用AI数香蕉[特殊字符]：基于DeepSORT和RGB-Depth图像的香蕉果园产量估算

基于DeepSORT和RGB-Depth图像的香蕉果园产量估算

摘要：

果园产量估算是精准农业的关键指标之一。传统的随机抽样估产方法对果园的劳动者经验和规模有严格的要求。智能果园管理使种植者能够更有效地利用资源，并做出更明智的决策来优化果园投入。本研究提出了一种基于DeepSORT跟踪算法的香蕉束计数和产量估计方法。该方法包括获取RGB-D图像并计算单个香蕉束的重量，这在我们之前的工作中得到了推广。在此基础上，DeepSORT用于解决基于匈牙利算法和卡尔曼滤波的重复计数。设置了三个约束条件以提高统计精度，并设计了用于果园管理监测的产量估算系统。该系统为管理者提供束重预测和统计植物信息，以实现香蕉果园的实时产量估计。实验结果表明，产量估计的准确率达到97.25%，香蕉束计数的成功率达到96.82%。这表明RGB-D技术与DeepSORT算法的有效融合可以成功应用于香蕉园的智能管理和收获。

“1. Introduction” (Zhou 等, 2025, p. 1) 1.导言

产量是作物收获和市场规划的关键信息[1]。然而，传统的作物管理仍然是主观的。

简单的随机抽样（SRS）方法[3]不仅费力和冗长，而且在很大程度上取决于所涉及的劳动力的精确度。而且，它不能及时掌握果实的变异程度。此外，这种不准确的产量估计大多在商业果园中进行，而不是在小型和多样化的果园中。因此，自动化产量绘图已成为精准农业的重要目标。

在智能果园农学管理中，系统需要及时准确地估算果园产量，为种植管理、劳动力分配、收获、储存、销售提供信息[5]。

在不同的环境下利用静态图像技术进行水果和蔬菜产量估算

介绍了在不同环境下（如空中航拍和地面拍摄）对不同作物（如龙眼、大豆、茶叶、南瓜、葡萄和香蕉）进行产量估算的研究。传统方法与挑战： 阐述了大多数研究使用基于图像的方法，通过机器学习或深度学习算法在图像上进行目标检测，但普遍存在重复计数的问题。

技术与算法： 提到了多种用于水果检测和计数的算法，包括传统的基于颜色/形状的K-means算法，以及更现代的深度学习模型，如YOLO系列、SegNet和**Deeplab V3+**等。
数据类型： 指出研究使用了不同类型的图像数据，如RGB图像和包含深度信息的RGB-D图像。
研究空白： 特别指出，在利用静态图像对香蕉园进行基于计数的产量估算方面，目前还没有相关研究

基于视频的农作物计数和产量估算

视频在农作物产量估算中扮演着重要角色，因为它能解决静态图像中常见的重复计数问题。由于视频由连续帧组成，通过追踪技术可以识别同一水果在不同帧中的移动，从而实现更准确的计数。

问题核心： 强调视频计数的挑战在于物体追踪和重复定位，这可能导致因遮挡或光照不均而产生的过度计数。
技术演变： 介绍了从早期简单的极线追踪，到近年的光流、结构化运动（SFM）等技术。文章特别指出，由于光流技术在处理遮挡时的局限性，研究重心已转向更先进的追踪算法，如匈牙利算法和卡尔曼滤波器。
主流方法： 提到了目前最常见的组合是使用 YOLO 系列模型进行物体检测，并结合 DeepSORT、ByteTrack 等追踪器进行跨帧追踪。文章列举了大量应用案例，涵盖了多种水果，如苹果、百香果、甜椒、番茄等，并提供了具体的计数精度数据。
研究空白： 尽管在多种果园中已有广泛研究，但文章最后指出，在香蕉种植园中，基于视频追踪的产量估算研究仍然存在空白