YOLO-Based Deep Learning for Citrus Fruit Detection, Counting, and Yield Estimation in Complex Orchard Environments: A Systematic Review

想象一片橙树林，枝头挂满了沉甸甸的果实，掩映在繁茂的叶丛之下。对于人类工人来说，要数清这些果实中每一颗橙子的数量是一项缓慢、疲惫且极易出错的任务；一个人可能会重复计数，而另一个人则可能漏掉躲在阴影深处的果实。对于农场主而言，计数错误意味着误判产量，这会影响到从雇佣劳动力到规划运输卡车数量的所有环节。为了解决这个问题，科学家们转向了摄像头和计算机，教机器像人类一样去“看见”水果。这类工作中应用最广泛的工具是一种被称为 YOLO 的软件，其全称为“You Only Look Once”（你只需看一眼）。它是一种快速、高效的系统，旨在扫描图像并瞬间识别物体，非常适合需要在果园中移动时做出瞬时决策的机器人或无人机。然而，随着这些工具变得越来越普遍，该领域已经变得拥挤不堪，出现了数百项不同的研究，每一项都声称找到了更好的柑橘计数方法。问题在于：这些系统是真的准备好投入现实世界使用了，还是仅仅擅长在受控的实验室里表演？

一组研究人员决定通过对近两百项使用这些快速检测系统的柑橘水果识别研究进行全面审查来回答这个问题。他们并没有仅仅阅读标题，而是深入挖掘了九十项具体研究的细节，应用了一套严格的规则来观察数据背后真实的发生情况。他们的目标不仅是了解计算机的表现如何，还要了解研究人员是如何测试它们的，以及这些结果是否值得信赖。他们发现，这项技术确实已经趋于成熟。当这些系统在水果图像上进行测试时，它们的表现非常出色，能够准确识别出绝大多数看到的橙子、柠檬和柑橘。平均而言，这些系统能找到实际存在的约 90% 的水果，并且在声称发现目标时，其准确率也达到了 90%。这种性能水平表明，核心技术已经足够成熟，具备实用价值。

然而，研究人员发现，故事远比高成功率所呈现的情况要复杂得多。虽然计算机擅长在照片中发现水果，但科学家测试它们的方式往往存在缺陷。在审查的几乎每一项研究中，研究人员都只进行了一次测试，而没有重复实验来观察结果是否具有一致性，或者是否仅仅是一个幸运的巧合。此外，大多数研究都依赖于非常小的图像集，这些图像通常是在完美的照明条件下从单一果园拍摄的。这就像是在夏季仅在平整、空旷的赛道上测试一辆汽车，然后就假设它在雪山路上也能同样表现出色一样。研究人员发现，当水果被叶子遮挡，或者当绿色的果实与绿叶混在一起时，计算机的表现会显著下降。他们还注意到，极少有研究真正将他们的系统在真实的机器人或无人机上进行实地测试；大多数测试都是在功能强大的计算机上进行的，而这是在实验室环境中，与尘土飞扬、变幻莫测的果园环境截然不同。

该综述还强调，该领域已经形成了一套通用的工具。大多数研究人员都在使用相同的几种检测软件版本，并进行类似的改进，例如添加特殊的模块来帮助计算机聚焦图像的重要部分，或者使软件更轻量化以便在小型设备上运行。然而，尽管有了这些共同的方法，却没有任何一个单一的标准数据集供大家用来比较结果。这就像是世界上每一位厨师都在试图证明自己做的汤最美味，但没有两个厨师使用相同的食材或配方，从而导致无法判断谁才是真正的佼佼者。研究人员发现，只有极少数研究使用了先进的相机，即能够看到除可见光以外更多光谱的相机（例如探测热量或人类肉眼不可见的特定颜色的传感器），这些传感器可以更容易地将水果与叶片区分开来。

最终，研究得出结论：虽然计算机在受控环境下检测柑橘类水果的能力已达到了很高的准确度，但该领域尚未准备好在现实世界的农业中进行广泛且可靠的应用。技术本身并不是主要问题，问题在于如何进行验证。研究人员认为，未来的工作必须专注于在多样化、困难的环境下以及在实际使用的硬件设备上测试这些系统，而不是仅仅在实验室里。他们呼吁建立一个共享的测试标准，以便公平地比较不同的系统，并进行更严谨的统计检查，以确保结果是可重复的。在采取这些步骤之前，实现完全自动化的水果计数和产量估算的承诺仍将遥不可及，仍在等待更坚实的证据基础来支撑其前景。