《Computers and Electronics in Agriculture》：Transitioning from cluster to single flower Pollination: A collaborative perception-and-operation scheme for precision tomato pollination based on LAFM-YOLO
编辑推荐：
•提出了一种温室番茄精准单花授粉策略。•轻量级注意力融合模型提升了复杂场景下的柱头检测能力。•视觉引导的柱头检测实现了精准的单花喷雾授粉。•温室实验表明授粉效率和坐果率得到了显著提升。引言番茄是设施栽培中最具代表性和经济价值最高的作物之一，在全球蔬菜生产和消费中发挥着至关重要
- •
提出了一种温室番茄精准单花授粉策略。
- •
轻量级注意力融合模型提升了复杂场景下的柱头检测能力。
- •
视觉引导的柱头检测实现了精准的单花喷雾授粉。
- •
温室实验表明授粉效率和坐果率得到了显著提升。
引言
番茄是设施栽培中最具代表性和经济价值最高的作物之一，在全球蔬菜生产和消费中发挥着至关重要的作用。其种植面积约和市场需求量位居全球前列（Sun等，2019；Zhao等，2020）。为确保全年稳定供应，温室栽培已成为现代番茄种植的主要生产方式（Khammayom等，2022；Wang等，2024a）。授粉直接影响坐果率、产量和商业品质，从而决定了整个生产链的经济效益。然而，温室授粉仍严重依赖人工劳动力，劳动强度大、效率低下且难以规模化推广（Campos等，2021；Molet等，2009；Toni等，2021）。在大规模生产中，高昂的劳动力成本和对工人技能的高度依赖使人工授粉成为主要瓶颈。这一局限性使其无法满足现代标准化、高效农业生产的需要（Marcacci等，2023；Singh等，2024；He等，2025a；He等，2025b）。因此，开发自动化系统以替代人工劳动力、实现高效定向的坐果控制，对推动智能温室农业发展具有重要的实践意义和经济价值（Adli等，2023；Dingley等，2022；Gao等，2023）。
随着机器视觉和农业机器人的快速发展，视觉感知已成为智能农业装备自动化操作的重要基础（Cheng等，2023）。在复杂的农业环境中，早期研究者主要引入轻量级卷积神经网络（CNN）来提升目标识别性能。例如，Li等（2025）和Chen等（2024）分别开发了基于YOLO的架构，用于高效检测密集果园果实和多器官分割。类似地，Huang等（2024）利用剪枝和知识蒸馏构建了轻量级模型YOLOv8-TomatoDetector，在采摘机器人的有限计算资源下兼顾了精度与效率。然而，传统CNN架构受限于局部感受野。面对极小且严重遮挡的目标——如单朵番茄花的柱头，这些网络在多尺度下采样过程中容易丢失关键特征，难以胜任局部感知任务。为突破这一瓶颈，基于Transformer的视觉模型凭借其强大的全局自注意力机制，在农业视觉领域展现出显著优势。例如，Rong等（2023）采用改进的Swin Transformer V2识别番茄采摘点，有效克服了环境干扰。Hou等（2025）基于Segformer构建了多层模型，显著提高了樱桃番茄姿态识别的准确性和稳定性。这些研究表明，引入具有长距离依赖建模能力的注意力机制，是克服微小农业目标感知瓶颈的有效技术途径。
在机器视觉进步的推动下，人工授粉正逐步向具备自主决策能力的机器人系统过渡。早期的机器人授粉主要依赖机械接触或宽泛的穗级策略。例如，Ohi等（2018）开发的BrambleBee平台采用仿生刷状末端执行器进行接触式授粉。Hiraguri等（2023）使用配备振动模块的无人机辅助番茄授粉。Wei等（2024）通过协调移动底盘和机械臂实现了番茄花序的动态空间覆盖；而Bhattarai等（2024）则开发了基于花序定位的苹果静电喷雾系统。尽管这些研究提高了作业自动化程度，但其局限性也显而易见。物理接触（如刷拂或振动）容易损伤娇嫩的花器官。更重要的是，同一温室番茄花序内的单朵花往往异步开放，宽泛的穗级处理方式常导致已开放花朵被重复处理，而未开放花朵的最佳处理窗口被错过，从而增加了畸形果率。
近期研究已转向以柱头为目标的跨学科方法。Yang等（2023）在连翘花中以雌蕊柱头为直接目标验证了视觉伺服的可行性。此外，Xie等（2025）率先提出了"作物-机器人协同设计"的概念，通过生物技术修改花朵形态以暴露柱头，并整合基于深度学习的自动授粉器（GEAIR），展示了巨大的潜力。然而，虽然连翘的柱头形态较为独特，但自然番茄的柱头极小且与黄色花瓣在视觉上高度相似，这种相似性使传统视觉伺服的直接迁移变得困难。此外，虽然通过基因改造改变花朵形态可以显著简化机器人感知，但该方法无法直接应用于目前广泛种植的非转基因自然番茄品种。
综上所述，为弥补现有接触式和穗级方法在个体化定位和单花适应性方面的不足，本研究以单朵番茄花的柱头作为操作目标，开发了一套整合视觉感知、目标定位和无接触喷雾的协同处理系统。该系统采用单花柱头级定位策略，通过整合轻量级视觉模型，在复杂的温室环境中高效识别微小柱头目标，为定向番茄处理提供了可靠的技术支撑。
本研究的主要贡献如下：
- (1)
提出了一种针对单朵番茄柱头的定向处理方案，通过整合视觉识别、定位和无接触喷雾，为异步开花条件下的个体化操作提供了新途径。
- (2)
开发了轻量级实例分割模型LAFM-YOLO，通过将注意力机制与轻量级网络结构相融合，提升了复杂温室环境中微小柱头目标的识别精度和实时性能。
- (3)
将模型集成到移动机器人平台中，并在温室环境中验证了其性能。结果表明，该系统成功执行了柱头识别、定位和喷雾操作，显示出巨大的实际田间应用潜力。
章节摘要
番茄授粉机器人的系统架构
在温室番茄生产中，授粉主要依赖人工点授粉或机械振动授粉。如图1所示，振动授粉通常以整个花序为目标。然而，同一花序内的花朵往往异步发育，导致各单朵花之间存在不同的最佳授粉处理窗口。因此，统一的穗级操作无法为每一朵单花提供个体化处理。此前
训练环境
表3详细列出了用于模型训练和测试的服务器环境，以及用于番茄柱头检测任务的嵌入式硬件配置。表4列出了模型训练的超参数设置。
消融实验结果
为验证所提出模型中各改进模块的有效性，本研究对单独和组合模块进行了消融实验，并进行了Grad-CAM特征热力图分析。表5和图12展示了定量评估和可视化结果，
结论
为应对温室番茄生产中由同一花序异步开花、复杂背景和柱头感知固有难度引起的作业不准确问题，本研究开发了一套视觉引导的喷雾系统。通过将操作目标从传统的穗级处理转向柱头级感知和定向喷雾，该系统建立了集识别、定位和喷雾于一体的闭环工作流程。该方法
CRediT作者贡献声明
李明勇： 数据管理，概念构思。顾博林： 撰写——审阅与编辑，撰写——原稿，概念构思。朱晓武： 获取资金，形式分析。孙经纬： 方法论，调查研究。谢晓林： 资源，项目管理。李千文： 监督，软件。陈凯康： 可视化，验证。金鑫： 资源，项目管理。
利益冲突声明
作者声明他们没有已知的竞争性经济利益或个人关系，这些利益或关系可能影响本文所报告的工作。
致谢
本研究得到国家自然科学基金（52405264）、国家重点研发计划（2023YDF2000600，2022YFD2001200）、河南省重大科技专项（241100110200）、河南省现代农业产业技术体系（HARS-22-20-G1）的资助。
李明勇|顾博林|朱晓武|孙经纬|谢晓林|李千文|陈凯康|金鑫
