基于知识蒸馏的YOLOv9t模型与混合末端执行器在大马士革玫瑰自动化采收中的应用研究

本研究针对大马士革玫瑰人工采收效率低、劳动力短缺及损伤率高的问题，开发了一种基于YOLOv9t轻量化目标检测模型和新型混合末端执行器的智能采收机器人。通过离线知识蒸馏技术优化模型性能，在实验室环境中实现了97.4%的花朵检测率和80.2%的采收率，单花采收时间仅39.65秒，为高价值花卉作物的自动化采收提供了创新解决方案。

　　

大马士革玫瑰作为生产玫瑰水和精油的最具经济价值的玫瑰品种，其采收却长期面临严峻挑战。这种一年仅开放15-21天的花卉，需要在每日凌晨4至7点间完成所有盛开花朵的采收，以获得最高品质的精油。传统人工采收不仅效率低下，工人还极易被茎秆尖刺划伤，加之采收季节劳动力短缺、人工成本高昂等问题，严重制约了相关产业发展。尽管农业机器人技术近年来取得显著进展，但由于果实成熟不同步、识别精度不足以及采收过程易造成损伤等原因，包括番茄、草莓在内的多种园艺产品仍主要依赖人工采收。

针对这一难题，研究人员开发了一套创新型大马士革玫瑰自动化采收系统，相关成果发表在《Journal of Agriculture and Food Research》上。该研究的核心突破在于将轻量化目标检测模型与仿生机械设计相结合：通过知识蒸馏技术训练出的YOLOv9t模型实现了高速高精度花朵识别，而受人工采收动作启发的混合式末端执行器则完美模拟了手指握持与剪刀切割的协同动作。

研究采用多技术融合策略：首先通过野外实地采集的300张图像结合数据增强技术（旋转、翻转、HSV色彩空间调整及马赛克拼接）将数据集扩展至2100张，采用10折交叉验证进行模型训练；其次设计了三自由度独立线性导轨系统控制末端执行器的空间定位；最后通过TCS3200颜色传感器与旋转刀片的协同实现花朵的精准抓取与切割。所有实验均在实验室环境下以原型机0.33比例模型开展，通过对500朵玫瑰的采收测试获取性能数据。

2.1. 可采收花朵标准

研究人员将大马士革玫瑰的发育分为六个阶段，根据精油产量与质量确定仅采收花瓣完全展开（d阶段）和完全开放（e阶段）的花朵，这两个阶段的花朵精油含量最高。

2.2. 盛开花朵检测模型

采用参数量仅2M的YOLOv9t作为学生模型，通过离线知识蒸馏方式继承25.5M参数的YOLOv9c教师模型的知识。在512×512像素的图像分辨率下，模型达到96.2%的检测准确率，显著解决了轻量化模型精度与速度难以兼得的矛盾。

2.3. 末端执行器创新设计

突破传统剪刀式、吸附式和指夹式末端执行器的局限，研发出集八根弯曲手指、颜色传感器和旋转圆锯刀片于一体的混合装置。其铝制手指厚度仅0.2cm，可通过伺服电机（MG996R型）实现0-15cm的开口调节，配合5800rpm的直流电机驱动直径3.2cm的不锈钢圆锯，实现精准切割。

2.4. 机器人结构设计与工作流程

采用n形主体结构设计，覆盖1.7m宽×3m高的作业空间，通过三个独立的线性导轨系统（纵向、横向、垂直）实现末端执行器的精确定位。机器人集成Basler acA4112-30uc相机、Arduino Uno控制板和HP Victus笔记本电脑组成视觉处理系统，通过GT2型齿轮传动实现cm级定位精度。

2.5. 原型机开发与坐标定位

原型机按0.33比例建造，采用槽型铝型材构建框架。通过建立三维坐标系，运用直线路径规划算法（公式3-5）控制末端执行器运动，当颜色传感器检测到花朵时，手指以大于花朵宽度25%的开口度闭合，实现无接触抓取。

2.6. 性能评估指标体系

建立包括检测率、抓取率、切割率、采收率、损伤率、误检率和单花采收时间在内的7大指标。在模拟田间条件的温室测试中，对500朵玫瑰进行采收评估，平均坐标位置为X=12.7cm, Y=38.2cm, Z=14.6cm。

3. 结果与讨论

实验数据显示，该机器人检测率达到97.4%，误检率仅10.5%，抓取率93.2%，切割率88.4%，最终采收率达到80.2%，损伤率控制在8%以内。特别值得注意的是，单花采收时间39.65秒中，仅6%用于图像检测处理，而65%时间用于末端执行器定位移动，表明运动效率仍有较大优化空间。

与既往研究对比，该研究表现出显著优势：Abarna等人的玫瑰采收研究检测精度随距离变化波动明显（74-90%）；Gerbera采收机器人在多茎秆情况下性能骤降（44%）；茄子采收率仅62.5%；樱桃番茄真空与旋转式末端执行器采收率分别为66.3%和70.1%。本研究的混合式末端执行器设计避免了直接接触造成的损伤，且无需精确识别茎秆位置即可完成切割作业。

4. 结论与展望

该研究成功验证了基于知识蒸馏的轻量化YOLOv9t模型在农业机器人视觉系统中的实用性，结合创新设计的混合末端执行器，为解决大马士革玫瑰自动化采收难题提供了完整解决方案。研究人员建议未来研究可从三方面提升：采用多光谱/高光谱图像增强检测精度；结合激光三角测量技术优化深度感知；集成照明系统实现全天候作业。该技术框架不仅适用于玫瑰采收，经模型重训练后可扩展至其他高价值园艺作物的自动化采收场景，对推动农业智能化转型具有重要意义。