随着气候变化的影响日益显现，咖啡产量的波动对全球超过7000万小农户构成了严重挑战。随着全球气候变化带来的挑战，咖啡这一全球第二大交易商品的生产稳定性受到威胁。目前大多数咖啡产量预测方法存在成本高和技术要求严格等问题，这对资源有限的全球超过7000万的小规模农户尤其不利。鉴于此，该研究团队开发了一种低成本、易于操作的咖啡樱桃计数技术，以帮助农户改进作物管理和增加产量。

2024年4月，Plant Phenomics 在线发表了Leibniz Centre for Agricultural Landscape Research (ZALF)题为 Geographic-Scale Coffee Cherry Counting with Smartphones and Deep Learning 的研究论文。

该研究提出了一个创新的利用智能手机进行咖啡樱桃数量统计的方法，通过深度学习模型YOLO v8进行图像处理和樱桃检测。研究首先在秘鲁和哥伦比亚的咖啡种植区域，通过智能手机收集了大量的咖啡树图片，然后使用YOLO v8模型对图片中的咖啡樱桃进行识别和计数。此外，研究还考察了模型在不同生长阶段以及不同咖啡品种上的适应性和准确性。

图 1. 目标地区位置。（A）目标国家：哥伦比亚（浅蓝色）和秘鲁（浅绿色）。（B）哥伦比亚的Génova、Cajibío、El Tambo、Morales、Piendamó和Popayán（红色）。（C）秘鲁的Chinchaque、Chirinos、Cañariz、Lalaquiz、Pongoa和San José Lourdes（红色）。在秘鲁开发了该模型，并在秘鲁和哥伦比亚进行了测试。

图 3. 咖啡樱桃数量的相关性分析。该图显示了总生产分枝数（N_Branches）、上层分枝（1）、中层分枝（2）、下层分枝（3）上的樱桃数量与每棵树的总咖啡樱桃数量（T_Cherries）之间的相关性。此分析包括了来自秘鲁和哥伦比亚的数据。

图6.使用 YOLO v8 进行绿色樱桃检测。该图展示了使用 YOLO v8 在一根枝条上检测绿色樱桃的例子。检测结果用红色框标出，准确地标识了咖啡樱桃。

图 7. 预测与实测的每棵树咖啡樱桃数量比较。该图为散点图，比较了按国家和品种分类的每棵树预测和实际的咖啡樱桃数量。坐标轴采用 log10(X+1) 转换。

结果显示，该方法有较高的计数的准确性，且具有很好的普遍适用性和转移能力，可以广泛应用于不同的地理和生物气候条件区域中。该研究还发现，通过本地咖啡樱桃种植农民参与数据收集，可以极大地降低技术门槛和成本，为低收入国家的咖啡生产监测提供了一种可行的解决方案。该技术的推广应用，不仅可以帮助农户更准确地管理作物，还可以作为气候变化影响研究的一个重要工具。

此研究得到了众多小农户的支持和参与，展示了科技与地方农业实践的完美结合。该研究提出的使用智能手机进行咖啡樱桃计数的方法展现了科技在解决全球南部农业挑战中的巨大潜力。这一低成本、高效率的方法为全球范围内的小农户提供了一个强有力的工具，可以更好地应对市场价格波动和气候变化带来的影响，从而提高其生产力和生活水平。通过扩展至更多的地区和不同的农作物种类，这种方法有望成为未来农业研究和实践中的重要工具。

一些具有代表性的图片数据和相关Python代码已经在Github开源，地址为：https://github. com/j-river1/Croppie.

论文链接：

https://doi.org/10.34133/plantphenomics.0165

——推荐阅读——

From Laboratory to Field: Unsupervised Domain Adaptation for Plant Disease Recognition in the Wild

‍https://doi.org/10.34133/plantphenomics.0038

Plant Phenomics | 从实验室到田间：野外植物病害识别的无监督域适应

A mechanistic model for estimating rice photosynthetic capacity and stomatal conductance from sun-induced chlorophyll fluorescence

https://doi.org/10.34133/plantphenomic‍s.0047

Plant Phenomics | 基于日光诱导叶绿素荧光估算水稻光合能力和气孔导度的半机理模型

加入作者交流群