综述：用于花卉采摘的智能机器人系统：视觉算法、末端执行器和运动规划策略综述

《Computers and Electronics in Agriculture》：Intelligent robotic systems for flower harvesting: A review of vision algorithms, end-effectors, and motion planning strategies

　　

用于自动采花的智能机器人系统、用于花朵与花器官检测的机器视觉算法与工具、用于精准无损采收花器官的末端执行器、用于选择性机器人采花的运动规划与控制，以及软体机器人、协作机器人与生成式人工智能等新兴趋势。

引言

花卉产业是现代农业中价值最高、增长最快的领域之一，不仅带来可观的经济效益，还在可持续发展、环境美化和提升整体生活质量方面发挥重要作用。近几十年来，城市人口增加、切花与观赏植物需求上升以及国际贸易的扩展，推动全球观赏植物市场每年达到数千亿美元规模（Wani 等，2023）。荷兰、中国、意大利、厄瓜多尔、德国和加拿大等国是主要的生产国和出口国。尽管温室管理、生产优化和环控技术已取得显著进展，但花卉产品（包括整朵花、花头、花瓣、花萼及其他有价值的植物部位）的采收与收集仍是花卉产业供应链中的主要瓶颈，构成生产过程中劳动强度最高、成本最高、技术要求最严格的环节（Yin 等，2024a）。

采花工作主要依靠人工完成，需要高度的精准度、经验与技巧。根据用途不同，采收操作可能包括从茎上剪下整朵花用于观赏或商业用途，或选择性采集特定花器官（如花瓣、花萼），用于制药、化妆品、食品和精油行业。这些不同的采收场景对机器人系统提出了各自的要求，因为单个植物部位的操控相比常规茎剪切需要更高的精度和更轻柔的接触。花朵结构细腻而脆弱，即使是极小的机械接触或不当处理，也可能损伤花瓣，大幅降低产品的美学与商业价值。此外，人工采花面临严重的劳动依赖、耗时流程、不断上升的劳动力成本以及对季节性劳动力供应的高度依赖等问题（Zhang 等，2024）。劳动力短缺、采收质量不稳定和作业效率低下等问题，严重制约了生产者的盈利能力（Dina 等，2022）。在此背景下，利用机器人技术实现花卉采收和选择性植物部位采集的自动化，成为提高生产率、降低作业成本并保证产品一致品质的有前景的方法（Fatehi & Bagherpour，2025）。

作为智能农业机器人的重要组成部分，采花机器人整合了机器视觉、深度学习、软体机器人和精准运动控制等多个领域的先进技术。这些系统配备光学传感器和三维传感器、基于神经网络的检测与定位算法以及自适应末端执行器，能够实现精确、快速且无损的采收操作（Javidan 等，2023）。然而，由于花朵的生理复杂性及形态多样性，使自动采花成为农业机器人领域最具挑战性的任务之一。茎部采收主要需要精准定位花朵位置并确定最佳剪切点，而选择性采收花瓣、花萼或其他植物结构则要求机器人识别单个组成部分、理解其空间关系，并施加高度局部化的操作力。物种间在颜色、形状、大小和生长方式上的巨大差异、温室中变化的光照条件和异质性背景，以及区分成熟待采收花朵与未成熟花朵的困难，都给感知和控制算法带来了重大障碍。同样，设计能够轻柔安全地分离花朵或选择性抓取脆弱植物组织而不造成形变或污染的末端执行器，需要集成柔顺材料和高度精准的力量控制（Montoya-Cavero 等，2022）。

从科学角度看，采花机器人的开发需要跨学科方法，融合机械工程、电子工程、机器视觉、人工智能和植物生理学。当机器人系统不仅设计用于常规采花，还用于选择性采收特定花器官时，这种跨学科挑战变得更加突出，因为生物变异性与组织脆弱性会强烈影响机器人的感知与操控策略。该领域进展有望大幅提升花卉产业的可持续性、资源利用效率和产品质量（Sachithra & Subhashini，2023）。

本综述的创新之处在于其对机器人采花技术所采取的批判性、系统性与分析性视角。与以往主要关注一般农业机器人、单一感知技术或特定机器人组件的综述研究不同，本研究提供了采花机器人系统关键组件的整合视角，包括感知、操作、控制和系统级挑战。重要的是，本综述主要以从茎上采收整朵花为重点，同时也讨论新兴的选择性花部采收场景，如花瓣与花萼，以突出其独特的技术要求与挑战。该综述综合了与采花机器人相关的最新研究与新兴技术，并根据机械设计、机器视觉算法、运动控制策略以及实际性能对现有系统进行分类。此外，本综述强调感知、操作、控制和移动子系统之间的相互联系，这些联系对于在复杂温室条件下实现可靠采收性能至关重要。

此外，本综述探讨了阻碍实际部署的技术与操作挑战，包括多模态传感、软体机器人夹爪、自适应控制和基于深度学习的感知相关问题。特别关注了与选择性花部采收相关的挑战，包括小而脆弱目标的精确定位、避免组织损伤，以及开发能够执行精细操作的任务专用末端执行器。尤其是，本综述指出了几个尚未解决的挑战，包括缺乏标准化性能评估指标、视觉算法在精度与计算效率方面的比较有限、末端执行器设计与控制策略之间集成不足，以及实验室原型与可商业部署采收系统之间长期存在的差距。

最后，通过识别当前研究缺口并探索未来趋势，如生成式神经网络、协作机器人（cobots）和多机器人协作，本研究概述了推进自动采花的具体研究重点与技术路径。这些未来发展有望不仅支持完整花朵的自动剪切，还实现单个植物组分的智能选择性采收，拓展机器人系统在花卉产业和生物基产业中的应用范围。本综述不单纯总结现有发展，而是对当前方法进行比较分析，讨论其实际局限，并强调提高鲁棒性、可扩展性和实际应用性的潜在解决方案。本综述的目标是为研究人员和行业专业人士提供全面理解，以指导未来创新并提升采花机器人系统在花卉产业中的精度、效率和商业可行性。

章节片段

机器视觉系统与花朵检测
机器视觉系统是采花机器人决策过程的核心，在很大程度上决定了采收作业的成功与否。精确的花朵定位与分类是必要的，因为若没有关于花朵位置及特征的信息，机械臂无法实现无损采收（Bhattarai 等，2025）。因此，视觉系统必须在变化的温室光照和环境……

采花机器人中的机械架构与自适应采收机制
自主采花机器人的机械设计围绕在操作细腻度、作业空间可达性与作业吞吐率之间实现精确平衡展开，同时要在高度受限的温室环境中运行。机械臂必须在致密的冠层、狭窄的栽培通道和遮挡的花朵丛中穿行，而不造成对周围植物组织的附带损伤。这一要求促使选择 5–7 个自由度（DOF）……

机器人采花中的控制、运动规划与协调
采花机器人中的控制与运动规划算法是最关键且最复杂的子系统之一，因为必须同时平衡速度、精度与安全性。从工程角度看，这些机器人运行在柔软、动态且不确定的环境中：花朵可能因风、之前的相互作用、茂密叶丛甚至机械臂的微小震动而移动（Kaur 等，2023；Nkwocha 等，2026）。这种动态环境需要多层控制……

用于自动采花的机器人移动平台
合适的移动平台选择是采花机器人系统设计与部署的关键因素。除机械移动能力外，平台选择还决定了定位、传感器校准、运动规划以及与操作系统协调的复杂性。移动方案直接影响作业空间可达性、操作效率、系统稳定性和整体采收性能。在温室环境和控制……

采收花朵的性能评估、基准测试与质量评价
性能评估与质量评价是采花机器人系统开发与部署的关键组成部分。与果实采摘等传统农业机器人应用不同，采花要求极高的精度、最小的机械应力以及美学品质的保持。因此，严格的基准测试协议和系统性的质量评价框架对于量化作业效率和采后……

批判性综合：性能差距、应用边界与部署障碍
对机器视觉、末端执行器设计和控制策略的批判性评估表明，机器人采花在子系统层面已取得显著进展。然而，单个组件的改进并不必然转化为整体采收性能的同程度改进。采收机器人的实际能力取决于感知精度、机械交互、控制性能和操作条件之间的相互作用。

与机器人采收相关的最新花朵检测方法进展
花朵感知是自主机器人采收系统最关键组成部分之一，因为成功操作需要在高度变化的环境条件下准确识别、定位并表征目标花朵。在许多农业应用中，花朵检测并不直接与采收相关，还用于产量估算、选择性疏花、授粉管理、表型分析和作物监测。然而，这些……

自动花卉生产中的新兴趋势、未来展望与可持续发展
自动花卉生产的格局正在经历由新兴技术推动的变革性演进，这些技术整合了机器人、先进传感、人工智能和可持续管理实践。除常规机器人采收外，近期创新集中于在保持高花朵质量的同时提升灵活性、适应性和生态效率。一个显著趋势是边缘 AI（人工智能的边缘化）的部署，其中数据从……

机器人采花全球研究趋势分析：出版物、期刊、国家与关键词动态
了解机器人采花的全球研究格局，能够深入了解这一新兴领域如何演进，以及哪些科学与技术方向正在塑造其未来。通过分析期刊分布、年度发文趋势、地理研究成果和关键词动态，可以更清晰地呈现各学科如何汇聚推动精细园艺操作的自动化。图 6、图 7、图 8、图 9 共同展示了……

结论

采花机器人已从初步的机器视觉研究发展为融合深度学习感知、软体机器人操作、运动规划和智能温室自动化的多学科研究领域。近年来在物体检测网络、多模态传感和柔顺末端执行器设计方面的进展，显著提高了花朵定位精度以及受控环境下执行精细采收操作的能力。这些……

CRediT 作者贡献声明

Jiao Zhang：撰写——初稿，方法论。
Dingxuan Zhao：撰写——初稿，方法论。
Seyed Mohamad Javidan：撰写——审阅与编辑，撰写——初稿，方法论。
Yiannis Ampatzidis：撰写——审阅与编辑，撰写——初稿，项目管理，方法论。
Qiyang Li：撰写——审阅与编辑，撰写——初稿，方法论。
Zhao Zhang：撰写——初稿，方法论。

资助（不适用）

利益冲突声明

作者声明不存在任何可能影响本文工作之已知竞争性经济利益或个人关系。

Jiao Zhang | Dingxuan Zhao | Seyed Mohamad Javidan | Yiannis Ampatzidis | Qiyang Li | Zhao Zhang