简介这是一套面向农业智能化场景的完整毕业设计级项目资源适用于计算机、人工智能及智慧农业方向的本科生与初级开发者解决果实成熟度智能识别与远程采摘指导的实际问题。资源包含937个文件主体为913张果实标注图像PNG/JPG、5个核心JavaScript小程序源码含index.js、app.js等、3个Jupyter Notebook训练脚本如xxxtsj_myModel.ipynb、1个Keras训练模型classifier_3.h5及配套样式与配置文件总大小39.86MB结构清晰覆盖数据采集、CNN建模、IoT上传与小程序交互全流程。已有347人学习下载。用户可直接运行Python端图像识别与摄像头实时检测调用OneNET云平台实现数据上云并通过微信小程序查看成熟度分析结果项目已集成L2正则化、Dropout与BN层以抑制过拟合提供从爬虫预处理到模型部署的全链路工程实践范例含详细模块划分与可复现训练流程。1. 项目概述一个融合多技术的智能农业解决方案最近在做一个挺有意思的农业科技项目核心目标是想解决果园里果实采摘的效率和准确性问题。传统采摘要么靠人工经验费时费力还容易出错要么上大型自动化设备成本高对中小果园不友好。我们这个“智能果实采摘指导系统”就是想用相对轻量、低成本的技术组合给果农提供一个“智能助手”。简单来说这个系统能通过摄像头“看”到树上的果子用深度学习模型“认”出它是什么、熟了没有、位置在哪然后通过物联网设备把分析结果和操作建议实时推送到果农的微信小程序上。果农拿着手机就能知道哪片区域的果子该摘了哪个果子成熟度最佳甚至能获得最优的采摘路径建议。这背后是几个关键技术的串联OpenCV负责前端的图像捕捉和基础处理CNN卷积神经网络作为大脑进行果实识别与成熟度分类IoT物联网架构负责设备连接与数据上传而微信小程序则提供了最便捷的交互终端。整套系统的代码工程涵盖了Python的后端算法服务和JavaScript的小程序前端并且包含了用于训练模型的数据集和训练好的模型文件目标就是打造一个从感知、分析到指导的完整闭环。2. 系统核心架构与设计思路拆解2.1 为什么选择OpenCVCNNIOT小程序的组合这个技术栈的选择并非凭空而来而是基于农业场景的实际约束和需求反复权衡的结果。首先图像处理是基础。果园环境光照变化大、背景复杂枝叶交错直接拍出来的原始图像噪声很多。OpenCV在这里扮演了“预处理专家”的角色。我们用它来做图像增强比如用equalizeHist进行直方图均衡化改善对比度、颜色空间转换从RGB到HSV以便更好地根据颜色判断成熟度、以及边缘检测来初步勾勒果实轮廓为后续的深度学习模型提供一个更“干净”的输入。其次识别核心必须足够强大。果实识别尤其是成熟度判断是个典型的图像分类和物体检测问题。CNN卷积神经网络在图像特征提取方面具有天然优势它的卷积层能自动学习从边缘、纹理到复杂形状的层次化特征。我们不需要手动设计“颜色是红是绿”、“形状是圆是扁”的规则CNN能从大量数据中自己学会区分未熟、成熟、过熟的果实甚至能识别不同品种。相比于传统算法CNN的准确率和鲁棒性要高得多。然后数据需要流动起来。传统的单机版识别系统计算结果出不来没有实用性。IoT的引入就是为了解决“连接”问题。我们将树莓派或类似开发板与摄像头集成作为边缘节点。它运行轻量级的OpenCV预处理和模型推理程序然后将识别结果如果实位置、类别、置信度通过MQTT或HTTP协议上传到云端服务器。云端服务器进行数据汇聚、分析和存储并管理用户与小程序的交互。这个架构使得系统可以部署在多个果园实现集中监控。最后交互必须极其便捷。对于广大果农而言让他们安装一个复杂的APP学习成本太高。微信小程序即用即走、无需安装的特性完美契合了这个需求。果农打开微信扫个码就能用界面简单直观能接收告警、查看果园热力图、获取采摘清单。小程序前端用JavaScript开发与云端后端通过API交互形成了从数据采集到用户触达的完整链路。2.2 系统工作流程全景图整个系统的工作流程可以清晰地分为四个阶段形成一个顺畅的数据流水线图像采集与预处理边缘侧部署在果园的IoT设备如带摄像头的树莓派定时或触发式拍摄果树图像。图像首先经由OpenCV进行预处理包括尺寸归一化如统一缩放到640x640、高斯滤波去噪、基于HSV空间的颜色过滤初步筛选疑似果实区域、以及使用Canny等算法进行边缘检测。这一步大幅减少了无关背景信息降低了后续CNN模型的计算负担。果实识别与定位边缘/云端侧预处理后的图像被送入CNN模型。这里我们采用了一个两阶段策略。首先是一个轻量级的分类CNN如MobileNetV2快速判断图像中是否有果实。如果存在则再调用一个更精确的目标检测模型如YOLOv5s或SSD。检测模型会输出每个果实的边界框Bounding Box、类别如“苹果-成熟”、“柑橘-未熟”以及置信度得分。为了判断成熟度我们通常将成熟度作为独立的类别标签进行训练例如“苹果_青”、“苹果_红”、“苹果_过熟”。数据上传与决策分析云端侧IoT设备将识别结果包括图像ID、时间戳、果实列表及其属性打包通过4G/Wi-Fi网络上传至云服务器如使用AWS IoT Core或自建MQTT Broker。云端服务器接收到数据后会进行聚合分析。例如统计某一区域果实的成熟比例绘制成熟度分布热力图根据历史数据预测未来几天的最佳采摘时间甚至结合订单信息生成最优的采摘路径规划以最小化工人在果园内的移动距离。结果可视化与指导下发小程序侧微信小程序作为用户界面定期从云端服务器拉取最新的分析结果。以地图或列表形式向果农展示哪些果树上的成熟果实最多优先采摘区单个果实的特写与成熟度建议以及系统推荐的当日采摘路线。果农完成采摘后可以通过小程序进行确认系统随之更新数据。整个过程从“看见”果子到“指导”采摘形成了高效的闭环。3. 核心模块深度解析与实现要点3.1 基于OpenCV的图像预处理优化实战在果园复杂环境下原始图像质量直接决定模型上限。OpenCV预处理不是简单的流水线而是一系列有针对性的优化组合。关键操作一自适应光照补偿。果园中树荫下和阳光直射区域光照差异巨大。直接使用全局直方图均衡化(cv2.equalizeHist)可能导致过曝或欠曝。我们采用的是限制对比度自适应直方图均衡化CLAHE。它与普通均衡化的最大区别在于它将图像分成小块对每个小块进行均衡化并用双线性插值消除块间边界。同时通过clipLimit参数限制局部对比度增强的幅度防止噪声被过度放大。这对于在阴影中凸显果实细节特别有效。import cv2 import numpy as np def clahe_enhance(image): # 转换到LAB颜色空间仅对亮度通道L进行CLAHE避免颜色失真 lab cv2.cvtColor(image, cv2.COLOR_BGR2LAB) l, a, b cv2.split(lab) clahe cv2.createCLAHE(clipLimit2.0, tileGridSize(8,8)) cl clahe.apply(l) merged cv2.merge([cl, a, b]) enhanced_image cv2.cvtColor(merged, cv2.COLOR_LAB2BGR) return enhanced_image关键操作二基于HSV的果实初筛掩膜。这是大幅减少后续处理区域的关键步骤。大多数果实在成熟期会呈现特定的颜色范围如红色、橙色、黄色。我们利用HSV颜色空间对色调H和饱和度S更敏感的特性定义目标颜色的阈值范围生成一个二进制掩膜Mask。def color_segmentation_hsv(image): hsv cv2.cvtColor(image, cv2.COLOR_BGR2HSV) # 示例针对红色系果实注意OpenCV中H范围是0-180 # 红色在HSV中位于色调环两端需要两个范围 lower_red1 np.array([0, 50, 50]) upper_red1 np.array([10, 255, 255]) lower_red2 np.array([170, 50, 50]) upper_red2 np.array([180, 255, 255]) mask1 cv2.inRange(hsv, lower_red1, upper_red1) mask2 cv2.inRange(hsv, lower_red2, upper_red2) mask_red cv2.bitwise_or(mask1, mask2) # 应用掩膜只保留可能是果实的区域 segmented cv2.bitwise_and(image, image, maskmask_red) return segmented, mask_red注意HSV阈值的设定需要根据具体果实品种和拍摄环境进行大量调试。最好在一天中的不同时段、不同天气下采集样本图像手动调整阈值确保既能覆盖大部分果实又不会引入过多背景噪声。可以编写一个简单的GUI工具来实时调整阈值并观察效果。关键操作三边缘检测与轮廓筛选。在颜色分割后我们得到的是二值掩膜。通过cv2.findContours可以找到所有连通区域的轮廓。但其中包含很多树叶、枝干等噪声。这里需要根据果实的先验知识进行筛选通常成熟果实轮廓接近圆形或椭圆形且面积在一定范围内。def filter_contours(mask, min_area500, max_area5000): contours, _ cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) filtered_contours [] for cnt in contours: area cv2.contourArea(cnt) if min_area area max_area: # 计算轮廓的圆形度 perimeter cv2.arcLength(cnt, True) if perimeter 0: continue circularity 4 * np.pi * area / (perimeter * perimeter) if circularity 0.6: # 圆形度阈值越接近1越圆 filtered_contours.append(cnt) return filtered_contours经过这三步预处理我们得到的是若干疑似果实的、相对干净的图像区域ROI。这些ROI将被裁剪出来作为CNN模型的输入这比将整张杂乱的原图丢给模型要高效和准确得多。3.2 CNN模型选型、训练与部署策略模型部分是系统的“大脑”其选型需要在精度、速度和资源消耗之间取得平衡。模型选型考量对于部署在树莓派等边缘设备上的场景我们无法使用庞大的ResNet或DenseNet。MobileNet系列和ShuffleNet是首选它们通过深度可分离卷积等技巧大幅减少了参数量和计算量。对于目标检测任务YOLOv5n/sUltralytics版或SSD-MobileNet是业界在边缘设备上的主流选择。YOLOv5在速度和精度上平衡得很好且PyTorch生态完善。如果识别目标种类少、且对实时性要求极高甚至可以考虑定制一个层数更少的轻量级CNN分类器。数据集构建与增强农业图像数据的获取和标注是项目难点。我们需要收集包含不同品种、不同成熟度、不同光照、不同遮挡情况的果实图像。标注工具推荐使用LabelImg或CVAT。关键点在于成熟度标签的定义要清晰一致例如“绿熟”、“半熟”、“全熟”、“过熟”。数据增强是提升模型泛化能力的利器除了常规的旋转、翻转、缩放针对农业场景可以加入模拟光照变化随机亮度、对比度调整、模拟遮挡随机添加黑色块模拟枝叶遮挡等。训练技巧与损失函数由于成熟度分类可能存在类别不平衡“成熟”的样本可能远多于“过熟”在损失函数中可以使用Focal Loss来让模型更关注难分类的样本。同时使用学习率预热Learning Rate Warmup和余弦退火Cosine Annealing调度器有助于模型更稳定地收敛到更优点。边缘部署优化将PyTorch训练好的模型转换为ONNX格式然后利用TensorRT或OpenVINO等推理引擎进行优化可以进一步提升在边缘设备上的推理速度。对于树莓派还可以使用TensorFlow Lite或PyTorch Mobile。一个实用的技巧是进行模型量化Quantization将FP32精度转换为INT8精度模型体积会减小至约1/4推理速度也能提升2-3倍虽然会损失微量精度但在很多场景下是可接受的。# 示例使用ONNX Runtime进行推理 import onnxruntime as ort import numpy as np # 加载ONNX模型和预处理后的图像 ort_session ort.InferenceSession(fruit_detector.onnx) input_name ort_session.get_inputs()[0].name # 假设img是预处理后的numpy数组形状为[1, 3, 320, 320] outputs ort_session.run(None, {input_name: img}) # outputs包含检测框、置信度、类别等信息3.3 IoT设备端工程化实践IoT设备端以树莓派为例的Python工程核心是稳定、高效地串联起图像采集、处理和上传流程。硬件选型与配置树莓派4B或CM4是主流选择搭配官方摄像头或USB摄像头。如果夜间也需要工作需考虑红外补光灯。电源必须稳定建议使用官方电源或可靠的UPS。软件上需要安装精简版的Raspbian系统并配置好Python环境、OpenCV建议从源码编译以启用所有优化、以及推理框架如ONNX Runtime。程序设计模式推荐使用生产者-消费者模式或多线程架构。一个线程专门负责从摄像头抓取帧生产者另一个线程进行图像处理和模型推理消费者第三个线程负责将结果打包并通过网络发送。这样可以避免因处理速度慢而导致掉帧或采集卡顿。import threading import queue import time import paho.mqtt.client as mqtt class FruitDetectionNode: def __init__(self, camera_id0): self.frame_queue queue.Queue(maxsize2) # 小队列避免积压 self.result_queue queue.Queue() self.camera cv2.VideoCapture(camera_id) self.mqtt_client mqtt.Client() self.mqtt_client.connect(your.broker.address, 1883, 60) def capture_thread(self): while True: ret, frame self.camera.read() if ret and self.frame_queue.qsize() 2: self.frame_queue.put(frame) time.sleep(0.033) # 约30fps def process_thread(self): while True: if not self.frame_queue.empty(): frame self.frame_queue.get() # 调用预处理和推理函数 results detect_fruits(frame) self.result_queue.put(results) def upload_thread(self): while True: if not self.result_queue.empty(): results self.result_queue.get() # 将结果转换为JSON格式 payload json.dumps(results) self.mqtt_client.publish(orchard/device01/detection, payload) def run(self): threads [] threads.append(threading.Thread(targetself.capture_thread)) threads.append(threading.Thread(targetself.process_thread)) threads.append(threading.Thread(targetself.upload_thread)) for t in threads: t.daemon True t.start() for t in threads: t.join()通信协议与数据格式MQTT因其轻量、低功耗、支持发布/订阅模式是IoT的首选协议。每个设备有一个唯一ID作为主题的一部分例如orchard/{device_id}/detection。上传的数据包应为紧凑的JSON格式包含时间戳、设备ID、识别到的果实列表每个果实包含边界框、类别、置信度。稳定性保障边缘程序必须考虑异常处理与自恢复。网络中断时检测结果应能暂存本地如SQLite数据库待网络恢复后重传。程序本身应有看门狗机制防止因未知错误导致进程挂起。可以编写一个简单的shell脚本监控主进程如果崩溃则自动重启。3.4 微信小程序前端设计与云后端交互微信小程序作为终端设计核心是“信息清晰、操作简单”。页面结构规划通常需要三个主要页面1概览地图页以果园平面图为底图叠加显示不同区域果实的成熟度热力图用不同颜色标注高、中、低优先级区域。2任务列表页以列表形式展示系统生成的采摘任务包括果树编号、预估成熟果实数量、推荐采摘时间。3果实详情页点击地图上的某个点或列表中的任务进入详情页展示该点最近一次识别到的果实图像、分析结果类别、成熟度、置信度和操作建议如“建议今日采摘”。技术实现要点地图组件可以使用腾讯地图或天地图需确认其小程序组件兼容性。热力图数据由后端API提供前端通过wx.request获取。为了流畅展示当数据量较大时应考虑分片加载或使用WebSocket进行增量更新。果实图像的展示建议使用云存储的CDN链接并做好图片懒加载和缓存。与云端API的交互后端提供RESTful API。小程序登录后携带身份令牌token访问API。例如获取任务列表GET /api/v1/tasks?statuspending上报采摘完成POST /api/v1/tasks/{task_id}/complete。关键点在于错误处理网络超时、服务器错误等都需要在前端有友好的提示。// 小程序端示例获取采摘任务列表 Page({ data: { taskList: [] }, onLoad() { this.fetchTasks(); }, fetchTasks() { const that this; wx.request({ url: https://your-api-server.com/api/v1/tasks, header: { Authorization: Bearer ${wx.getStorageSync(token)} }, success(res) { if (res.statusCode 200) { that.setData({ taskList: res.data }); } else { wx.showToast({ title: 获取数据失败, icon: none }); } }, fail(err) { wx.showToast({ title: 网络错误, icon: none }); } }); } })云后端架构简述云端服务器可以用Flask/Django/FastAPI搭建主要职责包括接收IoT设备数据并存入数据库如MySQL或PostgreSQL处理业务逻辑如生成采摘任务、分析统计为小程序提供API接口管理用户认证与授权。数据库设计需包含设备表、检测记录表、果树元数据表、用户表、任务表等。4. 工程源码组织与开发环境搭建4.1 Python后端与算法工程结构一个清晰的工程结构是团队协作和项目维护的基础。建议采用如下模块化组织fruit_picking_system/ ├── README.md ├── requirements.txt ├── config.yaml # 配置文件集中管理路径、参数 ├── edge_device/ # 边缘设备端代码 │ ├── main.py # 主程序入口 │ ├── camera_capture.py # 摄像头操作封装 │ ├── image_processor.py # OpenCV预处理模块 │ ├── model_inference.py # CNN模型加载与推理 │ ├── mqtt_client.py # MQTT通信模块 │ └── utils/ # 工具函数 ├── cloud_server/ # 云端服务端代码 │ ├── app.py # Flask/FastAPI主应用 │ ├── models.py # 数据库ORM模型 │ ├── routes/ │ │ ├── device_api.py # 设备数据接收接口 │ │ ├── task_api.py # 任务管理接口 │ │ └── weapp_api.py # 小程序接口 │ ├── services/ # 业务逻辑层 │ │ ├── analysis_service.py # 数据分析服务 │ │ └── task_gen_service.py # 任务生成服务 │ └── utils/ ├── model_training/ # 模型训练相关 │ ├── data/ │ │ ├── images/ # 原始图像 │ │ └── labels/ # 标注文件 │ ├── scripts/ │ │ ├── data_augmentation.py # 数据增强脚本 │ │ └── train.py # 模型训练脚本 │ └── models/ # 模型定义文件 ├── dataset/ # 最终使用的数据集符号链接或副本 └── docs/ # 文档环境搭建步骤创建虚拟环境python -m venv venv然后激活。安装依赖在requirements.txt中列出所有包如opencv-python, paho-mqtt, torch, flask, sqlalchemy等使用pip install -r requirements.txt安装。配置参数将摄像头ID、MQTT服务器地址、模型路径等写入config.yaml代码中读取该配置避免硬编码。模型准备将训练好的最佳模型文件如best.pt或model.onnx放入指定目录并在配置文件中指定路径。4.2 微信小程序工程结构小程序前端工程同样需要良好的组织weapp-fruit-picking/ ├── app.js ├── app.json ├── app.wxss ├── project.config.json ├── pages/ │ ├── index/ # 概览地图页 │ │ ├── index.js │ │ ├── index.json │ │ ├── index.wxml │ │ └── index.wxss │ ├── task-list/ # 任务列表页 │ │ └── ... │ └── fruit-detail/ # 果实详情页 │ └── ... ├── components/ # 可复用组件如果实卡片 │ └── fruit-card/ │ ├── fruit-card.js │ ├── fruit-card.json │ ├── fruit-card.wxml │ └── fruit-card.wxss ├── utils/ # 工具函数 │ ├── api.js # 封装所有网络请求 │ ├── auth.js # 登录认证相关 │ └── map-utils.js # 地图工具函数 └── images/ # 静态图片资源开发与调试使用微信开发者工具创建新项目选择以上目录。在app.js的全局配置中设置云服务器API的基础URL。开发时可以在“详情”-“本地设置”中开启“不校验合法域名”方便本地调试。但上线前必须在微信公众平台配置服务器域名。对于地图组件需申请对应的地图密钥Key并在app.json中配置。5. 常见问题排查与性能优化实录在实际开发和部署中会遇到各种各样的问题。这里记录一些典型问题的排查思路和解决方法。5.1 图像识别准确率不达标这是最常见也最核心的问题。现象是模型在测试集上表现尚可但部署到真实果园后误检和漏检增多。排查步骤检查输入数据一致性对比训练时数据预处理流水线和部署时预处理流水线是否完全一致。包括图像尺寸、归一化方式除以255还是其他、颜色通道顺序RGB vs BGR。一个像素级的差异都可能导致模型性能大幅下降。务必写一个可视化脚本将部署时预处理后的图像保存下来与训练时的一个样本进行比对。分析错误样本在边缘设备上将模型识别错误的图像包括误检和漏检保存下来并记录当时的推理结果。集中分析这些“困难样本”。是光照问题遮挡问题还是训练数据中根本没有类似样本领域适配Domain Adaptation如果发现错误样本有规律如某种特定阴影下的果实总是漏检说明训练数据分布和实际场景分布有差异。最有效的方法是收集这些错误场景下的新数据重新标注加入到训练集中进行微调Fine-tuning。即使只增加几十张有针对性的新图片效果也可能立竿见影。调整模型置信度阈值目标检测模型会输出一个置信度分数。默认阈值如0.5可能不适合你的场景。如果误检多就提高阈值如0.7如果漏检多就适当降低阈值如0.3。可以通过在验证集上绘制P-R曲线精确率-召回率曲线来找到最佳平衡点。5.2 IoT设备端程序运行不稳定表现为程序运行一段时间后卡死、崩溃或内存持续增长直至耗尽。排查与解决内存泄漏检查在Python中最常见的内存泄漏原因是循环引用或全局列表/字典不断增长。使用objgraph或tracemalloc工具定期检查内存中对象增长情况。确保在图像处理循环中大的临时变量如处理中的图像数组在使用后被及时释放或重用。资源清理确保摄像头资源正确释放。在capture_thread的循环中虽然一直在读帧但也要在程序退出时调用camera.release()。对于MQTT客户端确保连接断开。看门狗与日志为程序添加完善的日志系统记录关键步骤和错误信息。编写一个简单的shell脚本作为看门狗#!/bin/bash while true do python3 /path/to/your/main.py echo 程序退出重启中... sleep 10 done电源与散热树莓派在高负载下运行CNN模型会发热。过热可能导致CPU降频进而使程序变慢甚至不稳定。务必加装散热片或风扇并确保供电充足至少5V/3A。5.3 微信小程序地图加载慢或卡顿当果园区域很大、需要渲染的果实标记点很多时小程序地图页面可能会变得不流畅。优化策略数据聚合Clustering不要在地图上直接渲染成千上万个单独的点。当缩放级别较小时将相邻的点聚合为一个簇Cluster显示点击簇再展开。可以使用地图API自带的聚合功能或后端先对数据进行网格化聚合只返回聚合后的数据给前端。分页与按需加载不要一次性加载全果园所有数据。根据地图的当前可视区域Bounds后端只返回该区域内的果实数据。当用户拖动或缩放地图时再请求新的区域数据。简化数据格式传递给前端的数据只包含必要的字段ID、经纬度、成熟度等级。果实图片等详细信息在用户点击标记后再去请求。使用key属性优化列表渲染在WXML中循环渲染标记点或任务列表时为每个项目指定一个唯一的key这能帮助小程序更高效地更新DOM。5.4 从训练到部署的完整链路验证清单为了确保整个系统能跑通建议按照以下清单进行端到端验证阶段检查项预期结果/工具数据与模型1. 数据集标注格式是否正确如YOLO格式、COCO格式用标注工具或脚本可视化检查2. 训练代码是否能正常读取数据并开始训练观察第一个epoch的loss是否正常下降3. 训练出的模型在预留的测试集上mAP/准确率是否达标使用评估脚本如val.py4. 模型转换如PyTorch - ONNX是否成功且精度无损用ONNX Runtime推理对比与原模型结果差异边缘设备5. 摄像头能否正常打开并读取帧用OpenCV的VideoCapture测试6. OpenCV预处理后的图像是否符合预期保存中间图像文件进行肉眼检查7. 优化后的模型在设备上推理速度是否满足实时性要求如5 FPS使用时间戳计算平均FPS8. MQTT客户端能否成功连接到Broker并发布消息使用MQTT测试工具如MQTTX订阅主题查看云端服务9. 服务端能否正确接收并解析设备上传的JSON数据查看服务器日志检查数据库是否写入10. 业务逻辑如任务生成是否正确执行模拟设备数据验证数据库和API响应11. 为小程序提供的API接口是否按设计返回数据使用Postman或curl测试API微信小程序12. 小程序能否正常登录并获取token真机调试查看网络请求和响应13. 地图组件能否正常显示并正确叠加数据真机查看确保标记点位置准确14. 用户交互点击、上报能否触发正确的API调用操作后查看服务器日志和数据库更新这个项目从技术集成到实际落地挑战贯穿了算法、嵌入式、后端和前端。最大的体会是在农业这类非标准场景下数据的质量和针对性比模型本身的结构更重要。花时间去实地采集各种 corner case如逆光、沾水、部分腐烂的果实的数据比一味调整模型超参数有效得多。另外系统的稳定性必须从一开始就考虑边缘设备的程序要有足够的鲁棒性能应对网络波动、环境干扰。最后与最终用户果农的沟通至关重要小程序的界面是否直观、提供的信息是否是他们真正需要的这决定了系统是否真的能被用起来而不是沦为技术演示。本文还有配套的精品资源点击获取