编辑推荐：
针对花椒采摘机器人在复杂自然环境中精准定位采摘点的难题，研究人员提出基于 MixSegNext 的分割与定位算法。经实验，该模型 mIoU 表现优异，定位准确率高，且在嵌入式设备部署成功，为花椒采摘机器人视觉系统提供参考。
在农业现代化进程中，花椒作为我国重要的香料和传统中药材，其种植面积和产量均居世界前列。然而，当前花椒采摘主要依赖人工，效率低下、成本高昂，且花椒树高大多刺，人工采摘不仅危险，还容易对枝条造成损伤。更具挑战性的是，花椒生长环境复杂，果实小且密集簇生，常被枝叶遮挡，枝条与果实颜色相近，传统视觉算法难以在动态自然环境中精准区分枝条与果实，导致采摘点定位容易出现误判和遗漏，这成为制约花椒采摘自动化的关键瓶颈。
为突破这一困境，四川农业大学的研究人员开展了花椒智能采摘视觉定位系统的研究。他们提出了一种基于 MixSegNext 的花椒语义分割与采摘点定位算法，旨在实现自然环境下花椒果实、簇和枝条的快速精准识别与采摘点定位。相关研究成果发表在《Computers and Electronics in Agriculture》上，为花椒采摘机器人的研发提供了重要的技术支撑。
研究人员主要采用了以下关键技术方法：首先构建了自然环境下的花椒数据集，用于训练和验证模型；其次设计了 MixSegNext 网络，该网络采用编码器 - 解码器架构，融合了卷积神经网络（CNN）和 Transformer 模块，浅层 CNN 提取局部特征，深层 Transformer 捕捉全局特征，并引入多尺度空间 - 通道注意力机制（MSSCA）优化特征提取；最后通过掩码相减、形态学操作、最大连通分析及边缘提取等步骤，实现采摘点的定位计算。
实验结果与分析
- 语义分割性能对比：将 MixSegNext 与 PSPNet、U-Net、DeepLabV3 + 等典型语义分割网络进行对比，结果表明 MixSegNext 在花椒果实和簇的分割精度上表现更优。引入的 MSSCA 模块相较于原始 MSCA 模块，使花椒和花簇的平均交并比（mIoU）分别提升 0.74% 和 1.5%，证明了多尺度注意力机制对特征提取的优化作用。
- 采摘点定位实验：通过边缘提取和轮廓中心线交点计算，该算法实现了采摘点的精准定位，实验验证其定位准确率较高，能够有效应对自然环境中的光照变化、遮挡等干扰因素。
- 嵌入式设备部署验证：将 MixSegNext 网络部署在嵌入式设备上进行推理分割，结果显示算法在实际应用场景中具有良好的实时性和可靠性，验证了其工程应用潜力。
结论与讨论
本研究提出的 MixSegNext 模型通过融合 CNN 和 Transformer 的优势，在保持较低计算成本的同时，兼顾了局部特征和全局特征的提取能力，有效解决了花椒采摘点定位中因环境复杂和目标特征模糊导致的难题。实验结果表明，该模型不仅在分割精度和定位准确率上表现出色，还具备在嵌入式设备上部署的可行性，为花椒采摘机器人的视觉定位系统提供了切实可行的解决方案。这一研究成果不仅提升了花椒采摘的自动化水平，降低了人工成本，还为其他簇生类作物的智能 harvesting 提供了重要的技术参考，推动了农业机器人技术在复杂作物收获场景中的应用与发展。研究中构建的数据集和提出的混合模型架构，为后续进一步优化算法性能和拓展应用场景奠定了坚实基础。
