Deep learning-based estimation of Kent mango yield by commercial export category under real field conditions in northern Peru
Víctor Yoel Huamán Asencio · Heber I. Mejía-Cabrera · Juan Carlos Arcila Diaz
开发深度学习模型在真实田间条件下检测并分类肯特芒果为三个出口等级，实现产量估计。
构建400张田间RGB图像数据集，提出Mango-YOLO（YOLO26m+CB
Mango-YOLO最优，[email protected]达0.940，产量估计MAPE为2.63%，比人工估计准确3
可探索多品种、多生长阶段及不同光照条件下的泛化能力，并融合时序遥感数据提升区域产量预测精度。
深度学习实现芒果出口分级与产量估算，MAPE仅2.63%，方法新颖、数据扎实，对果园智能测产有参考价值。
在秘鲁北部，人工目视计数仍是估算肯特芒果（Mangifera indica L.）产量的标准方法，但这种做法缺乏一致性，影响了采收计划、运输规模测算和商业谈判。现有的芒果检测计算机视觉方法解决了果实与背景的区分问题，但很少将果实归入决定其市场价值的商业类别。本研究开发并验证了一种深度学习方法，能够从兰巴耶克省莫图佩地区真实田间条件下采集的RGB图像中，同时检测肯特芒果并将其分为三个出口类别（空运、海运和拒收）。研究构建了一个专用数据集，来自十个商业果园的200棵果树，每棵树采集两个相对视角，共400张照片；生成了6,544个1,280 × 1,280像素、重叠率20%的图像块，包含66,465个人工标注实例。在相同实验条件下训练了五种架构：YOLOv8m、YOLO11m、YOLO26m、RT-DETR-l和Mango-YOLO，后者是在YOLO26m基础上引入CBAM注意力模块、BiFPN颈部和MPDIoU回归损失而提出的架构。Mango-YOLO在全部五项指标上表现最佳，精确率为0.930，召回率为0.940，F1分数为0.930，[email protected]为0.940，[email protected]:0.95为0.730，每张图像推理时间为114.94 ms。分类别分析显示出异质性表现，海运、空运和拒收类别的F1分数分别为0.960、0.845和0.792。所选模型被集成到一个三层Web应用程序中，可将采样果树的果实计数扩展至整个果园，并通过使用类别平均权重的蒙特卡洛模拟将其转换为千克，返回90%区间。在十个果园中，以加工厂地磅记录的采收产量进行验证，平均绝对百分比误差为2.63%，决定系数为0.9993，比田间主管的人工估算优3.3倍。