编辑推荐：
在果园采摘中，荔枝串检测与成熟度评估对机器人采摘至关重要。研究人员结合 Litchi-YOLO 模型、图像处理框架和 KGAP-DBSCAN 聚类算法展开研究。结果显示各模块表现良好，该研究助力果园采摘机器人决策，推动智能采摘发展。
在现代农业领域，水果采摘的智能化进程不断推进，但荔枝采摘却面临诸多难题。荔枝通常成串生长，采摘时需整串采摘，这就要求精准识别荔枝串并判断其成熟度，这也是实现高效、无损采摘的关键前提。然而，果园环境复杂，光照条件多变，荔枝果实颜色还常与枝叶相近，传统的水果目标识别算法在这样的环境下，鲁棒性差、准确率低。而且目前针对荔枝串识别和成熟度分级的研究非常有限，这严重阻碍了荔枝采摘智能化的发展。为了解决这些问题，来自国内的研究人员开展了深入研究，相关成果发表在《Biosystems Engineering》杂志上。
研究人员主要运用了三种关键技术方法。一是构建 Litchi-YOLO 模型，在 YOLOv8 模型基础上嵌入 HyCTAS 模块，用于荔枝果实实例分割；二是设计新型图像处理框架；三是提出 KGAP-DBSCAN 聚类算法，根据目标点密度自动聚类果实点，划分荔枝串。研究数据主要来源于果园实地采集的图像。
研究结果主要分为以下几个方面：
- 果实检测性能：Litchi-YOLO 模型在荔枝果实检测上表现出色，精确率（Precision，P）达到 95.96%，召回率（Recall，R）为 95.69%，F1- 分数为 95.82% 。相比 YOLOv8，各项指标分别提升了 1.25%、6.97% 和 4.25%，有效解决了背光和阴影环境下果实漏检问题。这得益于 HyCTAS 模块在训练过程中能更好地保留荔枝果实边缘高分辨率特征，同时减少背景干扰，使模型能更精准地识别果实。
- 聚类性能：KGAP-DBSCAN 算法对果实坐标点聚类效果良好，同质性（homogeneity）、完整性（completeness）和 v - 度量（v-measure）得分分别为 0.91、0.76 和 0.78。该算法通过设置聚类半径 ε，能将分布不规则的荔枝果实准确聚类成串，解决了荔枝果实分布分散难以识别成串的问题。
- 果实成熟度分级：研究人员通过计算荔枝果皮红色比例对单颗果实进行成熟度分级，该方法表现良好，精确率达 94.20%，召回率为 91.91%。在此基础上，结合荔枝生长的农艺信息确定荔枝串成熟度，其结果符合农艺要求。例如，根据成熟果实需在变质前采摘的特性，综合果实成熟度参数和聚类结果，实现了自然环境下荔枝串成熟度的准确分级。
研究结论表明，基于 YOLOv8n 改进的轻量化深度学习模型 Litchi-YOLO，可在自然环境中准确检测荔枝果实；KGAP-DBSCAN 聚类算法能自适应聚类果实目标成串并确定聚类区域；提出的荔枝串成熟度分级方法适用于自然条件下的果实。基于这些成果生成的荔枝串生长信息图，可直观展示荔枝生长状态。
这项研究意义重大，它为果园采摘机器人系统提供了精准的决策依据，有助于提高采摘效率和果实品质，减少人工采摘成本。同时，推动了智能果园采摘领域的技术发展，为其他水果采摘智能化研究提供了新思路和方法，有望促进整个农业采摘智能化产业的进步。
