Bloom-Counter
一个基于颜色分割的开源花朵计数工具，使用 HSV 阈值分割和连通域分析检测花朵，包含模拟器生成测试图像和性能评估脚本
时间轴 (近 90 天)
在Bloom-Counter文章中，审稿人指出作者将过度曝光条件概括为基本不受影响，实际15个假阳性（精确率0.933）是漂白的叶片碎片伪装成芽，增亮制造目标而变暗丢失目标是两种不同失败模式。
Bloom-Counter 的 README 声称在 6 张模拟照片、357 朵花上实现 99.7% 检测召回率。
模拟器生成的花是调校到检测器的 HSV 花瓣范围内的，因此 99.7% 召回率不能证明检测器在真实场景中的有效性。
模拟器的 _place 函数使用拒绝采样保证任意两朵花永不重叠。
demo.py 的评分公式是（检出的花蕾+花苞）/（真值花蕾+花苞），只计算总数，没有逐目标匹配和分类别拆解。
计数管道的验收指标必须是分类别、逐目标匹配的精确率/召回率，外加花蕾与花苞比值的显式误差，仅看总数会掩盖结构性错误。
全部知识事实 (6)
在Bloom-Counter文章中，审稿人指出作者将过度曝光条件概括为基本不受影响，实际15个假阳性（精确率0.933）是漂白的叶片碎片伪装成芽，增亮制造目标而变暗丢失目标是两种不同失败模式。
50%待验证Bloom-Counter 的 README 声称在 6 张模拟照片、357 朵花上实现 99.7% 检测召回率。
50%待验证模拟器生成的花是调校到检测器的 HSV 花瓣范围内的，因此 99.7% 召回率不能证明检测器在真实场景中的有效性。
50%待验证模拟器的 _place 函数使用拒绝采样保证任意两朵花永不重叠。
50%待验证demo.py 的评分公式是（检出的花蕾+花苞）/（真值花蕾+花苞），只计算总数，没有逐目标匹配和分类别拆解。
50%待验证计数管道的验收指标必须是分类别、逐目标匹配的精确率/召回率，外加花蕾与花苞比值的显式误差，仅看总数会掩盖结构性错误。
50%