基于FMDS-YOLOv8的农业软体机械手抓取系统设计与实验研究

《Frontiers in Plant Science》：Design and experimental investigation of the grasping system of an agricultural soft manipulator based on FMDS-YOLOv8

本文提出了一种集成变结构软体执行器与FMDS-YOLOv8视觉识别算法的农业抓取系统（MGS），通过三指独立旋转与间距调节机构实现≤140 mm（中心抓取）与≤105 mm（平行抓取）范围内的多形态果蔬自适应抓取。实验表明该系统在多目标场景下抓取成功率达95.83%，损伤率仅4.17%，为果蔬无损分选提供了创新性解决方案。

　　

引言

果蔬采摘作为农业生产中劳动密集型环节，面临劳动力短缺与作业效率低的双重挑战。传统刚性机械手存在抓取损伤率高、适应性差等问题，而现有软体抓取器则受限于功能单一与控制精度不足。本研究通过融合变结构软体执行器与改进视觉算法，构建具备多模态抓取能力的智能抓取系统（MGS），旨在提升复杂场景下的抓取鲁棒性。

材料与方法

抓取系统整体设计

系统由气动控制系统、STM32微控制器、六轴机械臂及变结构软体机械手构成（图2）。基于ROS的软件架构实现视觉识别与运动控制的协同，其中FMDS-YOLOv8算法部署于搭载AMD Ryzen 7 4800H的主机，通过双目视觉系统实时提取目标果蔬的轮廓与位姿信息（图3）。抓取流程包括目标检测、MATLAB轮廓解析、机械臂定位、气动驱动软体手指弯曲四个阶段（图4）。

变结构软体机械手创新设计

机械手采用四伺服电机驱动三指独立旋转结构，通过法兰盘V型导轨实现36~70 mm的径向伸缩调节（图5）。软体执行器采用多腔体光固化树脂（Resione F80）一体化打印，尺寸为105 mm × 18 mm × 30 mm，其7.9 MPa拉伸强度与225.1%断裂伸长率保障了柔顺抓取性能（图6）。运动学模型通过矩阵运算（公式1-4）精确控制各手指末端坐标，其中抓取半径与软体手指弯曲角动态关联。

视觉识别算法优化

FMDS-YOLOv8在YOLOv8基础上引入三大模块：

1. 1.
   FocalModulation空间金字塔池化（图10）通过动态聚焦机制增强遮挡与弱光下的特征提取能力；
2. 2.
   C2PSA_MSDA多尺度特征融合模块（图11-12）利用空洞注意力机制提升重叠目标区分度；
3. 3.
   C3k2_DFF动态特征融合结构（图13）基于全局上下文自适应加权多尺度特征。
   算法在自制数据集（5类果蔬共2000张图像）上训练，经RoboFlow平台扩增至6000张图像，输入分辨率统一为640×640像素。

抓取点确定策略

结合SAM2模型对YOLOv8检测结果进行像素级分割，通过旋转多边形生成内接等边三角形（图14A），以三角形顶点作为抓取点。MATLAB开发的视觉处理器（图14B）将二维像素坐标转换为机械臂基坐标系下的三维位姿，确保手指沿果蔬轮廓法向逼近。

结果与讨论

模型性能对比

FMDS-YOLOv8n在精确率（94.1%）、召回率（91.0%）和mAP@50（94.0%）上均优于YOLOv5n/v8n/v9t等基线模型（表2-3）。消融实验（表4）验证了三模块协同提升mAP@50–90至78.4%，参数量仅3.12M，满足实时性需求（59.5 FPS）。

抓取实验分析

针对黄瓜（长形）、苹果（球形）、番茄（易损）等五类果蔬的抓取实验表明（表5），通过调节驱动气压（70–110 kPa）与手指角度可适应不同形态目标。例如黄瓜在110 kPa时抓取成功率从70%提升至90%（图17），而轻质果蔬（橙子、辣椒）仅需70 kPa即可稳定抓取。抓取轨迹与视觉计算的最优点高度吻合（图16）。

损伤评估

番茄抓取损伤实验（表6）显示整体成功率达96%，直接损伤率4.17%。72小时褐变率为6.25%，主要与抓取压力及成熟度相关。对比研究（表7）表明本系统在保持高通用性（多目标兼容）的同时，损伤率低于多数刚性机械手（如番茄专用于96.03%），但抓取时间（6.36 s）因结构调节略有延长。

结论与展望

本研究通过变结构软体机械手与FMDS-YOLOv8算法的协同设计，实现了多品类果蔬的低损伤自适应抓取。未来将针对田间复杂光照、遮挡及运动模糊问题，优化算法鲁棒性并开展野外场景验证。