引言
火龙果作为热带、亚热带地区的特色经济作物，因其营养价值高、市场前景广阔而广泛种植。然而，火龙果采摘作业面临严峻挑战，首先，火龙果植株多为柱状或攀爬式种植，果实悬挂高度通常在较高位置，人工采摘劳动强度大；其次，火龙果果皮极薄，果肉多汁，传统机械采摘极易造成物理损伤导致果实腐烂；最后，火龙果生长环境复杂，叶片容易遮挡果实，且受自然光照影响大，导致视觉识别困难。
近年来，深度学习目标检测技术在农业机器人领域得到广泛应用。YOLO(You Only Look Once)系列算法因其检测速度快、精度高，成为果实识别的首选方案。YOLOv8在农业应用中展现出优异性能，在苹果检测任务中达到85%的准确率，在复杂果园环境下对红色水果检测取得95.7%的mAP@0.5。然而，直接将YOLOv8应用于火龙果采摘仍存在小目标检测能力不足、遮挡场景漏检率高等问题。
针对上述问题，本文提出以下改进策略：(1)在主干网络中引入可变形卷积，增强对不规则形状果实的特征提取；(2)设计高效多尺度注意力模块，强化遮挡果物的上下文建模；(3)优化检测头结构，提升边界框回归精度。同时，设计轻量化采摘机械臂与柔性末端执行器，构建完整的机器人系统并开展田间验证。视觉系统基于改进的YOLOv8算法识别成熟火龙果，并结合深度信息计算采摘点三维坐标。主控计算机将坐标信息发送给运动控制器，驱动电液比例升降平台调整高度，配合六自由度机械臂将末端执行器移动至目标位置。夹爪固定果实后，切割装置切断果柄，随后机械臂将果实轻柔放置于集果箱中，完成一轮采摘循环。
本文详细内容请下载：
http://www.chinaaet.com/resource/share/2000007266
投稿邮箱：ICAPP@belling.com.cn
作者信息：
刘爱华1，支铁山2
(1.广西物流职业技术学院,广西贵港537100;
2.广西自然资源职业技术学院,广西南宁532199)
