| 使用环境 |
在蓝莓果园环境中，蓝莓果实以不同成熟度阶段生长。使用iPhone 15 Pro（配备长焦f/2.8和广角f/1.5镜头）在晴朗天气下，于上午9:00、下午12:30和下午3:00三个时间段进行图像采集，相机距离蓝莓果实约50cm，平行于果实拍摄，周围自然光照条件变化。 |
| 使用对象 |
蓝莓果实，分为三个成熟度阶段：完全成熟、半成熟、未成熟。 |
| 使用目的 |
通过检测蓝莓果实的成熟度，实现智能农业中的自动化采摘管理，提高采摘效率和果实质量控制，减少人工成本并提升蓝莓产业的智能化水平。 |
| 输入数据 |
蓝莓果实的RGB图像帧，分辨率为4032×3024像素，经过预处理（调整大小、归一化）后输入模型。 |
| 输出数据 |
蓝莓果实的成熟度分类结果（完全成熟、半成熟、未成熟），以及对应的边界框坐标。 |
| 硬件配置 |
CPU：英特尔至强银4214R 2.40 GHzGPU：NVIDIA GeForce RTX 3090ti，24GB显存内存：8GB摄像头：iPhone 15 Pro（长焦f/2.8，广角f/1.5）传感器：无特定传感器接口：USB 3.0（用于数据传输）硬盘：1TB SSD显卡：NVIDIA GeForce RTX 3090ti网卡：千兆以太网卡 |
| 样本获取 |
在吉林省白山市万良镇蓝莓收获点及公开数据平台收集图像，共获得500幅高分辨率图像（4032×3024像素），并从公开平台收集1483张图像，经过预处理后，按7:2:1比例分为训练集、验证集和测试集，通过数据增强技术（水平翻转、旋转、裁剪、平移、马赛克模糊）扩展至3705幅图像。 |
| 测试结果 |
在测试集上，CES-YOLO模型实现了91.22%的mAP50、69.18%的mAP95、89.21%的精度和85.23%的召回率。 |
| 执行速度 |
在NVIDIA Jetson Orin Nano平台上，推理速度达到20.3 FPS。 |
| 资源消耗 |
在NVIDIA GeForce RTX 3090ti上运行时，对4核CPU的计算占比平均约60%，对8GB内存的使用占比约50%。 |
| 源码类型 |
本算法提供Python版本源码，基于PyTorch框架开发。 |
| 文件大小 |
算法程序文件约16K，权重文件约34M。 |
| 相关备注 |
|
