本文介绍了一种用于水果检测和计数的图像处理框架，使用单眼视觉系统所获得的高分辨率图像数据，包括多尺度多层感知器和卷积神经网络，结合元数据进行分割和检测，并在商业苹果园中进行了实验，得出了最佳性能。

Oct, 2016

通过使用深度学习中的 YOLOv3 模型，可以自动计算并分析产出树果，像甜樱桃的数量、大小和颜色等相关因素，该模型的准确度高达99%。

Feb, 2023

该研究利用YOLOv5目标检测算法提出了一个视觉系统，能够在无结构的果园环境中检测早期果花的生长情况，并通过 K-means 聚类算法识别并管理整个果花群，实现果树产量管理及农业自动化。

Apr, 2023

该研究提出了一种基于YOLOv5的自定义目标检测模型，用于在户外环境中检测草莓。修改了YOLOv5s的原始架构，通过在骨干网络中将C3模块替换为C2f模块，提供了更好的特征梯度流。通过将YOLOv5s的最终层中的空间金字塔池化快速与Cross Stage Partial Net相结合，提高了在草莓数据集上的泛化能力。验证了该方法在开放环境中检测草莓的优势，并与四个竞争检测模型进行了比较。结果表明，通过所提出的架构实现了最高80.3%的平均精度，而YOLOv3-tiny、YOLOv5s、YOLOv5s-C2f和YOLOv8s分别获得了73.4%、77.8%、79.8%和79.3%的平均精度。该模型具有快速的推理速度和适用于实时草莓检测和定位的充足网络参数。

Aug, 2023

利用基于近红外成像、计算机视觉和机器学习的自动系统，这篇论文提出了一种用于柑橘作物预测的非侵入性替代方案，该系统通过视频计数水果，并结合其他树木数据（如作物品种和树木大小）估计水果的总数。通过对视频中至少30%的水果进行准确检测、跟踪和计数，可以实现令人印象深刻的0.85的决定系数。该研究是少数几个以手动水果计数为评估参考点的柑橘估算方法尝试之一，并提供了用于图像水果计数的注释数据集以促进新方法的发展。

Dec, 2023

利用YOLOv8目标检测和实例分割算法以及3D传感器，在商业果园环境中精确测定不成熟青苹果（或称果芽）的大小，并强调了形状拟合方法和3D传感器在农业中改善果实大小估计方面的综合有效性。

Dec, 2023

通过使用YOLOv5模型和多样的苹果树图像数据集，我们提出了一种新颖的苹果检测和位置估计方法，实现了在复杂果园环境中准确识别苹果并提供精确位置信息的鲁棒系统，其具有约85%的苹果检测准确率，这在农业机器人领域取得了重要进展，为更高效、可持续的水果采摘实践奠定了基础。

May, 2024

这项研究通过在商业果园中对YOLOv8、YOLOv9和YOLOv10目标检测算法的各种配置进行广泛评估，还使用iPhone和机器视觉传感器进行了果实计数的现场验证研究，发现YOLOv9在mAP@50方面优于YOLOv10和YOLOv8，而YOLOv10x在精确度和召回率方面表现最佳。

Jul, 2024

本研究解决了草莓成熟阶段准确识别的问题，以优化产量管理和害虫控制。通过评估YOLOv8模型配置，发现YOLOv8n模型在分割准确性和推理速度上表现最佳，mAP达到80.9%，处理速度为12.9毫秒。这一研究结果展示了先进物体分割算法在开放农业中解决复杂视觉识别任务的潜力。

Aug, 2024

本研究针对开放环境中草莓在成熟阶段的准确识别问题，评估了不同YOLOv8模型配置的性能。研究发现，YOLOv8n模型在分割精度上表现优越，平均准确率达到80.9%，且推理速度最快，为开放农业视觉识别任务提供了有效解决方案。

Aug, 2024