1. 项目概述：柑橘成熟度检测在智慧农业中的核心价值
柑橘作为全球最重要的经济作物之一，其采收时机的判断直接影响果实品质和经济效益。传统人工检测方式存在三大痛点：一是依赖经验判断，标准不统一；二是大规模果园检测效率低下；三是无法实现实时动态监测。这个数据集正是为解决这些问题而生，它为基于YOLO算法的柑橘成熟度自动检测系统提供了关键训练素材。
在浙江某万亩柑橘种植基地的实测数据显示，采用视觉检测技术后，采收效率提升300%，优质果率从65%提升至82%。该数据集包含不同光照条件（顺光/逆光）、不同生长阶段（幼果期/转色期/成熟期）以及不同天气状况（晴天/阴天/雨后）下的柑橘图像样本，特别针对农业场景中的复杂干扰因素进行了优化。
2. 数据集核心技术解析
2.1 数据采集与标注规范
数据集采用工业级RGB相机（2000万像素）和多光谱相机同步采集，拍摄距离控制在0.5-3米范围，覆盖单果特写（分辨率≥500×500px）和果树全景（含20-50个果实）两种视角。标注工作由3位农业专家共同完成，采用改进的LabelImg工具，除常规边界框外，还包含以下特色标注：
-
成熟度分级标签（5级）：
- L1：全青（果径<3cm）
- L2：初转色（着色面积<30%）
- L3：半熟（着色30-70%）
- L4：近熟（着色70-95%）
- L5：完熟（着色>95%+果蒂褐变）
-
干扰因素标注：
- 叶片遮挡（轻/中/重度）
- 反光区域标记
- 相邻果实粘连区域
2.2 数据增强策略
针对农业场景的特殊性，数据集进行了以下增强处理：
python复制# 典型增强代码示例（Albumentations实现）
transform = A.Compose([
A.RandomShadow(shadow_roi=(0,0,1,0.5), p=0.3), # 模拟枝叶阴影
A.RandomSunFlare(p=0.2), # 阳光直射效果
A.RandomFog(fog_coef_lower=0.1, p=0.1), # 晨雾模拟
A.HueSaturationValue(
hue_shift_limit=10,
sat_shift_limit=30, # 增强色差辨识
val_shift_limit=20,
p=0.7),
A.RandomBrightnessContrast(
brightness_limit=0.3, # 应对逆光场景
contrast_limit=0.3,
p=0.5),
], bbox_params=A.BboxParams(format='yolo'))
3. YOLO模型选型与优化
3.1 模型架构对比测试
我们在RTX 3090平台对比了不同YOLO版本的表现：
| 模型版本 | 参数量(M) | mAP@0.5 | 推理速度(ms) | 显存占用(G) |
|---|---|---|---|---|
| YOLOv5s | 7.2 | 0.823 | 6.8 | 1.2 |
| YOLOv7 | 36.4 | 0.851 | 8.3 | 3.5 |
| YOLOv8n | 3.2 | 0.834 | 5.1 | 0.9 |
| YOLOv8x | 68.2 | 0.867 | 14.7 | 6.8 |
实测发现YOLOv8n在精度与速度间取得最佳平衡，特别适合部署在果园边缘计算设备（如Jetson Xavier NX）。
3.2 农业专用改进方案
针对柑橘检测的特殊需求，我们进行了以下模型改进：
-
注意力机制增强：
在Backbone末端添加CBAM模块，提升对果实微小色差的敏感度：python复制class CBAM(nn.Module): def __init__(self, c): super().__init__() self.channel_attention = nn.Sequential( nn.AdaptiveAvgPool2d(1), nn.Conv2d(c, c//8, 1), nn.ReLU(), nn.Conv2d(c//8, c, 1), nn.Sigmoid()) self.spatial_attention = nn.Sequential( nn.Conv2d(2, 1, 7, padding=3), nn.Sigmoid()) def forward(self, x): ca = self.channel_attention(x) sa = torch.cat([x.max(1)[0].unsqueeze(1), x.mean(1).unsqueeze(1)], dim=1) sa = self.spatial_attention(sa) return x * ca * sa -
多尺度特征融合优化：
采用ASFF（Adaptively Spatial Feature Fusion）替代原FPN结构，有效解决果实大小差异大的问题。
4. 系统部署与实测效果
4.1 边缘计算部署方案
在RK3588开发板上的部署关键步骤：
bash复制# 模型转换（FP16量化）
python export.py --weights best.pt --include onnx --half
./rknn-toolkit2/convert.py --onnx best.onnx --rknn best.rknn --mean_values=0,0,0 --std_values=255,255,255
部署参数优化建议：
- 开启NPU硬件加速（约提升3倍推理速度）
- 设置检测置信度阈值：成熟度L4-L5设为0.4，L1-L3设为0.25
- 启用多线程预处理（4线程最佳）
4.2 田间实测性能指标
在江西赣南脐橙基地的测试结果：
| 场景类型 | 检测准确率 | 误检率 | 漏检率 |
|---|---|---|---|
| 晴天顺光 | 94.2% | 1.3% | 4.5% |
| 阴天逆光 | 87.6% | 2.8% | 9.6% |
| 雨后反光 | 83.1% | 3.5% | 13.4% |
| 密植遮挡 | 79.4% | 4.2% | 16.4% |
5. 常见问题与解决方案
5.1 训练过程中的典型问题
-
类别不平衡问题：
- 现象：L1/L5样本较少导致检测偏差
- 解决方案：
- 采用Focal Loss替代CE Loss
- 设置类别采样权重：[0.7, 0.8, 1.0, 1.2, 1.5]
-
小目标漏检：
- 现象：远景小果实检测率低
- 优化方案：
- 增加640×640输入分辨率
- 使用K-Means++重新聚类anchor
5.2 部署应用中的实战技巧
-
光照自适应处理：
python复制def auto_contrast(img): lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB) l, a, b = cv2.split(lab) clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8,8)) cl = clahe.apply(l) return cv2.cvtColor(cv2.merge((cl,a,b)), cv2.COLOR_LAB2BGR) -
果实计数优化：
- 采用ByteTrack实现跨帧追踪
- 设置ROI区域过滤非目标果树检测
6. 产业应用扩展方向
该数据集和技术方案可延伸至以下场景：
-
采收机器人路径规划：
- 结合成熟度分布图生成最优采收路径
- 机械臂运动轨迹仿真
-
产量预测模型：
math复制Yield = \frac{\sum_{i=1}^n (A_i \times w_i)}{k} \times S $$ 其中： - $A_i$：单株检测果实数 - $w_i$：成熟度权重（L5=1.0, L4=0.8,...） - $k$：抽样比例 - $S$：种植面积 -
品质溯源系统：
- 区块链记录各生长阶段检测数据
- 消费者扫码查看果实生长历程