关于温室环境中番茄采摘机器人的目标识别、定位以及采摘顺序规划的研究

《Smart Agricultural Technology》：Research on target recognition, localization, and picking sequence planning for tomato-picking robots in greenhouse environments

番茄采摘机器人通过改进Ghost-CAE YOLOv5模型提升检测精度至95.12%，结合K-G规划方法优化采摘路径，降低平均采摘时间至6.7秒。

　　在农业领域，尤其是番茄采摘过程中，快速而准确的感知与规划能力对于提高采摘效率和成功率至关重要。然而，目前许多现有的采摘方法仍然存在效率低下和准确性不足的问题，这限制了其在实际应用中的部署。为了克服这些挑战，本文提出了一种基于Ghost-CAE YOLOv5的番茄识别与定位方法，并结合K-G采摘顺序规划策略，以实现高效、稳定的番茄采摘。通过优化YOLOv5网络结构，采用轻量级的Ghost模块、坐标注意力（CA）机制以及改进的EIoU损失函数，使得模型在保持高识别准确率的同时，显著降低了计算复杂度和模型体积，从而更适合部署在移动设备和低功耗的采摘机器人中。此外，通过K-means聚类将采摘任务划分为多个区域，并利用高斯核函数确定区域内番茄的采摘顺序，从而实现了高效的采摘路径规划。实验结果表明，该方法在番茄识别、定位和采摘成功率方面表现优异，达到了97.14%、94.29%和91.43%的水平，平均采摘时间约为6.7秒，满足了采摘机器人在实际操作中的需求。

本文的研究背景源于中国作为全球最大的番茄生产国，但采摘工作仍然主要依赖人工，这导致了人力成本的增加和效率的受限。因此，研究番茄采摘技术具有重要的现实意义。番茄的识别、定位和采摘顺序规划是采摘效率和成功率的关键因素。在自然生长环境下，由于枝叶遮挡和果实之间的重叠，番茄的识别和定位面临诸多挑战。传统的采摘方法往往无法有效应对这些复杂情况，因此需要更先进的算法和模型来提高系统的可靠性和适用性。

为了提高番茄识别的准确性和效率，本文对YOLOv5网络结构进行了优化，引入了Ghost模块，该模块通过轻量级的线性操作和特征图的扩展，显著降低了模型的参数量和计算量。在YOLOv5的骨干网络中，使用GhostConv和GhostBottleneck模块替代了传统的C3和Conv组件，从而实现了模型的轻量化设计。同时，在YOLOv5的颈部结构中，保留了FPN和PAN的特征融合机制，以确保模型能够有效提取多尺度特征。通过在多尺度特征图中插入CA模块，使得模型能够更关注番茄的目标区域，提高了在遮挡情况下的识别性能。此外，采用EIoU损失函数来优化边界框回归，该函数通过分别计算宽度和高度的差异，而非使用宽高比，从而提高了定位的精度和收敛速度。

在采摘路径规划方面，本文提出了一种基于K-means聚类和高斯核函数的K-G方法。该方法首先利用K-means算法对所有可见的采摘点进行聚类，以划分采摘任务区域。然后，在每个区域内，根据高斯核函数的权重对采摘顺序进行优化。通过计算每个采摘点与聚类中心的距离，并根据其距离分配权重，使得靠近中心的采摘点具有更高的优先级。这种方法能够有效减少采摘路径的长度，提高采摘效率，同时避免采摘过程中的碰撞和重复路径问题。在实验中，K-G方法相较于传统的顺序策略和蚁群优化（ACO）算法，实现了更短的采摘路径，进一步验证了其在实际采摘中的有效性。

为了验证所提出方法的性能，本文在实际的番茄采摘机器人平台上进行了实验测试。通过在温室环境中进行多组测试，评估了模型在不同情况下的识别和定位能力。实验结果表明，Ghost-CAE YOLOv5在番茄识别和定位方面表现优异，达到了95.12%的平均检测准确率。在连续多目标测试中，识别、定位和采摘成功率分别达到了97.14%、94.29%和91.43%。此外，通过比较不同采摘方法的采摘时间，发现K-G方法的平均采摘时间仅为6.7秒，显著优于顺序策略和ACO算法，表明其在采摘路径规划方面具有明显优势。

在数据处理和模型训练方面，本文构建了一个包含2765张图像的番茄数据集，并通过亮度调整、水平翻转等图像增强技术，生成了8295张训练图像。这些图像被划分为训练、测试和验证三个部分，比例为7:2:1。在训练过程中，采用PyTorch框架，并在配备高性能GPU和CPU的系统上进行模型训练，以提高训练效率。模型的参数量和计算量均显著降低，其中Ghost-CAE YOLOv5的参数量仅为702万，比原始YOLOv5减少了约41.6%。同时，模型的体积也大幅缩小，达到了8.9MB，仅为原始模型的60%。这些优化使得模型在嵌入式设备上能够实现快速且高效的检测。

在实际测试中，Ghost-CAE YOLOv5在复杂环境下表现出优异的识别和定位能力。特别是在存在遮挡和果实重叠的情况下，该模型能够更准确地识别和定位番茄。通过对比实验，发现K-G方法在采摘路径规划中具有显著优势，能够有效减少采摘路径长度，提高采摘效率。此外，在多目标采摘实验中，K-G方法的平均采摘时间比顺序策略和ACO算法分别减少了22.81%和25.22%，表明其在处理密集采摘区域时表现更为出色。

本文的研究成果不仅在理论层面验证了Ghost-CAE YOLOv5和K-G方法的有效性，还在实际应用中展示了其良好的适应性和稳定性。通过结合轻量级模型和高效的路径规划策略，本文提出的番茄采摘方法能够满足采摘机器人在实际环境中的操作需求，为农业自动化提供了有力的技术支持。此外，研究结果表明，该方法在识别、定位和采摘成功率方面均达到较高水平，为未来的农业机器人研发提供了新的思路和方向。