基于双阶段深度学习方法的酿酒葡萄（赤霞珠）采摘点检测与定位技术研究

为解决自动化酿酒葡萄采摘机器人视觉引导精度不足的问题，西北农林科技大学团队创新性地提出融合YOLO_GSConv和YOLACT_CBAM模型的双阶段定位方法。研究通过长距离葡萄果实检测（AP50 =0.939）与近距离茎干分割（mask mAP@[0.5:0.95] =0.5673），实现75%的田间采收成功率，为复杂农业场景下的精准采收提供新范式。

　　

在现代化农业转型浪潮中，酿酒葡萄采收的自动化需求日益迫切。传统人工采收面临效率低下、成本高昂等问题，而现有机械采收方式又易造成果实损伤和杂质混入，直接影响葡萄酒品质。西北农林科技大学的研究团队聚焦这一产业痛点，针对复杂田间环境下的视觉导航难题，开发出基于深度学习的双阶段采摘点定位系统，相关成果发表于《Computers and Electronics in Agriculture》。

研究团队采用YOLO_GSConv（改进的轻量化目标检测网络）和YOLACT_CBAM（融合卷积块注意力模块的实例分割模型）构建双阶段框架，通过陕西杨凌曹新庄葡萄基地的田间试验验证性能。关键技术包括：基于深度数据的远距离果实粗定位、注意力机制增强的茎干精细分割、以及面向边缘计算的模型轻量化设计。

【Experiment site】
研究在西北农林科技大学管理的单篱架栽培葡萄园开展，选用赤霞珠品种作为实验对象，通过多角度图像采集构建数据集。

【Training results of the wine grape fruits detection neural network】
YOLO_GSConv经300epoch训练后快速收敛，AP₅₀
达0.939，参数量仅7.6M，较原YOLOv5s降低34.5%，实现精度与效率的平衡。

【Performance analysis of the wine grape fruits detection neural network】
对比实验显示，引入GSConv（分组混洗卷积）的改进模型在保持精度的同时，推理速度提升22%，更适合田间实时处理。

【Conclusion】
该研究创新性地将果实检测与茎干识别分阶段处理，有效解决目标尺度差异难题。YOLACT_CBAM在茎干分割任务中取得0.7105的检测mAP_@[0.5:0.95]
，配合机械臂控制实现四分之三的采收成功率，验证了方法在非结构化环境中的鲁棒性。

这项研究的意义在于：首次将双阶段深度学习架构应用于酿酒葡萄采收，通过注意力机制（CBAM）增强特征提取能力，为农业机器人视觉系统设计提供新思路；开发的轻量化模型可直接部署至边缘设备，推动精准农业技术落地。研究得到宁夏回族自治区重点研发计划（2024BBF02006、2023BCF01001）支持，其技术框架亦可扩展至鲜食葡萄等作物采收场景。