，并应用DBSCAN（基于密度的空间聚类算法）滤波去除离群点，计算果实长度和宽度（毫米级）。
4. 采用GNSS RTK（全球导航卫星系统实时动态差分）系统以Base-Rover配置获取厘米级定位，将每个果实的地理坐标转换为UTM（通用横轴墨卡托）投影坐标系。
5. 基于预定义阈值规则，将果实分配到九个操作性尺寸-成熟度类别（组合三种成熟度水平：未成熟、部分成熟、成熟，与三种尺寸范围：小、中、大）。
样本来源：哥伦比亚博亚卡省阿尔卡布科（Arcabuco, Boyacá, Colombia）的一个露天水培商业草莓农场，共采集1626幅RGB-D图像（分辨率1280×720像素，帧率7 fps）。
研究结果：
3.1 测试数据集上的性能评估
通过比较四种YOLOv8-seg变体（n、s、m、l）的检测和分割性能，发现模型复杂度增加时，边界框的中位F1分数从0.81升至0.90，中位IoU从0.73升至0.83；分割掩膜的中位F1分数从0.73升至0.80，中位IoU从0.63升至0.71。较大模型（YOLOv8m-seg和YOLOv8l-seg）在精度上更优，但计算速度较慢（FPS从34.48降至13.70）。该结果表明，在离线分析场景下，较大模型能提供更精准的果实定位和轮廓描绘，为后续特征提取和分类奠定基础。
3.2 尺寸测量精度评估
通过与游标卡尺测量的43个草莓进行对比，研究人员发现视觉算法估算的长度平均绝对误差（MAE）为2.51 mm，宽度为1.85 mm；平均相对误差分别为7.03%和6.62%；均方根误差（RMSE）分别为2.53 mm和1.89 mm。误差分布较均匀，未出现极端离群值，且与果实尺寸无关。该结果说明，结合深度图投影、DBSCAN离群点滤波和标定尺度因子后，系统能以足够精度支持个体果实尺寸分类和空间聚合。
3.3 产量图与尺寸-成熟度类别的空间分布
3.3.1 果实密度与类别分布
以1 m2网格汇总的果实密度图显示，地块内存在强空间变异性，高密度区与低密度区交替出现。按九个操作性尺寸-成熟度类别着色的果实位置图表明，部分高密度区域以未成熟小果或中果为主，而另一些区域则集中了成熟中果或大果，为选择性收获提供了优先区域识别。
3.3.2 平均成熟度与个体成熟度对比
平均成熟度图（每网格平均可见红面积百分比）与个体成熟度图（每个果实按其成熟度百分比着色）的对比揭示，高平均成熟度的网格可能由全部成熟果实组成，也可能为成熟与未成熟果实的混合，而中间平均成熟度网格内常存在多种状态共存。这强调了在聚合指标基础上考虑个体细节的重要性。
3.3.3 按尺寸和成熟度类别的果实计数
通过4×3布局的产量图（行：全尺寸、小、中、大；列：未成熟、部分成熟、成熟），研究人员发现未成熟小果占据大片区域，而成熟大果则呈局部斑块分布，指示了优先收获区和需延迟收获区的界限。
3.3.4 按作物行的果实类别分布
热图可视化显示，不同作物行在九个类别上的计数差异明显，部分行集中了成熟中果或大果，而其他行以未成熟小果为主。这种行级分析有助于识别可能受灌溉或施肥差异影响的区域，并为田间管理提供依据。
总结讨论与结论：
讨论部分指出，系统的检测和分割性能（YOLOv8l-seg的中位IoU达0.83）为后续特征提取提供了可靠基础，尺寸测量误差（MAE约2.5 mm）在田间应用可接受范围内，且DBSCAN滤波有效避免了离群点导致的尺寸高估。产量图揭示了空间异质性，支持按区域规划收获顺序。但系统受限于单一视角和部分遮挡，未来需在不同品种、种植结构及环境条件下重新校准阈值，并评估更先进的分割架构。结论部分翻译如下：本研究提出了一种集成的RGB-D和GNSS RTK流水线，用于水培草莓，连接了实例分割、特征提取、基于规则的操作性尺寸-成熟度分类和个体果实级的产量映射。YOLOv8-seg模型在真实田间条件下提供了足够质量的果实掩膜、边界框和检测结果，以支持后续的尺寸估计、成熟度估计和空间分布分析。通过将深度信息投影到三维空间并使用DBSCAN滤波点云，该方法估计的草莓长度和宽度相对于游标卡尺测量的平均绝对误差分别为2.51 mm和1.85 mm。这些结果表明，系统能够以足够精度表征个体果实尺寸，支持操作性分类和空间聚合。通过将这些尺寸与可见成熟度百分比结合，使用预定义规则将每个果实分配到九个尺寸-成熟度类别之一。由地理参考果实导出的产量图在1 m2网格和作物行尺度上揭示了密度、可见成熟度和尺寸-成熟度组成的显著空间变异性，使得能够识别出高浓度收获优先果实的区域、未成熟果实主导的区域以及与作物内管理差异相关的空间模式。该系统作为处理流水线在田间采集数据上实施和应用。尽管评估仅在单一商业水培作物中进行，但结果显示了该方法作为精准园艺收获规划决策支持工具的潜力。转移到其他品种、种植配置或环境条件将需要重新校准成熟度和尺寸阈值，并重新验证感知模块。未来工作还应比较更先进的分割架构，并评估系统在不同遮挡、光照和作物密度条件下的表现。
