关于复杂果园环境中轻量级苹果检测与三维精确产量估算的研究
陈邦邦(Bangbang Chen)
孙旭哲(Xuzhe Sun)
刘向东(Xiangdong Liu)
马宝健(Baojian Ma)
丁峰(Feng Ding)
《Horticulturae》:Research on Lightweight Apple Detection and 3D Accurate Yield Estimation for Complex Orchard Environments
Bangbang Chen,
Xuzhe Sun,
Xiangdong Liu,
Baojian Ma and
Feng Ding
【字体:
大
中
小
】
时间:2026年03月23日
来源:Horticulturae 3
摘要
在复杂的果园环境中,严重的树叶遮挡和动态变化的光照条件对自动化苹果采摘中的视觉感知系统构成了重大挑战,包括检测精度低、鲁棒性差以及实时性能不足等问题。为了解决这些问题,本研究提出了一种基于YOLOv11的改进型轻量级检测网络,命名为YOLO-WBL,以及一种基于3D点云的精确产量估计算法,称为CLV。YOLO-WBL网络在三个方面进行了优化:(1)在主干网络中引入了集成小波变换的C3K2_WT模块,以增强多尺度特征提取能力;(2)在颈部网络中采用了加权双向特征金字塔网络(BiFPN),以提高多尺度特征融合的效率;(3)设计了一种轻量级的共享卷积分离批量归一化检测头(Detect-SCGN),在保持精度的同时显著减少了参数数量。基于该检测模型,CLV算法通过3D坐标映射、不规则点云重建和凸包体积计算,深度整合了深度相机点云信息,从而实现了对单个果实体积和总产量的准确估计。实验结果表明:(1)YOLO-WBL模型在苹果测试集上的精度为93.8%,召回率为79.3%,平均精度(mAP@0.5)为87.2%;(2)模型大小仅为3.72 MB,比基线模型减少了28.87%;(3)当部署在NVIDIA Jetson Xavier NX边缘设备上时,其推理速度达到8.7 FPS,满足实时要求;(4)在遮挡率低于40%的情景下,产量估计的平均绝对百分比误差(MAPE)可以控制在8%以内。实验验证使用了来自不同光照强度和果实遮挡条件的数据集中的苹果图像进行。结果表明,CLV算法的性能显著优于传统的基于平均权重的估计算法。本研究为复杂果园环境中的智能苹果采摘和产量估计提供了一种高效、准确且可部署的视觉解决方案,为推进智能果园生产提供了实际参考价值。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号