基于改进YOLOv8-EME与优化ByteTrack的番茄果串及单果成熟度同步识别与产量计数

《Horticulturae》:Simultaneous Maturity Recognition and Yield Counting of Truss and Individual Tomatoes Using Improved YOLOv8-EME and Optimized ByteTrack Tracker

【字体: 大 中 小 】 时间:2026年09月24日 来源:Horticulturae 3.4

编辑推荐:

  作物成熟度检测与产量估算是设施农业的关键环节,有助于优化采收时机、保障果实品质并协调产销。已有检测与计数研究主要关注单一类别,即仅针对果串或仅针对单个果实。为推进生产管理的自动化与智能化,研究人员提出一种集成改进YOLOv8-EME模型与ByteTrack算法

  
作物成熟度检测与产量估算是设施农业的关键环节,有助于优化采收时机、保障果实品质并协调产销。已有检测与计数研究主要关注单一类别,即仅针对果串或仅针对单个果实。为推进生产管理的自动化与智能化,研究人员提出一种集成改进YOLOv8-EME模型与ByteTrack算法的番茄检测与计数系统,可在成熟度分类的同时同步检测和计数果串与单果。改进的YOLOv8-EME模型将EfficientNet架构与EffectiveSE注意力机制相结合,提升了特征提取能力和计算效率;优化后的网络结构实现了轻量化设计,将浮点运算量(FLOPs)降至6.9 G。该模型在Ripe、Raw、Medium-Raw和Truss类别上的平均精度(mAP)分别为0.942、0.883、0.850和0.956。研究人员进一步提出跨线计数方法,并与改进的ByteTrack算法集成,通过ID漂移关联、轨迹融合、历史轨迹线索和冷却机制,缓解目标丢失、ID漂移和重复计数问题。上述设计显著提高了果串与果实成熟度的检测和计数精度,计数准确率达到94%。该系统为智慧农业中番茄检测与计数提供了高效、准确的技术支持。
设施农业中,作物成熟度检测与产量估算是优化采收时机、保障果实品质和协调产销的关键环节。目前大多数检测与计数方法只针对单一目标类别,或只处理番茄果串,或只处理单个果实,难以满足智能温室对多尺度、多类别同步管理的需求。同时,复杂环境下的遮挡、重叠和视角变化容易导致目标暂时丢失和身份切换,造成漏计与重复计数。为解决上述问题,研究人员构建了一套集成改进YOLOv8-EME检测模型与优化ByteTrack跟踪器的番茄检测计数系统,实现果串与单果的同步检测、成熟度分类和自动计数。

研究人员于2024年10月和2025年3月在北京翠湖工厂和明日农场采集数据,品种包括Sakura F1、Cocktail、Sweet Million和Amai F1,共获取4302幅图像,经质量控制保留3585幅可用图像,并辅以视频数据。采用Labelme人工标注与X-AnyLabeling辅助自动标注相结合的流程,标注类别包括Ripe、Raw、Medium-Raw三种单果成熟度及Truss果串。改进的YOLOv8-EME以YOLOv8为基线,引入EfficientNet中的MBConv模块并采用EffectiveSE注意力机制替换传统SE,形成C2f_EMBC模块,从而在降低计算量的同时增强多尺度特征提取。跟踪计数方面,在ByteTrack基础上引入历史轨迹平滑、ID漂移关联与轨迹融合、跨虚拟计数线判定和基于速度的动态冷却机制,以缓解遮挡和ID漂移导致的漏计与重计。实验在两台Ubuntu 20.04平台完成,分别配备Intel Core i7-9800X + RTX 2080 Ti和AMD Ryzen 5800H + RTX 3070。

3.1 改进模型的性能评估
3.1.1 YOLOv8变体与改进模型的性能比较
研究人员训练了YOLOv8n/s/m与YOLOv8-EME。结果表明,使用预训练权重可显著提升性能。与YOLOv8n相比,YOLOv8-EME在保持约315.72万参数的情况下使整体检测性能提升约2个百分点,并以更少参数超越YOLOv8s和YOLOv8m,说明改进结构在精度与效率间取得了更优平衡。

3.1.2 YOLO系列变体的检测精度指标比较
与YOLOv5、YOLOv10、YOLOv12及原始YOLOv8的逐类比较显示,YOLOv8-EME在mAP@0.5和Precision上均优于对比模型;相对于原始YOLOv8,Ripe、Raw、Medium-Raw和Truss的mAP@0.5分别提升0.5、2.1、0.6和0.6个百分点,其中Raw类别提升最大,表明模型对视觉上易混淆的果实有更强的去伪能力。

3.1.3 测试集性能评估
在统一测试集上,YOLOv8-EME以约340万参数和6.9 G FLOPs达到107 FPS,相比原始YOLOv8提升32%的推理速度。其Ripe、Raw、Medium-Raw、Truss的mAP@0.5分别为0.942、0.883、0.850、0.956,mAP@0.5:0.95分别为0.774、0.706、0.707、0.789,其中Raw指标为所有模型最高。相比之下,YOLOv8m虽在Truss上达到0.952,但Raw和Medium-Raw的mAP@0.5:0.95降至0.692和0.696;其他基于模块改进的变体均未全面超越基线。可视化检测结果也显示YOLOv8-EME几乎正确定位并分类所有果实与果串。

3.2 番茄计数方法性能评估
3.2.1 基于视频的评估
在无深度信息的视频数据上,系统验证了目标检测、跟踪和分类计数的有效性。以ID 70的果串为例,其跨越虚拟计数线时系统实时更新各类别数量,最终完成全部番茄计数,证明跨线判定与分类计数具有良好稳定性。

3.2.2 田间测试与应用评估
系统部署于番茄巡检机器人,使用实时深度相机并按预设阈值过滤1.2 m以上背景目标,减少环境干扰。同时开发了基于PyQt5的交互界面,支持图像、视频和相机输入,实时显示检测结果、坐标、置信度和分项计数。在跟踪算法对比中,改进ByteTrack在Ripe、Raw、Medium-Raw和Truss类别的计数准确率分别达到0.95、0.94、0.91和0.94,漏计与重计数显著低于DeepSORT、OC-SORT和原始ByteTrack;原始ByteTrack相应为0.91、0.94、0.88和0.89,DeepSORT在Ripe和Truss仅为0.86和0.73,OC-SORT在Ripe和Truss为0.90和0.88。改进方法有效减少目标丢失和重复计数。

综合来看,该研究提出的YOLOv8-EME与改进ByteTrack集成系统,实现了果串和单果成熟度的同步检测与计数,整体计数准确率达94%。研究结论部分指出,YOLOv8-EME将Ripe、Raw、Medium-Raw和Truss的mAP分别提升至0.942、0.883、0.850和0.956,同时将FLOPs从8.1 G降至6.9 G;改进ByteTrack通过ID漂移关联、轨迹融合和动态冷却,能够恢复丢失目标、保持ID一致性并避免重复计数。该系统为温室番茄的智能化巡检、精准采收调度和产量监测提供了高效可靠的技术方案。后续研究将针对快速移动目标的计数精度进行优化,进一步提升实时推理效率和动态干扰下的跟踪鲁棒性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号