向AI转型的程序员都关注公众号 机器学习AI算法工程
百香果产量的精确估计对于果园的有效管理至关重要，但它带来了诸如遮挡、光线变化和相机抖动等挑战，这可能导致漏检、错误检测和重复计数小果等问题。在本研究中，提出了一种鲁棒的计算机视觉算法YOLOv8n + OC-SORT + CRCM （Central Region Counting Method）来完成百香果的检测、跟踪和产量估计三个任务。首先，比较了各种YOLO系列检测算法对百香果的检测结果，选择了YOLOv8n作为检测器。然后，选择OC-SORT算法作为跟踪器，因为它可以有效地解决遮挡、垂直抖动和速度不均匀等问题。最后，设计了用于百香果计数的CRCM计数算法，以解决估计百香果产量的挑战。为了验证这些方法的有效性，建立了一个真实世界的百香果视频数据集，其中包括24个视频，每个视频的长度为1分钟。在测试集上的检测结果中，YOLOv8n探测器在YOLOv5n、YOLOv7和YOLOv8n三种探测器中取得了最好的效果，mAP@0.5 （mean Average Precision）达到86.3%，模型大小仅为6.2 MB。OC-SORT跟踪器的HOTA（高阶跟踪精度）为67.10%，比BoT-SORT、Byte Track和Strong SORT三种主流跟踪器分别高出2.98%、4.71%和8.82%。在果实产量估计中，CRCM的平均计数准确率为87.0%，分别比ID数法和单线法（SLM）方法高49.8%和10.5%。综上所述，YOLOv8n + OC-SORT + CRCM算法有效解决了错误识别、小果漏检、重复计数等问题，实现了对百香果产量的稳定、实时、准确估计。
图1 百香果栽培。
图
2
数据集的一部分。
图
3
数据集的处理流程。
图
4
基于
YOLOv8n + OC-SORT + CRCM
的百香果产量估计算法流程图
。
图
5
C3
模块和
C2f
模块。
图
6
YOLOv8
架构。
图
7
OC-SORT
。
图
8
计算
SLM
和
CRCM
的面积。
图
9
不同检测器在实际场景中的检测结果。
图
1
0
视频
41
中
OC-SORT
、
BoT-SORT
、
ByteTrack
和
Strong SORT
跟踪结果的比较
。
图
1
1
测试视频
10,21
的
OC-SORT
跟踪结果。
图
1
2
真实值与预测果数方法（
ID number
，
SLM
，
CRCM
）的比较结果。
图
1
3 ID
、
SLM
和
CRCM
的数量可视化结果。
来 源
Tu, S., Huang, Y., Huang, Q., Liu, H., Cai, Y., & Lei, H. Estimation of passion fruit yield based on YOLOv8n + OC-SORT + CRCM algorithm. Computers and Electronics in Agriculture. 2025, 229, 109727
机器学习算法AI大数据技术
搜索公众号添加： datanlp
长按图片，识别二维码
阅读过本文的人还看了以下文章：
整理开源的中文大语言模型，以规模较小、可私有化部署、训练成本较低的模型为主
基于40万表格数据集TableBank，用MaskRCNN做表格检测
《深度学习入门：基于Python的理论与实现》高清中文PDF+源码
2019最新《PyTorch自然语言处理》英、中文版PDF+源码
《21个项目玩转深度学习：基于TensorFlow的实践详解》完整版PDF+附书代码
PyTorch深度学习快速实战入门《pytorch-handbook》
【下载】豆瓣评分8.1,《机器学习实战:基于Scikit-Learn和TensorFlow》
李沐大神开源《动手学深度学习》，加州伯克利深度学习（2019春）教材
【Keras】完整实现‘交通标志’分类、‘票据’分类两个项目，让你掌握深度学习图像分类
如何利用全新的决策树集成级联结构gcForest做特征工程并打分？
Machine Learning Yearning 中文翻译稿
斯坦福CS230官方指南：CNN、RNN及使用技巧速查（打印收藏）
中科院Kaggle全球文本匹配竞赛华人第1名团队-深度学习与特征工程
不断更新资源
深度学习、机器学习、数据分析、python
搜索公众号添加： datayx