近日，茶叶研究所与中茶所、浙农林在Plant Phenomics（中科院一区TOP，IF：6.961）联合发表了题为“A tea buds counting method based on YOLOV5 and Kalman filter tracking algorithm”的研究论文。本研究提出一种基于深度学习的茶芽智能识别与计数方法，提升了芽叶智能检测精度，解决了人工计数茶芽估产效率低的难题。茶叶所董春旺为论文通讯作者，中国农科院茶叶所李杨为论文一作，浙农林马蓉为共同一作。文章链接：https://doi.org/10.34133/plantphenomics.0030

　　茶树嫩芽的智能、精准识别是实现茶园产量无损快速估算的关键，而传统人工计数茶芽与产量估算存在劳动强度大、效率低和时效性差的问题。为了提高茶叶产量估算的效率，本研究团队将机器视觉与深度学习、跟踪算法结合，提出了一种高效的茶芽计数方法，通过使用增强的YOLOv5算法和SENet （Squeeze and Excitation Network）构建检测模型，该模型的测试数据集平均检测精度为91.88%，测试视频计数结果与人工计数结果高度相关（R2 = 0.98），表明该计数方法具有较高的准确性。本研究实现了自然光下的茶芽检测和计数，为茶芽智能感知算法的优化和产量估算提供了新思路。（撰写：祁丹丹   核稿：董春旺）