草莓植物工厂 · AI 巡检智能体
果实计数 · 成熟度分级 · 花朵统计 · 叶片病虫害 · 产量估算
01
采集方式
拖入照片 / 点击上传
支持 JPG · PNG · HEIC
建议机位 30–50cm，正对果穗
建议机位 30–50cm，正对果穗
果穗特写
病叶样本
棚区全景
02
标定与参数
40 cm
画面横向实际覆盖的宽度，决定果径与产量换算比例
10 mm
低于该直径的色块不计为果实，可过滤籽粒与碎斑
1.0
暗光或逆光时可上调，代价是褐色杂物误检率上升
青果检测 实验性
青果与叶片色域重叠，误检率较高
03
识别结果
未载入图像还没有图像
上传一张果穗或叶片照片，或直接点上方示例图体验完整识别流程
成熟
转色
青果
过熟
花朵
病斑
分辨率 —
耗时 —
标定 —
目标 —
04
统计与预警
健康分 —果实总数
0颗
待识别
可采收
0颗
成熟期果实
花朵
0朵
花果比 —
病害指数
—
未见叶片
成熟度分布
青果0 颗
转色0 颗
成熟0 颗
过熟0 颗
产量估算
0g
商品率 —
单果均重 —
均径 —
可采重 —
叶片健康
0 健康10 轻度22 中度40+ 重度
叶面覆盖 —
坏死斑 —
白粉斑点 —
果实清单
识别后显示逐果明细
05
智能体决策建议
待分析识别完成后，智能体会结合果实负载、成熟节奏与病害风险给出可执行动作
06
巡检趋势
成熟果数
病害指数
07
巡检记录
存于本机浏览器，不上传云端| 时间 | 图源 | 果实 | 成熟/转色/过熟 | 花朵 | 病害指数 | 健康分 |
|---|---|---|---|---|---|---|
暂无巡检记录 | ||||||
手动识别
上传 / 示例 / 单张抓拍，逐帧分析。清晰原图下传统 CV 精度最好，适合采后复核、留证与逐果明细。
自动识别
接网络摄像头连续巡检，固定机位对单株效果最佳。数字为跨帧确认后的稳定计数，不是累计产量；镜头移动会自动重置跟踪。
光照与对焦
漫射补光、避免逆光与彩色灯。HUD 里的清晰度低于阈值会告警——画面偏软时果会被切碎重复计数，先对焦再谈精度。
精度边界
青果、白熟果与叶片色域重叠，需人工复核；病斑与土壤同色，靠"叶片邻域"排除。遮挡多、要跨棚泛化请用 YOLO。
换模型的完整链路
① python tools/fetch_dataset.py 拉取开源数据集，或 tools/label.html 标注自有照片
② python tools/build_dataset.py 统一成五类体系
③ python tools/train.py 训练并自动导出 ONNX 到 models/
当前模型状态
由开源数据集 StrawberryRedGreenFlower（338 张真实温室图、2260 个框）训练，覆盖成熟果 / 未熟果 / 花朵三类。
转色与病斑该数据集无标注，需自行补数据；训练仅 11 轮（CPU 约 32 分钟），提高轮次可继续提升精度。
两种引擎怎么选
光照稳定、品种单一、要离线可解释 → 传统 CV 就够；
青果要计数、遮挡多、要跨棚泛化 → 上 YOLO。
传统 CV 为可解释色域分割 + 分水岭算法；YOLO 为 ONNX Runtime 浏览器内推理。两种采集方式共用同一套引擎。
摄像头视频帧只在内存中处理，不上传、不落盘；产量为基于视野标定的几何估算值，实际采收请以称重为准。
摄像头视频帧只在内存中处理，不上传、不落盘；产量为基于视野标定的几何估算值，实际采收请以称重为准。