Hệ thống bắt đầu bằng việc phát hiện trái cây và thân cây bằng mạng nơ-ron tích chập (CNN). Sau đó, các đối tượng được theo dõi qua các khung hình bằng bộ lọc Kalman kết hợp dữ liệu từ CNN và quang học dòng chảy. Phương pháp SfM ngữ nghĩa được sử dụng để xây dựng bản đồ 3D từ các chuỗi theo dõi trái cây, giúp xác định các trường hợp đếm trùng. Hệ thống cũng xử lý các vấn đề như đếm trùng do nhìn từ hai phía của hàng cây, mất dấu trái cây rồi phát hiện lại, và nhiễu trong theo dõi 2D. Kết quả thử nghiệm trên vườn xoài cho thấy hệ thống đạt hiệu suất gần tương đương với hệ thống sử dụng cảm biến cao cấp, đồng thời giảm đáng kể chi phí và trọng lượng, phù hợp với nông nghiệp ở các nước đang phát triển.