Deep learning for real-time strawberry detection, ripeness classification, and picking point localization: a review of architectures, field studies, and open challenges

方法

综述2023-2026年60篇文献，并在StrawDI_Db1上用YOLOv8对

发现

35%研究在划分前做增强，使mAP@0.5:0.95虚高11.76-19.28个百分点。

机会点

可建立先划分后增强的标准化评测协议与可复现代码/权重共享平台，纠正领域性能虚高。

摘要 准确检测草莓果实、可靠估计成熟度以及精确定位采摘点，对于智慧农业中的自动化采收和产量预测至关重要。然而，真实环境带来了显著挑战，包括遮挡、光照变化以及成熟阶段之间的高度视觉相似性。基于深度学习（DL）的目标检测方法已成为应对这些问题的主流方法。本文对2023年至2026年间发表的60项同行评审研究进行了系统综述，重点关注使用YOLO系列（v5–v11）深度学习算法检测草莓及其成熟度。这些研究从数据集特征、预处理与增强策略、模型架构以及评估协议等方面进行了分析。结果表明，YOLOv8（28项研究，46.7%）和YOLOv11（13项研究，21.7%）明显占据主导地位，而混合CNN–ViT模型正受到关注（8项研究，13.3%）。然而，本文也识别出关键的方法学问题：在60项研究中，有21项（35.0%）在数据集划分之前应用了数据增强，13项（21.7%）遵循了推荐的“先划分后增强”协议，8项（13.3%）应用了在线增强。其余18项研究（30.0%）未报告使用任何增强。代码或训练权重的共享（2项研究，3.3%）以及数据集的共享（8项研究，13.3%）十分匮乏，严重限制了可复现性。为量化这一方法学缺陷的实际影响，我们在StrawDI_Db1数据集上使用YOLOv8进行了受控实验，比较了四种增强策略。结果表明，与干净的“先划分后增强”流程相比，完全泄漏协议在mAP@0.5:0.95上高估了测试性能11.76至19.28个百分点（p.p.）（在mAP@0.50上高估8.02至11.50 p.p.）。潜在的验证-测试差异最高达18.63 p.p.（mAP@0.5:0.95）和13.81 p.p.（mAP@0.50）。这些发现提供了直接的定量证据，表明所综述研究中35.0%的报告性能指标可能被大幅夸大。本综述对当前方法进行了结构化概述，对现有研究实践进行了批判性评估，并为开发稳健、可部署的精准农业深度学习解决方案提供了可操作指导。