
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于YOLOv8n-pose的未成熟苹果轻量级关键点检测与姿态估计
《Journal of Food Measurement and Characterization》:Lightweight keypoint detection and pose estimation for immature apples based on YOLOv8n-pose
【字体: 大 中 小 】 时间:2026年06月30日 来源:Journal of Food Measurement and Characterization 3.6
编辑推荐:
摘要在规范化的苹果园中,果实套袋是提升苹果品质的重要措施。然而,在复杂的田间环境下,要准确高效地检测未成熟苹果仍面临挑战。现有的未成熟苹果识别方法存在关键点检测精度不足、姿态估计精度不够以及计算成本过高的问题。为解决这些缺陷,本研究提出了YOLO-LAKP,这是一种基于“一次看齐
在规范化的苹果园中,果实套袋是提升苹果品质的重要措施。然而,在复杂的田间环境下,要准确高效地检测未成熟苹果仍面临挑战。现有的未成熟苹果识别方法存在关键点检测精度不足、姿态估计精度不够以及计算成本过高的问题。为解决这些缺陷,本研究提出了YOLO-LAKP,这是一种基于“一次看齐”(YOLO)v8n-Pose框架的轻量级关键点检测模型。该模型通过整合上下文锚点注意力(CAA)、高级筛选特征金字塔网络(HS-FPN)和小波变换卷积(WTConv),提升了对未成熟苹果的特征表示与多尺度融合能力。实验结果显示,YOLO-LAKP的精确率为91.10%,召回率为86.00%,mAP@0.5值为88.50%,同时仅需154万个参数、5.8 GFLOPs的计算量以及3.2 MB的存储空间。基于检测到的关键点,进一步开发了一种基于深度信息的方法用于未成熟苹果的3D姿态估计。在不同的光照条件及轻微遮挡情况下,该方法的平均角度误差仅为7.43°。这些结果表明,YOLO-LAKP是一种实用的轻量级方法,可用于未成熟苹果的关键点检测与姿态估计,具有应用于机器人果实套袋的潜力。

在规范化的苹果园中,果实套袋是提升苹果品质的重要措施。然而,在复杂的田间环境下,要准确高效地检测未成熟苹果仍面临挑战。现有的未成熟苹果识别方法存在关键点检测精度不足、姿态估计精度不够以及计算成本过高的问题。为解决这些缺陷,本研究提出了YOLO-LAKP,这是一种基于“一次看齐”(YOLO)v8n-Pose框架的轻量级关键点检测模型。该模型通过整合上下文锚点注意力(CAA)、高级筛选特征金字塔网络(HS-FPN)和小波变换卷积(WTConv),提升了对未成熟苹果的特征表示与多尺度融合能力。实验结果显示,YOLO-LAKP的精确率为91.10%,召回率为86.00%,mAP@0.5值为88.50%,同时仅需154万个参数、5.8 GFLOPs的计算量以及3.2 MB的存储空间。基于检测到的关键点,进一步开发了一种基于深度信息的方法用于未成熟苹果的3D姿态估计。在不同的光照条件及轻微遮挡情况下,该方法的平均角度误差仅为7.43°。这些结果表明,YOLO-LAKP是一种实用的轻量级方法,可用于未成熟苹果的关键点检测与姿态估计,具有应用于机器人果实套袋的潜力。
