基于视觉的机器人采收苦楝（Toona sinensis）幼苗技术：将生物力学校准技术与改进的YOLO实例分割算法相结合

《Computers and Electronics in Agriculture》：Vision-guided robotic harvesting of Toona sinensis sprouts: Integrating biomechanical calibration with improved YOLO instance segmentation

　　• 一种基于视觉引导的 Toona sinensis 收割机整合了生物力学和改进后的 YOLO 算法。• 测量的 Toona sinensis 的机械参数指导了末端执行器的选择和有限元分析（FEA）。• 所提出的 TSIS-YOLO 通过 C2PSA-EMA 和 SCPP 算法实现了 89.1% 的 mAP0.5（Mask）分类精度，用于 Toona sinensis 的分割。• 瞬态分析验证了适用于低损伤枝条收割的弯曲型末端执行器。• 在适度降雨的户外测试中，该收割机的成功率达到 78.2%，证明了其应急收割能力。

引言
Toona sinensis（A. Juss.) Roem. 的顶端嫩芽具有独特的风味，并富含多种维生素、氨基酸、黄酮类化合物和多酚活性成分（Zhang 等，2025a）。它们兼具烹饪和药用价值（Yang 等，2025；Zhang 等，2022；Zhang 等，2026），因此受到中国消费者的喜爱。中国是 Toona sinensis 的主要生产国，其栽培历史已超过 2000 年。该植物的种植区域覆盖了中国北部、中部和西南部的 20 多个省份。近年来，随着设施农业和特色经济林业产业的快速发展，Toona sinensis 的大规模种植面积持续扩大。它已成为中国许多地区农村振兴和农民增收的重要支柱产业，在区域农业经济发展中发挥着关键作用。
在自然条件下，Toona sinensis 的年平均生长高度约为 0.6 米。然而，用于采摘嫩芽的栽培品种通常通过修剪、矮化和高密度种植等方法控制植株高度，使得田间栽培的植株平均高度约为 1.63 米。目前，Toona sinensis 的嫩芽采摘仍主要依赖于传统的人工方法，主要使用专用采摘钩进行采集（见图 1）。Toona sinensis 通常由主芽和侧芽组成；钩 1 用于采摘较高位置的主芽，而钩 2 用于采摘较低位置的侧芽。在传统的矮化和高密度种植模式下，每株植物通常只保留一个主要侧枝，嫩芽仅生长在枝条顶端；因此，每株植物只能收获 1 到 2 个嫩芽。在采摘过程中，操作人员必须目视判断每株植物上主芽和侧芽的相对位置，据此调整钩 1 和钩 2 的位置，并频繁抬高手臂和旋转手腕，这一过程显著增加了手臂受伤的风险。随着农村劳动力的流失和农业劳动力的老龄化，采摘劳动力的短缺问题日益严重。此外，人工采摘时无法精确定位采摘位置，常常导致嫩芽和花蕾受到机械损伤，从而导致高损耗率，无法满足大规模种植的标准化采摘要求。因此，研究和开发自动化采摘技术和设备以解决人工采摘的挑战对于推进 Toona sinensis 行业的大规模和标准化发展具有重要意义。
农作物的机械特性是选择和设计农业收割机器人末端执行器的基础，对提高操作效率、环境适应性和可靠性起着关键作用。Zheng 等人（2023）进行了蠕变实验，并使用四参数 Burgers 模型模拟了番茄果实可逆的粘弹性行为和变形特性，为设计灵活的机器人夹持机构提供了损伤阈值参考，有效减少了果实机械损伤。Zuo 等人（2025）基于西兰花的形态数据和最大茎切割力的实验测量值优化了刀片参数和气缸驱动系统，在高密度种植条件下实现了 93.33% 的采摘成功率。Telangi 等人（2025）研究了水分含量和茎直径对植物机械特性的影响，这些发现对收割机开发具有应用价值。Tai 等人（2025）建立了玉米穗收割的机械模型，确定了主要损伤因素，并提供了机器人收割中穗损伤的评估方法。尽管已经对多种作物进行了广泛的机械特性分析以改进收割机械，但对 Toona sinensis 的研究仍然较少，主要集中在最佳嫩芽高度和采摘时机等农艺方面。例如，Zhang 等人（2016）研究了云南省中部 Toona sinensis 的发芽特性和设施化采摘技术，但主要关注栽培管理和人工采摘规程，而不是定量机械特性描述。鉴于 Toona sinensis 嫩芽的脆弱性，系统研究其机械特性（如叶柄剪切力）对于设计最佳采摘末端执行器和克服自动化收割的技术瓶颈至关重要。
农业机器人是解决农业劳动力短缺问题并实现自动化收割的核心设备。近年来，随着机器视觉技术的快速发展，基于深度学习的物体检测和实例分割技术被广泛应用于水果和蔬菜收割机器人中，为自然环境中的快速准确识别采摘目标提供了技术支持。其中，基于 YOLO 的检测和分割模型成为农业收割机器人视觉系统的主流选择，因其具有高检测精度和快速推理速度的优势。针对幼芽识别，Zhang 等人（2021）开发了一种基于改进的分水岭算法的方法，结合自适应阈值分割、分段线性变换和优化边缘检测，解决了茶叶嫩芽表面亮度过高导致的识别遗漏问题，实现了平均 95.79%的分割精度。Cui 等人（2025）使用 YOLOv11n 作为基础模型构建了一个轻量级的茶叶花蕾检测模型，结合深度卷积网络和全局平均池化设计了 C3K2-PFCGLU 架构，再结合 DRLSDH 轻量级检测头和 ADown 下采样模块，实现了平均 92.92% 的精度和仅 3.4 MB 的模型大小，为嵌入式茶叶收割系统提供了高效的视觉解决方案。Fang 等人（2025）针对密集种植环境中棉花顶端嫩芽的漏检问题，提出了 DFR-SN-YOLO 模型，该模型采用 DWConv 和 C3_Faster 进行轻量化茎秆重建，引入了 CA 关注机制以捕获位置信息，并结合 C3_RFCBAMConv 模块和 SN 损失函数，实现了 97.5% 的检测精度和 95.0% 的召回率，推理速度为每秒 37 帧。Zhao 等人（2025）解决了机械摘棉操作中由于计算能力有限导致的实时性能不足问题，以及运动模糊和小物体遮挡引起的检测难题。他们使用 YOLOv5s 模型，用 ShuffleNetv2 主干网络和 DySample 动态上采样模块替换了原有网络组件，并在网络颈部引入了 GC 全局关注模块，在检测头部引入了 ASFFHead 检测头。这种方法为密集种植环境中的精确机械化摘棉建立了稳健的视觉检测基础。通过改进传统图像处理算法和深度学习模型，该研究在多种作物的芽识别方面取得了显著进展，为开发 Toona sinensis 嫩芽收割的视觉系统提供了关键的技术参考。然而，大多数现有的农业收割机器人研究主要在干燥和晴朗的实验室或户外条件下验证性能，对降雨等复杂气象条件下的操作可靠性关注不足。由于 Toona sinensis 嫩芽的最佳采摘窗口仅持续 7 到 10 天，在采摘高峰期劳动力严重短缺，这极大地压缩了行业利润率。因此，研究和开发自动化采摘技术和设备以应对人工采摘的挑战对于推进 Toona sinensis 行业的大规模和标准化发展具有重要的实际意义。

农作物的机械特性是选择和设计农业收割机器人末端执行器的基础，对提高操作效率、环境适应性和可靠性起着关键作用。Zheng 等人（2023）进行了蠕变实验，并采用四参数 Burgers 模型模拟了番茄果实可逆的粘弹性行为和变形特性，为设计灵活的机器人夹持机构提供了损伤阈值参考，有效减少了果实 mechanical 损伤。Zuo 等人（2025）基于西兰花的形态数据和最大茎切割力的实验测量值优化了刀片参数和气缸驱动系统，在高密度种植条件下实现了 93.33% 的采摘成功率。Telangi 等人（2025）研究了水分含量和茎直径对植物机械特性的影响，这些发现对收割机开发具有应用价值。Tai 等人（2025）建立了玉米穗收割的机械模型，确定了主要损伤因素，并提供了机器人收割中穗损伤的评估方法。尽管已经对多种作物进行了广泛的机械特性分析以改进收割机械，但对 Toona sinensis 的研究仍然较少，主要局限于最佳嫩芽高度和采摘时机等农艺方面。例如，Zhang 等人（2016）研究了云南省中部 Toona sinensis 的发芽特性和设施化采摘技术，但主要关注栽培管理和人工采摘规程，而非定量机械特性描述。鉴于 Toona sinensis 嫩芽的脆弱性，系统研究其机械特性（如叶柄剪切力）对于设计最佳采摘末端执行器和克服自动化收割的技术瓶颈至关重要。
农业机器人是解决农业劳动力短缺问题并实现自动化收割的核心设备。近年来，随着机器视觉技术的快速进步，基于深度学习的物体检测和实例分割技术被广泛应用于水果和蔬菜收割机器人中，为自然环境中的快速准确识别采摘目标提供了技术支持。其中，基于 YOLO 的检测和分割模型成为农业收割机器人视觉系统的主流选择，因其结合了高检测精度和快速推理速度的优势。对于幼芽识别，Zhang 等人（2021）开发了一种基于改进的分水岭算法的方法，结合自适应阈值分割、分段线性变换和优化边缘检测，解决了茶叶嫩芽表面亮度过高导致的识别遗漏问题，实现了平均 95.79% 的分割精度。Cui 等人（2025）使用 YOLOv11n 作为基础模型构建了一个轻量级的茶叶花蕾检测模型，结合深度卷积网络和全局平均池化设计了 C3K2-PFCGLU 架构，再结合 DRLSDH 轻量级检测头和 ADown 下采样模块，实现了平均 92.92% 的精度和仅 3.4 MB 的模型大小，为嵌入式茶叶收割系统提供了高效的视觉解决方案。Fang 等人（2025）针对密集种植环境中棉花顶端嫩芽的漏检问题，提出了 DFR-SN-YOLO 模型，该模型采用 DWConv 和 C3_Faster 进行轻量化茎秆重建，引入了 CA 关注机制以捕获位置信息，并结合 C3_RFCBAMConv 模块和 SN 损失函数，实现了 97.5% 的检测精度和 95.0% 的召回率，推理速度为每秒 37 帧。Zhao 等人（2025）解决了机械摘棉操作中由于计算能力有限导致的实时性能不足问题，以及运动模糊和小物体遮挡引起的检测难题。他们使用 YOLOv5s 模型，用 ShuffleNetv2 主干网络和 DySample 动态上采样模块替换了原有网络组件，并在网络颈部引入了 GC 全局关注模块，在检测头部引入了 ASFFHead 检测头。这种方法为密集种植环境中的精确机械化摘棉建立了稳健的视觉检测基础。通过改进传统图像处理算法和深度学习模型，该研究在多种作物的芽识别方面取得了显著进展，为开发 Toona sinensis 嫩芽收割的视觉系统提供了关键的技术见解。然而，大多数现有的农业收割机器人研究主要在干燥和晴朗的实验室或户外条件下验证性能，对降雨等复杂气象条件下的操作可靠性关注不足。鉴于 Toona sinensis 嫩芽的最佳采摘窗口较短，且通常与主要产区的春季雨季重合，收割设备对适度降雨环境的适应性直接影响紧急采摘效率。因此，有必要在雨天户外条件下验证收割机器人的性能，以提高系统的实际应用价值。然而，Toona sinensis 的识别和分割仍是该领域尚未探索的领域，需要进一步改进。
本研究利用 Toona sinensis 枝条和嫩芽的物理和机械特性，基于改进的 YOLO 视觉算法设计了用于采摘可食用 Toona sinensis 嫩芽的自动化收割机器人。它引入了 TSIS-YOLO 实例分割模型，该模型已在收割机器人平台上实现并通过系统测试进行了验证。整个工作流程如图 2 所示。本研究的主要创新点和贡献总结如下：
(1) 基于生物力学的末端执行器设计和验证：首次建立了 Toona sinensis 枝条和嫩芽的关键物理和机械参数的系统数据库，包括质量、密度、水分含量、剪切模量和产量限制。在这些生物力学参数的指导下，选择了并设计了末端执行器爪子。通过瞬态结构有限元分析严格验证了其机械可靠性和收割过程中的应力分布，确保目标叶柄的精确断裂，同时避免对保留的木质化枝条和侧芽造成塑性损伤。
(2) 专为生物特性定制的 TSIS-YOLO 实例分割算法：考虑到 Toona sinensis 的独特生物特性，包括成熟嫩芽的红棕色到浅绿色的颜色渐变以及嫩芽和木质化枝条之间的显著径向尺度差异，提出了 TSIS-YOLO 模型。通过将 C2PSA-EMA 模块集成到主干网络中以保留细粒度纹理特征而不降低维度，并在颈部加入改进的 SCPP 关注机制以实现自适应多尺度特征融合，该模型实现了最佳精度-召回率平衡，这完全符合 Toona sinensis 收割的农艺逻辑和经济需求。
(3) 在适度降雨环境下的系统级鲁棒性验证：突破了大多数现有农业收割机器人在理想晴朗或实验室条件下评估的局限性，本研究在嵌入式边缘计算平台上部署了所提出的系统，并在自然的适度降雨条件下进行了全面的户外收割测试。结果表明，该系统在复杂潮湿的天气条件下具有稳定的视觉识别性能和可行的紧急收割能力，为 Toona sinensis 采摘窗口狭窄且易受降雨影响期间的自动化操作提供了关键的技术支持和实际参考。

本文的其余部分组织如下：第 2 节系统地对 Toona sinensis 枝条和嫩芽的物理参数进行校准实验，建立了收割操作所需的基本材料特性；第 3 节详细介绍了 TSIS-YOLO 模型的开发过程、训练方法和性能验证结果；第 4 节完成了采摘爪子的选择和设计，构建了 Toona sinensis 模型，并通过有限元分析和实验室收割测试验证了其精度；最后，第 5 节对研究进行了全面总结，讨论了其局限性，并指出了未来的研究方向。

材料
中国四川省的大竹县被誉为“中国 Toona sinensis 的第一县”。测试样本来自四川省大竹县的巴萨山红 Toona sinensis 种植合作社，选择了使用矮化和高密度种植方法种植的 3 至 5 年生红 Toona sinensis 品种。根据 Toona sinensis 嫩芽的颜色变化、开放程度和叶片变形程度，本研究了芽后生长过程。

YOLO11n-seg 模型的改进和优化
为了在自然田间环境中准确识别和分割 Toona sinensis 嫩芽和枝条，本研究首先基于 Toona sinensis 的独特生物特性和收割机械特性，采用 YOLO11n-seg 实例分割模型作为改进的基线。基于高效多尺度关注（EMA）和尺度感知金字塔池化（SCPP）的核心原理，我们开发了 TSIS-YOLO 实例分割模型。

自动化 Toona sinensis 嫩芽收割机器人的整体结构设计
基于第 2 节确定的 Toona sinensis 的物理和机械特性，本研究开发了一种具有跟踪功能的、多自由度的自动化 Toona sinensis 嫩芽收割机器人，其整体结构如图 17 所示。项目团队使用计算机数控齿轮磨床（型号 YW7232CNC）自行制造或采购了五个主要组件：行走机构、机器人手臂提升机构、机器人手臂平移机构。

总结与讨论
本研究开发了一种基于生物力学的视觉引导的 Toona sinensis 嫩芽收割机器人系统，以解决劳动力短缺和低效率问题。该系统集成了生物力学特性校准、改进的实例分割算法和末端执行器结构选择。系统的校准得出了核心参数：叶柄的抗弯强度为10.37 MPa，木质化枝条的弹性模量为120.5 MPa，嫩芽的弹性模量为0.116 MPa。

**声明**
本研究得到了南充科技计划（项目编号25ZDYF0012，授予史洪康）和四川省农业科学院“1+3”种质资源关键技术研究计划（项目编号2025(1+3)ZYGG-03，授予史洪康）的支持。史志明和戴鹏飞对这项工作做出了同等程度的贡献。李守泰和李云武是本文的通讯作者。作者声明他们没有已知的利益冲突或财务关联。

**作者贡献说明**
史志明：撰写、审稿与编辑；
戴鹏飞：撰写、初稿撰写、软件使用、数据管理；
范贺：调查、数据管理；
王思兰：数据分析；
史洪康：方法论设计；
王春雷：资源收集；
谢首勇：资源调配、资金争取；
李云武：撰写、审稿与编辑；
李守泰：撰写、审稿与编辑、方法论设计。

**利益冲突声明**
作者声明他们没有已知的利益冲突或个人关系可能影响本文的报道内容。

**致谢**
本研究得到了南充科技计划（25ZDYF0012）和四川省农业科学院“1+3”种质资源关键技术研究计划（2025(1+3)ZYGG-03）的支持。

作者名单：史志明 | 戴鹏飞 | 范贺 | 王思兰 | 史洪康 | 王春雷 | 谢首勇 | 李云武 | 李守泰