一、选题背景与意义
1.1 研究背景
番茄是全球种植面积最广、经济价值最高的蔬菜作物之一，在我国设施农业中占据重要地位。随着智慧农业和精准农业的快速发展，利用人工智能技术对作物生长过程进行实时监测与动态预测，已成为提升农业生产效率、优化资源配置的重要手段。传统的番茄生长管理主要依赖种植者的经验判断，存在主观性强、响应滞后、难以量化等问题，难以满足现代化温室规模化、精细化管理的需求。
近年来，计算机视觉、物联网传感和机器学习技术的融合为作物生长监测提供了新的技术路径。一方面，基于YOLO（You Only Look
Once）系列的目标检测算法在番茄果实检测、成熟度识别、数量统计等方面取得了显著进展，能够实时、非破坏性地获取番茄果实的视觉表型信息 1,
4 ；另一方面，随机森林（Random Forest, RF）和决策树（Decision Tree,
DT）等集成学习方法因其良好的可解释性和较强的非线性建模能力，被广泛应用于作物产量预测、环境因子分析等农业任务中 3, 9
。然而，现有研究大多将视觉感知与生长预测割裂开来：视觉检测仅用于果实计数或成熟度分级，未能将检测得到的果实数量、大小、成熟度等动态信息有效融入生长预测模型；而基于环境数据的预测模型又缺乏对作物实时表型状态的感知，预测精度和时效性受到限制。
因此，本研究拟将YOLO目标检测技术与随机森林、决策树算法相结合，构建一个融合视觉感知与环境数据的番茄生长动态预测系统，实现从果实检测、表型特征提取到生长趋势预测的端到端解决方案。
1.2 研究意义
本研究的理论意义在于：探索视觉感知数据与传统机器学习预测模型的融合机制，研究如何将YOLO检测输出的果实数量、成熟度分布、目标置信度等视觉特征作为随机森林/决策树模型的输入变量，构建多源信息驱动的番茄生长预测框架，丰富智慧农业中多模态数据融合的理论方法。
本研究的实际意义在于：开发一套可部署于温室场景的番茄生长动态预测系统，能够自动检测番茄果实状态、分析环境因子影响、预测未来生长趋势，为种植者提供科学的灌溉、施肥、采收决策依据，降低人工成本，提高产量和品质，推动设施农业的智能化转型。
二、国内外研究现状
2.1 基于YOLO的番茄视觉感知研究
YOLO系列算法因其单阶段检测架构和优异的实时性能，在农业视觉任务中得到广泛应用。在番茄检测领域，研究者针对温室复杂环境下的遮挡、光照变化、小目标等问题，对YOLO模型进行了多种改进。例如，MHSA-YOLOv8通过引入多头自注意力机制增强骨干网络的特征提取能力，在番茄成熟度分级和计数任务中mAP50分别达到0.864和0.916
1
；改进YOLOv10s的Tomato-YOLO模型通过尺度感知上下文模块和四检测头架构，实现了成熟度细粒度分级与外观缺陷的一体化识别，mAP达到95.0%
4
；基于YOLOv8的TCAttn-YOLOv8通过新增小目标检测层和Transformer特征融合结构，在番茄检测计数任务中mAP@0.5达到96.31%，与人工计数的决定系数R²达0.9282
17 。此外，轻量化改进也是重要方向，如YOLOv11-MHS在保持精度的同时将参数量减少约35% 8 ，YOLO26-RipeLoc
Lite面向机器人采摘场景实现了成熟度检测与采摘点定位 11
。这些研究表明，YOLO算法已具备在温室环境中高精度、实时检测番茄果实的能力，为生长预测提供了可靠的视觉数据源。
2.2 基于随机森林与决策树的作物生长预测研究
随机森林和决策树算法在农业预测任务中展现出良好的适用性。在番茄生长预测方面，有研究基于随机森林建立了日光温室番茄果实横径增量的回归模型，结合SHAP值和部分依赖图分析了各环境因素对生长速率的影响权重，实现了膨大期果实生长的有效预测
3
；另有研究利用随机森林模型，基于整株光合作用和蒸腾作用实测数据预测商业温室樱桃番茄产量，最优模型的归一化均方根误差（NRMSE）低至9.8%
9 ；还有研究利用无人机多光谱图像提取植被指数和形态特征，结合随机森林等机器学习算法预测番茄植株生物量和产量 26
。决策树及其集成方法（如梯度提升树）也在水分胁迫诊断 18 、品种分类 28
等任务中得到应用。这些研究表明，随机森林和决策树能够有效建模环境因子与作物生长之间的复杂非线性关系，且具有良好的可解释性。
2.3 多模态融合的番茄生长预测研究
近年来，融合图像数据与环境数据的多模态预测方法受到关注。有研究提出基于表型特征提取（PFE）的两阶段深度学习模型，综合环境信息和植株自身信息预测番茄生长高度，PFE-LSTM模型在短期预测中MAPE低至0.40%
2, 5
；另有研究构建知识与数据双驱动的SATCN-Informer模型，融合环境时序数据与作物生长机理知识，实现番茄干物质和叶面积指数的精准预测
7
。然而，这些方法多采用深度学习架构，模型复杂度较高，可解释性相对不足。将轻量化的YOLO视觉感知与可解释的随机森林/决策树预测模型相结合，兼顾精度与实用性，仍是一个值得探索的方向。
2.4 现有研究的不足
（1）视觉感知与生长预测脱节：多数研究仅将YOLO用于果实检测或成熟度分级，未将检测结果作为生长预测模型的动态输入变量。
（2）预测特征单一：现有预测模型多依赖环境传感器数据，缺乏对作物实时表型状态（如果实数量、大小、成熟度分布）的感知。
（3）系统集成度低：检测模块与预测模块往往独立运行，缺乏统一的系统框架实现数据流转和闭环管理。
（4）可解释性与实时性兼顾不足：深度学习预测模型精度高但解释性差，传统机器学习模型可解释性强但对视觉数据的利用不足。
三、研究内容与目标
3.1 研究内容
本研究主要包含以下内容：
（1）番茄生长数据集的构建与标注：在温室环境中采集番茄植株的RGB图像序列和同步环境传感器数据（温度、湿度、光照强度、CO₂浓度、土壤温湿度等）。使用标注工具对图像中的番茄果实进行标注，包括边界框位置和成熟度类别（绿熟、半熟、全熟）。同时记录植株生长指标（株高、茎粗、叶片数、果实横径等）作为预测目标变量。
（2）基于YOLO的番茄果实检测与表型特征提取模块：选用YOLOv8或YOLOv10作为检测基线模型，针对温室场景进行迁移学习和微调。从检测结果中提取多维度表型特征，包括：果实总数、各成熟度等级果实数量及比例、检测框平均面积（表征果实大小）、检测置信度分布、果实空间分布密度等。研究数据增强策略和模型轻量化方法，提升检测精度和推理速度。
（3）基于随机森林与决策树的生长预测模型：以环境数据（时序统计特征）和YOLO提取的视觉表型特征作为输入变量，以株高、果实横径、产量等生长指标作为预测目标，构建随机森林回归模型和决策树回归模型。利用网格搜索或贝叶斯优化进行超参数调优。采用SHAP值分析各特征的重要性，揭示环境因子和视觉表型对生长影响的贡献度，增强模型可解释性。
（4）番茄生长动态预测系统的集成与开发：设计系统架构，实现图像采集、YOLO检测、特征提取、环境数据读取、生长预测、结果可视化等模块的集成。开发Web或桌面交互界面，支持实时视频检测、历史数据查询、生长曲线展示、预测结果导出等功能。
（5）系统性能评估与分析：在自建数据集上评估YOLO检测精度（mAP、Precision、Recall）和预测模型精度（RMSE、MAE、R²）。进行消融实验，验证引入视觉表型特征对预测精度的提升效果。分析系统在不同生长阶段和不同环境条件下的表现。
3.2 研究目标
（1）实现高精度的番茄果实检测与成熟度识别，在测试集上的mAP@0.5达到90%以上。
（2）构建有效的番茄生长预测模型，株高预测R²达到0.85以上，果实横径预测R²达到0.80以上。
（3）验证视觉表型特征对生长预测的贡献，引入YOLO特征后预测精度（R²）提升5%以上。
（4）开发一套功能完整的番茄生长动态预测原型系统，具备实时检测、数据管理、生长预测和可视化功能。
四、研究方法与技术路线
4.1 研究方法
（1）文献研究法：系统查阅YOLO目标检测、随机森林/决策树建模、番茄生长预测等相关文献，掌握研究现状和技术方法。
（2）实验研究法：通过对比实验验证不同YOLO模型版本、不同特征组合、不同预测模型的性能差异，优化系统整体效果。
（3）系统开发法：采用模块化设计，使用Python语言、PyTorch深度学习框架和scikit-learn机器学习库实现各模块，开发完整系统。
4.2 技术路线
第一阶段：数据准备。
搭建温室数据采集环境，部署摄像头和环境传感器。采集番茄全生育期的图像和环境数据，使用LabelImg或CVAT工具标注果实边界框和成熟度类别，构建数据集。按7:2:1划分训练集、验证集和测试集。
第二阶段：YOLO检测模块开发。
选用YOLOv8n或YOLOv10n作为基线模型，在COCO预训练权重基础上进行迁移学习。采用Mosaic数据增强、随机旋转、色彩抖动等策略提升模型泛化能力。针对小目标和遮挡问题，可尝试增加小目标检测层或引入注意力机制。训练完成后提取检测结果的表型特征。
第三阶段：特征工程与预测模型构建。
对环境数据进行预处理，提取统计特征（均值、方差、累积量等）。将环境特征与YOLO视觉特征融合，构建多源特征向量。使用随机森林回归器和决策树回归器分别训练预测模型，通过交叉验证选择最优超参数。利用SHAP库进行特征重要性分析。
第四阶段：系统集成。
使用Flask或Streamlit搭建Web界面，集成YOLO推理引擎和预测模型服务。实现图像/视频上传检测、实时摄像头接入、环境数据导入、预测结果展示、生长曲线绘制等功能。
第五阶段：实验评估。 在测试集上评估检测精度和预测精度，进行消融实验验证各模块贡献，分析系统局限性并提出改进方向。
五、预期成果与创新点
5.1 预期成果
（1）构建一个包含番茄图像、环境数据和生长标注的多模态数据集。 （2）实现一个基于改进YOLO的番茄果实检测与表型特征提取模块。
（3）构建基于随机森林和决策树的番茄生长预测模型，并给出特征重要性分析。
（4）开发一套番茄生长动态预测原型系统，具备检测、预测和可视化功能。 （5）完成毕业论文一篇。
5.2 创新点
（1）视觉-环境多源特征融合：将YOLO检测输出的果实数量、成熟度分布、大小等动态表型特征与环境传感器数据融合，作为随机森林/决策树模型的输入，弥补了传统预测模型缺乏实时作物状态感知的不足。
（2）检测与预测的端到端衔接：设计了从图像输入到生长预测输出的完整数据流转管道，实现了视觉感知与机器学习预测的无缝集成。
（3）可解释性分析：利用SHAP值对随机森林模型进行解释，量化各环境因子和视觉表型特征对番茄生长的影响程度，为种植管理提供可操作的决策依据。
（4）轻量化部署导向：选用轻量级YOLO模型和高效的随机森林算法，兼顾预测精度与计算效率，便于在边缘设备或嵌入式平台上部署。
