在商業蘋果種植中，人工芽疏除(Artificial Spur Extinction, ASE)是優化果實大小和品質的關鍵措施，但依賴季節性高強度勞動。美國賓夕法尼亞州立大學的研究團隊開發了一套基于機器視覺的自動化系統，通過三維直角坐標機械臂搭載Kinect Azure深度傳感器，結合YOLOv8目標檢測模型，實現了復雜果園環境下的蘋果芽實時檢測（mAP 59%）和枝條直徑測量。該系統為精準農業中的自動化負載管理提供了技術支撐。

研究采用多模態數據融合策略，整合FLIR與Kinect Azure傳感器數據訓練模型，并通過主成分分析(PCA)優化枝條直徑測量算法。在30株‘Gala’蘋果樹的田間試驗中，系統成功避免了芽體重復計數，且直徑測量結果與人工卡尺無統計學差異（p=0.98）。

分支直徑測量：通過RGB-D成像和PCA分析，兩種半自動測量方法與人工測量一致性達98%，驗證了其田間適用性。
YOLO模型評估：在混合數據集訓練的模型展現出最佳平衡性（F1-score 61%），尤其適應果園復雜光照條件。
芽體計數算法：采用運動補償跟蹤技術，有效解決相鄰幀芽體重疊問題，計數準確率較傳統方法提升40%。

該研究首次將深度學習的實例分割技術與傳統園藝實踐結合，為ASE自動化提供了可落地的技術方案。通過精準計算芽體密度（buds/cm² BCA），系統可指導機器人完成靶向疏除，預計降低人工成本60%以上。未來通過集成機械臂控制系統，有望實現從檢測到執行的全閉環管理，推動智慧果園發展。論文發表于《Computers and Electronics in Agriculture》，為農業機器人領域提供了重要范式。