农业机械学报

作者：朱立成，王文贝，赵博，韩振浩，高建波，陈凯康，冯旭光

单位：中国农业机械化科学研究院集团有限公司;农业装备技术全国重点实验室,中国农业机械化科学研究院集团有限公司;农业装备技术全国重点实验室,中国农业机械化科学研究院集团有限公司;农业装备技术全国重点实验室,农业装备技术全国重点实验室;中国农业机械化科学研究院集团有限公司山东分公司,中国农业机械化科学研究院集团有限公司;农业装备技术全国重点实验室,中国农业机械化科学研究院集团有限公司;农业装备技术全国重点实验室,中国农业机械化科学研究院集团有限公司;农业装备技术全国重点实验室,

关键词：苹果;复杂光照;重叠遮挡;枝叶遮挡;卷积神经网络;目标检测

基金：山东省农机研发制造推广应用一体化试点项目（NJYTHSD-202323）和中国机械工业集团有限公司科研专项（ZDZX2023-2）

矮砧密植化苹果园是未来机器人采摘的典型应用场景，面临复杂光照、果实重叠和枝叶遮挡等挑战，精准检测果实是苹果采摘机器人的关键核心技术之一。为进一步提高矮砧密植化种植的果园中苹果的检测准确性和鲁棒性，提出一种基于SDE-YOLO的矮砧密植果园苹果检测模型。构建包含不同光照环境、遮挡状态的果实数据集，并对果实遮挡类型进行了统计学分类。然后，通过在骨干网络中设计复合特征提取结构，将后两层C2f模块替换为Swin Transformer，增强模型建立长程依赖的能力，有效提升密集场景下的检测性能；同时主干融入EMA注意力机制，通过不降维的通道重构方式实现像素级自适应注意力分配，有效抑制枝叶等背景干扰，降低计算复杂度；在特征融合网络中引入DCN v2模块，通过动态可变形卷积提升对不同形态和姿态苹果的检测能力。最后利用Grad-CAM方法产生目标检测热力图，形成有效特征可视化语言，提高模型关注区域的理解能力。结果表明，SDE-YOLO精确率、召回率和平均精度均值分别达到88.9%、86.6%和94.2%，相比基线模型分别提高2.0、1.7、3.3个百分点，模型参数量减少9.38%。通过与其他主流目标检测模型的对比，SDE-YOLO在处理光照变化、果实重叠遮挡和枝叶遮挡等复杂场景时表现出更好的性能。采用本文方法可在矮砧密植化果园对苹果果实进行较准确的果实检测，为苹果采摘机器人提供有效的目标定位信息。

来源：2025年第9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9期