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。
