近日，茶葉研究所與中茶所、浙農林在Plant Phenomics（中科院一區TOP，IF：6.961）聯合發表了題為“A tea buds counting method based on YOLOV5 and Kalman filter tracking algorithm”的研究論文。本研究提出一種基于深度學習的茶芽智能識別與計數方法，提升了芽葉智能檢測精度，解決了人工計數茶芽估產效率低的難題。茶葉所董春旺為論文通訊作者，中國農科院茶葉所李楊為論文一作，浙農林馬蓉為共同一作。文章鏈接：https://doi.org/10.34133/plantphenomics.0030
茶樹嫩芽的智能、精準識別是實現茶園產量無損快速估算的關鍵，而傳統人工計數茶芽與產量估算存在勞動強度大、效率低和時效性差的問題。為了提高茶葉產量估算的效率，本研究團隊將機器視覺與深度學習、跟蹤算法結合，提出了一種高效的茶芽計數方法，通過使用增強的YOLOv5算法和SENet （Squeeze and Excitation Network）構建檢測模型，該模型的測試數據集平均檢測精度為91.88%，測試視頻計數結果與人工計數結果高度相關（R2 = 0.98），表明該計數方法具有較高的準確性。本研究實現了自然光下的茶芽檢測和計數，為茶芽智能感知算法的優化和產量估算提供了新思路。（撰寫：祁丹丹 核稿：董春旺）
日期：2023-03-31
茶樹嫩芽的智能、精準識別是實現茶園產量無損快速估算的關鍵，而傳統人工計數茶芽與產量估算存在勞動強度大、效率低和時效性差的問題。為了提高茶葉產量估算的效率，本研究團隊將機器視覺與深度學習、跟蹤算法結合，提出了一種高效的茶芽計數方法，通過使用增強的YOLOv5算法和SENet （Squeeze and Excitation Network）構建檢測模型，該模型的測試數據集平均檢測精度為91.88%，測試視頻計數結果與人工計數結果高度相關（R2 = 0.98），表明該計數方法具有較高的準確性。本研究實現了自然光下的茶芽檢測和計數，為茶芽智能感知算法的優化和產量估算提供了新思路。（撰寫：祁丹丹 核稿：董春旺）
日期：2023-03-31
