番茄目标全天候检测与遮挡场景分析方法研究

研究人员提出了番茄采摘机器人全天候检测和遮挡场景分析的关键视觉技术。大多数检测算法在光照和天气变化时面临挑战。为了提高全天候番茄检测的精度和鲁棒性，本研究引入了一种结合深度学习和图像处理的轻量级高精度方法。在夜间，计算了不同光照下成熟番茄和背景之间的HSV（色调、饱和度、明度）颜色距离，构建了全天候图像数据集。改进的模型EMSYOLOv8基于YOLOv8_n（You Only Look Once version 8 nano）引入了EfficientViT（高效视觉Transformer）网络、MCA（多维协作注意力）注意力机制和SIoU（完全交并比）损失函数，训练以在各种条件下准确检测和定位番茄。在检测到的成熟番茄边界框内，采用图像处理技术如动态OTSU（大津法）、带过滤的Hough（霍夫）检测和连通分量分析（CCA），来分析遮挡场景并区分遮挡类型（叶片遮挡、枝条遮挡和耦合遮挡）。这种用于采摘机器人的AI（人工智能）视觉技术为优化采摘策略提供了宝贵指导。实验结果表明，改进的YOLOv8模型在全天候番茄数据集上达到了91.9% mAP（平均精度均值），与YOLOv11、YOLOv10、YOLOv8和YOLOv5模型相比，分别提高了1.2、1.8、2.5和2.8个百分点。对于遮挡场景分析，耦合遮挡下的遮挡类型判定总体准确率至少达到82%。温室环境中的可行性测试表明，在自然光下，所提方法使机器人实现了无遮挡时80%的单果采摘成功率，耦合遮挡干扰下为72%；在夜间补光下，无遮挡时为73%，耦合遮挡干扰下为63%，为全天候番茄采摘机器人的发展提供了稳健的视觉技术支持。

番茄作为高营养和高经济价值的蔬菜，在全球农业贸易中占据重要地位。然而，农业劳动力面临结构性短缺和老龄化，导致手动采摘成本高昂。番茄采摘机器人的开发旨在解决农业机械化和智能化需求，但其视觉检测性能是制约效率的关键因素。现有检测算法主要针对白天稳定光照条件，在低光照、夜间或复杂光照下性能下降，且遮挡场景（如枝叶覆盖或果实重叠）的分析不足，影响了采摘策略的制定。为克服这些挑战，研究人员开展了全天候番茄目标检测与遮挡场景分析方法研究，旨在提升采摘机器人在不同光照和遮挡条件下的识别与操作能力。论文发表于《Artificial Intelligence in Agriculture》。

研究人员首先构建了全天候番茄图像数据集，涵盖自然光、弱光和夜间补光等多种场景。通过HSV颜色距离计算，优化了夜间补光光源颜色，确定最佳RGB值为R=160、G=144、B=0，以增强番茄与背景的对比度。数据集包含3600张图像，来源于新疆的温室环境，涉及不同品种和生长条件。接着，提出了改进的YOLOv8模型——EMSYOLOv8，集成EfficientViT网络实现轻量化和高效卷积，引入MCA注意力机制增强多维特征交互，采用SIoU损失函数优化训练过程。遮挡场景分析算法基于改进OTSU分割、Hough直线检测和连通分量分析，通过计算轮廓平行度区分叶片和枝条遮挡。关键方法包括：夜间补光参数优化、EMSYOLOv8模型训练与部署、以及图像处理技术用于遮挡类型判定。

研究结果主要包括以下方面：消融实验验证了各改进模块的有效性，EMSYOLOv8模型在精度、召回率、mAP@0.5和mAP@0.5:0.95上分别达到87.7%、85.4%、91.9%和71.3%，模型大小为5.3M，FPS为150.4。比较分析显示，与Faster-RCNN、RT-DETR、YOLOv5_n、YOLOv8_n、YOLOv10_n和YOLOv11_n等模型相比，EMSYOLOv8在mAP和实时性能上均表现优越，例如mAP比YOLOv8_n提高2.5个百分点。遮挡场景分析测试在自然光、弱光和夜间补光下进行，结果显示对非遮挡、叶片遮挡、枝条遮挡和耦合遮挡的判定准确率分别高达94%、90%、92%和82%以上，表明算法具有鲁棒性。可行性测试在温室机器人平台上执行，自然光下单果采摘成功率在非遮挡、叶片遮挡和耦合遮挡下分别为80%、75%和72%，夜间补光下分别为73%、67%和63%，验证了方法的实际应用潜力。

讨论部分总结了现有研究的局限，如模型在复杂光照和密集遮挡下的性能有待提升，并提出了未来优化方向，包括增强模型对小目标和重叠的适应性、细化遮挡类型分类、以及引入强化学习驱动的自适应算法。结论部分指出，本研究提出了基于深度学习和图像处理的番茄全天候目标检测与遮挡场景分析方法，通过数据收集和模型优化，在多种光照环境下实现了高精度检测和遮挡类型识别，为采摘机器人在复杂动态环境中的智能操作提供了技术支撑，有助于推动农业智能化发展。