草莓成熟度目标检测数据集：3类别、2,000张图像 | 目标检测

草莓成熟度目标检测数据集：3类别、2,000张图像 | 目标检测

源码数据分享

通过网盘分享的文件：草莓成熟度检测数据集

链接: https://pan.baidu.com/s/1WAfTb-SM0Jov7QQ1gFPXAw?pwd=tmwd

提取码: tmwd

一、从经验判断到视觉智能：草莓成熟度检测的范式变革

草莓是全球最受欢迎的水果之一，也是智慧农业技术落地的典型场景。不同于水稻、小麦等大宗粮食作物，草莓的经济价值高度依赖于采摘时机的精准把控------提前一天采摘，果实甜度不足、口感酸涩；延后一天采摘，果实过熟软化、货架期骤降。在商业化草莓种植中，每一天的采摘时机偏差都可能导致数万元的经济损失。

传统的成熟度判断完全依赖人工经验------种植者通过观察果实颜色、触摸硬度、嗅闻香气等感官指标进行判断。这种方式在小规模种植中尚可运作，但在动辄数十亩的大棚种植基地中，人工巡检的效率瓶颈极为突出：

• 一名熟练工人每天最多检查2-3亩草莓，每株需逐一翻看
• 不同工人的判断标准存在差异，同一果实可能被不同人给出不同判定
• 夜间和清晨（最佳采摘时段）的人工巡检效率更低
• 重复弯腰翻叶的体力劳动强度大，工人疲劳后判断力下降

基于深度学习的草莓成熟度视觉检测技术，正在从根本上改变这一局面。通过在温室大棚中安装视觉系统或部署采摘机器人，AI可以7×24小时不间断地监测每颗草莓的成熟状态，在最佳时机发出采摘指令或自动完成采摘。

而这一切的起点，就是一个高质量、多环境覆盖、成熟度标签精确的检测数据集。本草莓成熟度目标检测数据集（2000张已标注图像），正是为这一需求而构建。

二、数据集全景解析：三类成熟度的农业语义深度解读

2.1 类别定义与农业语义

数据集包含3类草莓成熟度目标：

类别ID	类别名称	含义
0	unripe	未成熟草莓
1	ripe	成熟草莓
2	overripe	过熟草莓

未成熟（unripe）：草莓整体呈绿色或浅白色，果实尚未开始转色。此时果实内部的糖分积累尚不充分，酸度较高，口感远未达到商品标准。从农业管理角度看，检测到大量unripe果实意味着该区域距离采收期尚早，可以优先安排其他成熟区域的采摘工作。

在视觉特征上，unripe草莓的颜色与叶片、花萼的绿色非常接近，这是检测的主要难点------模型需要在大量绿色背景中区分出绿色的果实目标。

成熟（ripe）：果实整体呈鲜红色，表面光泽度高，种子清晰可见。这是最佳采摘阶段，果实的糖度、酸度和香气达到最佳平衡。在商业化种植中，ripe阶段的草莓是采收的唯一目标------过早影响品质，过晚影响货架期。

在视觉特征上，ripe草莓的红色与绿色叶片形成鲜明对比，是最容易检测的类别。但在大棚环境中，光照不均和阴影干扰可能导致红色呈现暗红色或偏紫色，增加检测难度。

过熟（overripe）：草莓颜色加深至暗红色甚至紫红色，表面可能出现软化、凹陷或轻微霉斑。过熟草莓的货架期极短，通常需要立即处理------要么降价销售，要么加工为果酱、果汁等产品。

在视觉特征上，overripe草莓与ripe草莓的区分是最大的检测难点------两者的颜色差异可能非常微妙，尤其是在不同光照条件下。此外，部分过熟草莓可能被叶片遮挡，仅露出少量区域，进一步增加了识别难度。

2.2 数据集基本信息

参数	数值
图像总量	约2000张
标注格式	YOLO标准格式
检测类别	3类成熟度
数据划分	训练集/验证集/测试集
采集环境	大棚+田间+多光照条件

三、数据构建方法论：农业视觉数据的采集挑战与标注策略

3.1 数据采集的农业特殊性

农业视觉数据采集面临独特挑战：

光照变化剧烈：大棚内的光照在一天之内变化极大------清晨微光、正午强光、阴天散射光、补光灯人工光源。不同光照下，同一颗草莓的视觉外观差异显著。

背景高度复杂：草莓生长在叶片丛中，果实被大量绿色叶片、花萼和藤蔓包围。这些遮挡物不仅影响检测，还使得标注工作需要仔细辨认目标边界。

目标密度高：一株草莓可能同时挂有10-20颗果实，不同成熟度的果实密集分布在狭小空间内，标注时需要逐一区分。

时间敏感性：草莓的成熟状态在几天内就会发生显著变化，数据采集需要覆盖不同生长阶段，确保每个成熟度类别都有充足样本。

3.2 数据采集方案

本数据集覆盖了以下采集维度：

环境多样性：

• 温室大棚种植环境（塑料薄膜棚、玻璃温室）
• 田间自然种植环境（露天草莓田）
• 不同种植方式（地面种植、高架种植、吊蔓种植）

光照变化：

• 自然光环境（晴天/阴天/不同时间段）
• 人工补光环境（LED补光灯照射）
• 混合光照环境

拍摄角度：

• 俯视拍摄（大棚顶部安装的固定相机）
• 斜视拍摄（机器人/手持设备拍摄）
• 近距离特写（单颗果实的高分辨率图像）

3.3 标注策略

采用YOLO标准标注格式：

class x_center y_center width height

标注过程中的关键决策：

• 遮挡处理：被叶片部分遮挡的草莓仍需标注，标注框覆盖可见部分。遮挡超过80%的果实不标注
• 密集目标：多颗紧密相邻的草莓需逐一标注，每颗一个独立框
• 成熟度判定标准 ：
  • unripe：绿色面积>70%
  • ripe：红色面积>70%，且无明显软化
  • overripe：暗红色/紫红色，或有明显软化/霉斑

3.4 数据集目录结构

dataset/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
└── labels/
    ├── train/
    ├── val/
    └── test/

四、模型训练与优化实战

4.1 数据配置文件

nc: 3
names: ['unripe', 'ripe', 'overripe']

4.2 基准训练

from ultralytics import YOLO

model = YOLO("yolov8n.pt")

model.train(
    data="dataset.yaml",
    epochs=150,
    imgsz=640,
    batch=16,
    patience=30,
    fliplr=0.5,
    mosaic=1.0,
    hsv_h=0.015,
    hsv_s=0.7,
    hsv_v=0.4
)

4.3 针对农业场景的优化策略

颜色特征增强：成熟度分类的核心特征是颜色。建议在HSV色彩空间中进行增强，特别是色调（Hue）通道的增强，可以帮助模型更好地学习不同成熟度的颜色分布。

遮挡鲁棒性提升：

• 在训练集中保留大量遮挡样本，让模型学习从局部特征推断整体
• 使用Copy-Paste增强，将草莓目标粘贴到不同的遮挡背景中

ripe与overripe的精细区分：

• 增加两个类别之间的边界样本（如刚进入过熟阶段的草莓）
• 使用对比学习损失函数，增强类间区分能力
• 在后处理中结合置信度阈值------当ripe和overripe的置信度接近时，输出为"边界样本"供人工复核

小目标检测增强：远距离拍摄的草莓图像中，单颗果实可能仅占10×10像素。增大输入分辨率（640→1280）或使用SAHI切片推理可以显著提升小目标检测性能。

4.4 数据增强组合

model.train(
    data="dataset.yaml",
    epochs=150,
    imgsz=640,
    batch=16,
    fliplr=0.5,
    mosaic=1.0,
    mixup=0.1,
    copy_paste=0.3,     # 复制粘贴增强，对遮挡场景有效
    degrees=10,          # 旋转±10度
    translate=0.1,       # 平移10%
    scale=0.5,           # 缩放0.5-1.5
    hsv_h=0.02,          # 色调增强（对颜色特征重要）
    hsv_s=0.7,           # 饱和度增强
    hsv_v=0.4            # 明度增强
)

五、工程部署与智慧农业系统集成

5.1 采摘机器人集成

在自动化草莓采摘系统中，视觉检测模块与机械臂控制系统协同工作：

视觉相机 → YOLO检测 → 3D定位 → 采摘路径规划 → 机械臂执行
              ↓
        成熟度筛选（仅采摘ripe）

成熟度筛选：采摘机器人只采摘ripe类别的草莓，忽略unripe和overripe目标。这要求检测模型对ripe类别的精确率足够高------误摘unripe意味着产量损失，误摘overripe意味着品质降级。

3D定位：将2D检测框转换为3D空间坐标，需要相机的内参标定与工作平面的外参标定。精度要求通常为±3mm，以确保机械臂的夹爪准确对准果实。

采摘路径规划：基于3D坐标与遮挡信息，规划机械臂的无碰撞运动路径，避免碰落相邻果实。

5.2 产量预测与采收管理

基于检测结果，系统可以实现更高级的农业管理功能：

产量预测：统计每株草莓的ripe+unripe果实数量，结合成熟时间模型，预测未来一周的采收量

成熟进度追踪：对同一区域进行定期拍摄，追踪果实从unripe→ripe→overripe的变化过程

采收排期优化：基于成熟度分布统计，优化每日的采收路线与人力分配

5.3 品质分级系统

在分选线上，将检测模型部署为自动分级系统：

• A级：ripe且无明显缺陷 → 鲜食市场
• B级：ripe但有轻微外观瑕疵 → 加工市场
• C级：overripe → 果酱/果汁原料
• 淘汰：unripe或严重缺陷 → 废弃处理

六、扩展研究方向

6.1 缺陷检测扩展

在成熟度检测基础上，增加草莓缺陷类别：霉斑、虫蛀、畸形、机械损伤等。这需要更大规模的标注数据与更精细的检测模型。

6.2 多品种适配

当前数据集以红颜、章姬等常见品种为主。不同品种的草莓在颜色、形状和成熟特征上存在差异，需要通过迁移学习或域适应技术实现跨品种泛化。

6.3 多模态融合

融合高光谱成像与可见光图像，利用高光谱数据提供的化学成分信息（如糖度、酸度），实现更精确的内在品质评估，而不仅仅是外观成熟度判断。

七、总结

本草莓成熟度目标检测数据集（2000张已标注图像），是一套面向智慧农业精准采摘场景构建的目标检测数据资源。三类成熟度------未成熟、成熟、过熟------的划分紧密对接农业生产中的实际采摘决策需求，数据覆盖多种种植环境与光照条件，标注质量经过严格管控。

对于从事智慧农业、采摘机器人与农业视觉检测的开发者而言，该数据集不仅是一份可直接使用的训练资源，更是一套从数据构建到系统部署的完整技术参考。随着农业智能化的持续推进，基于视觉AI的成熟度检测将成为精准农业的核心能力，而高质量数据集将持续推动这一领域的技术创新与产业落地。