农业机械学报

作者：许翔虎，袁敏鑫，程泽元，薛文瑜，王峥，杨福增

单位：西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,

关键词：苹果采摘机器人;自校正照明网络;夜间识别;夜间补偿光源;目标检测

基金：国家重点研发计划项目（2023YFD1000800）、陕西省“两链”融合重点专项（2023-LLRH-01）和陕西省重点研发计划项目（2023-ZDLNY-59）

机器人夜间采摘是大幅提高苹果采摘机器人作业效率的有效途径。为解决夜间环境下苹果采摘机器人无法准确识别苹果，不能区分不同目标等关键问题，本文提出了一种基于自校正照明网络的苹果采摘机器人夜间目标识别方法。基于TracePro软件分析了图像采集区域的光照均匀性，确定了补偿光源最佳安装角度；对比分析白炽灯、LED灯、高压钠灯、卤素灯4种补偿光源下图像RGB、HSV分量的变化规律，确定白炽灯为适合苹果目标夜间识别检测的最优补偿光源；选用YOLO v8s作为主干网络，并将自校正照明网络SCINet嵌入到YOLO v8网络中，解决了图像局部过曝光和局部欠曝光问题；将注意力机制CBAM嵌入到骨干网络中，更好地提取苹果目标特征；用超轻量动态上采样器DySample模块替换原有的UpSample模块，增强对树冠深处小目标苹果的检测能力；在构建的夜间苹果数据集上进行训练与测试。试验结果表明，改进的YOLO v8模型可实现对夜间环境下图像中可采摘和不可采摘苹果的识别与分类，识别模型召回率为82.9%，准确率为81.4%，mAP为86.8%。将本文模型与YOLO v5s、YOLO v7、YOLO v8n、YOLO v8s、YOLO v8m、YOLO v11s等主流模型进行对比，本文改进的YOLO v8s模型mAP分别提高3.9、13.1、12.9、6.2、2.7、5.7个百分点，召回率分别提高0.9、6.1、7.2、2.6、2.3、1.8个百分点。研究结果可为苹果采摘机器人在夜间环境下采摘作业提供技术支撑。

来源：2025年第8期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第8期