《Computers and Electronics in Agriculture》：Obstacle-avoidance selective harvesting of green asparagus via semantic-point cloud fusion
编辑推荐：
•
提出一种轻量级且改进的YOLOv8-seg模型，用于绿色芦笋的分割。
•
构建一种用于绿色
- •
提出一种轻量级且改进的YOLOv8-seg模型，用于绿色芦笋的分割。
- •
构建一种用于绿色芦笋的语义点云融合模型。
- •
为未成熟的芦笋开发避障地图。
- •
评估所提出的绿色芦笋选择性收割机器人的性能。
引言
绿色芦笋（Asparagus officinalis L.）是一种高价值的蔬菜作物，其嫩芽在地上生长，被广泛消费（Anastasiadi等人，2022年；Lu和Mohammadi，2025年；Xiao等人，2025年）。中国一直是全球最大的绿色芦笋生产和出口国（FAOSTAT，2025年）。历史上，绿色芦笋的收割依赖人工劳动，至今许多地区仍如此。这种方法不适合大规模、高频率的操作。工资上涨和季节性劳动力短缺进一步加剧了这些挑战，导致效率低下、成本高昂和劳动力供应不稳定。此外，绿色芦笋的最佳收割窗口非常狭窄，通常只有几个小时到一天。人工评估本质上是主观的且依赖于经验，导致选择结果不一致且经常不准确。这些限制严重阻碍了产业升级和可持续发展。
尽管许多作物已经广泛采用了机械收割技术（Bac等人，2014年；Bachche，2015年；Choi等人，2025年），但由于绿色芦笋的茎秆在狭窄的田床上的随机排列和成熟度不同，其自动化仍然是一个具有挑战性的领域。借助3D机器视觉、机器人技术和人工智能（AI）的技术进步，新一代绿色芦笋选择性收割机的开发取得了显著进展，展示了实现自动化收割的可行路径（Kennedy等人，2019年；Peebles等人，2018年）。Irie和Taguchi（2014年）开发了一种使用激光扫描仪来定位所需高度芦笋的自动化收割机器人。Leu等人（2017年）开发了一种能够选择性收割绿色芦笋的原型机器人，该机器人配备了基于3D点云的视觉模块。?lajpah等人（2023年）设计了一种基于移动导轨平台和delta机器人的收割系统，结合了实时检测算法和传感技术来确定最佳切割位置。Peebles等人（2024年）使用飞行时间（ToF）成像技术在机器人收割原型系统中识别和定位芦笋。这些方法对绿色芦笋的收割是有效的，但往往在操作过程中会损害未成熟芦笋的保护。
机器人技术的迅速发展使得在复杂环境中的机器人臂路径规划和避障成为研究的前沿（Bao等人，2024年）。为了实现高效可靠的环境感知和映射，空间建模技术不断进步。Xiong等人（2025年）提出了一种用于非结构化柑橘园的实时定位和3D语义地图重建方法。Bao等人（2025年）开发了一种基于八叉树（Octree）的映射方法，以解决柑橘收割过程中的枝条避障问题。Lin等人（2024年）提出了一种通过结合语义分割和3D点云分析来实时重建果园障碍物的方法。Ye等人（2026年）通过双树优化开发了一种增强平滑度的双向快速随机zcustic（KBQ-RRT*）算法，用于复杂果园中的自主导航。基于激光雷达（LiDAR）的感知技术（Li等人，2026年，Li等人，2025年，Li等人，2024年）和基于3D视觉的机器人感知系统（Hu等人，2024年）的最新进展也为农业机器人中的语义映射提供了相关见解。当前的时空映射系统可以实时避开障碍物，但缺乏区分成熟与未成熟作物的能力。
现有的芦笋感知研究（Mu等人，2025年；Zhang等人，2024年；Xu和Lu，2025年）仅关注独立的检测或定位模块。相比之下，本研究提出了一种系统集成的感知到行动的流程，用于绿色芦笋的收割，结合了轻量级分割、2D-3D语义融合和基于OctoMap的障碍物映射——这是一个完整的解决方案，并经过了实地验证，据我们所知，这种解决方案在该作物中尚未被报道过。为了实现这一总体目标，追求了三个具体目标：（1）精确定位和识别可收割的成熟植株；（2）通过语义点云融合构建一个考虑障碍物的未成熟芦笋环境地图；（3）通过实地试验评估整个系统的性能。
章节片段
样本数据集获取
绿色芦笋在中国山东省德州市齐河县的科技后院种植。如图1所示，当机器人臂保持静止时，RGB和深度信息由深度相机（Intel RealSense D435i）同步捕获。然后使用ROS平台上的Rviz工具转换和融合点云数据，实现了绿色芦笋种植环境的3D点云模型的实时重建（图2）。
模型训练
在上述环境中训练改进后的YOLOv8模型后，最终模型的mAP50达到了92.6%（图10a），P值为93.3%（图10b），R值为88.9%（图10c）。如此高的检测精度表明，改进后的模型能够在复杂的温室背景下可靠地区分绿色芦笋，为后续的3D定位和成熟度评估奠定了坚实的感知基础。为了验证我们方法的有效性，进行了比较研究。
结论
本研究提出了一种轻量级且改进的YOLOv8-seg模型，显著提高了在边缘设备上的检测效率。优化后的模型在保持召回率的同时，精度提高了0.4%，mAP50仅略有下降0.2%。此外，模型大小压缩到了3.7MB，参数和计算负载分别减少了1.7M和5.2 GFLOPs。与之前相比，这些指标分别减少了41.3%、43.3%和56.7%。
CRediT作者贡献声明
Quanto Xuan：撰写 – 评审与编辑，撰写 – 原稿，可视化，验证，软件，方法论，正式分析，数据整理，概念化。 Xianlu Guan：验证，软件，方法论，调查，正式分析。 Yuanyuan Shao：撰写 – 评审与编辑，可视化，监督，资源管理，项目协调，方法论，调查，资金争取，正式分析，概念化。 Jichang Li：验证，软件，调查，正式分析。
利益冲突声明
作者声明他们没有已知的可能影响本文所述工作的财务利益或个人关系。
