基于改进YOLOv8的火龙果采摘机器人系统设计与研究-AET-电子技术应用

基于改进YOLOv8的火龙果采摘机器人系统设计与研究

集成电路应用

刘爱华1，支铁山2

1.广西物流职业技术学院;2.广西自然资源职业技术学院

摘要： 针对火龙果种植环境复杂、果实识别难度大、人工采摘效率低等问题，该研究设计了一种基于改进YOLOv8的火龙果采摘机器人系统。提出融合多尺度特征增强与注意力机制的ME-YOLOv8模型，在主干网络中引入可变形卷积DCNv3增强几何特征提取能力，在颈部层嵌入高效多尺度注意力模块(EMA)改善小目标检测性能。系统构建包含3 600张火龙果图像的数据集，涵盖不同成熟度、遮挡程度和光照条件。实验结果表明，ME-YOLOv8的mAP@0.5达到93%，较原YOLOv8n提升1.6%，推理速度达142帧/秒，模型大小仅5.8 MB。该研究设计六自由度采摘机械臂与柔性末端执行器，集成深度相机实现果实三维定位，单果采摘周期为4.2 s，采摘成功率90.5%。田间实验验证了系统的实用性与可靠性，为火龙果自动化采摘提供了有效的技术方案。

关键词： 火龙果采摘目标检测 YOLOv8 深度学习

中图分类号：TP242.6；S225.93文献标识码：ADOI:10.19339/j.issn.1674-2583.2026.04.012
中文引用格式：刘爱华，支铁山. 基于改进YOLOv8的火龙果采摘机器人系统设计与研究［J］.集成电路应用，2026，43（4）：65-70.
英文引用格式：Liu Aihua，Zhi Tieshan. Design and research of a pitahaya-picking robot system based on improved YOLOv8［J］.Application of IC，2026，43（4）：65-70.

Design and research of a pitahaya-picking robot system based on improved YOLOv8

Liu Aihua1，Zhi Tieshan2

1. Guangxi Logistics Vocational and Technical College; 2. Guangxi Natural Resources Vocational and Technical College

Abstract： Addressing the issues of complex planting environments, recognition difficulty, and low efficiency in manual harvesting of pitahaya, this paper designs a pitahaya harvesting robot system based on the improved YOLOv8. A Multi-scale Enhanced YOLOv8 (ME-YOLOv8) model that integrates multi-scale feature enhancement and attention mechanism is proposed. In the backbone network, deformable convolution DCNv3 is introduced to enhance geometric feature extraction capabilities, and an efficient multi-scale attention module (EMA) is embedded in the neck layer to improve small target detection performance. A dataset containing 3 600 pitahaya images is constructed, covering different maturities, degrees of occlusion, and lighting conditions. Experimental results show that the mAP@0.5 of ME-YOLOv8 reaches 93%, an improvement of 1.6 percentage points compared to the original YOLOv8n. The inference speed reaches 142 frames/s, and the model size is only 5.8 MB.

Key words : pitahaya harvesting; object detection; YOLOv8; deep learning; agricultural robot; computer vision

引言

火龙果作为热带、亚热带地区的特色经济作物，因其营养价值高、市场前景广阔而广泛种植。然而，火龙果采摘作业面临严峻挑战，首先，火龙果植株多为柱状或攀爬式种植，果实悬挂高度通常在较高位置，人工采摘劳动强度大；其次，火龙果果皮极薄，果肉多汁，传统机械采摘极易造成物理损伤导致果实腐烂；最后，火龙果生长环境复杂，叶片容易遮挡果实，且受自然光照影响大，导致视觉识别困难。

近年来，深度学习目标检测技术在农业机器人领域得到广泛应用。YOLO(You Only Look Once)系列算法因其检测速度快、精度高，成为果实识别的首选方案。YOLOv8在农业应用中展现出优异性能，在苹果检测任务中达到85%的准确率，在复杂果园环境下对红色水果检测取得95.7%的mAP@0.5。然而，直接将YOLOv8应用于火龙果采摘仍存在小目标检测能力不足、遮挡场景漏检率高等问题。

针对上述问题，本文提出以下改进策略：(1)在主干网络中引入可变形卷积，增强对不规则形状果实的特征提取；(2)设计高效多尺度注意力模块，强化遮挡果物的上下文建模；(3)优化检测头结构，提升边界框回归精度。同时，设计轻量化采摘机械臂与柔性末端执行器，构建完整的机器人系统并开展田间验证。视觉系统基于改进的YOLOv8算法识别成熟火龙果，并结合深度信息计算采摘点三维坐标。主控计算机将坐标信息发送给运动控制器，驱动电液比例升降平台调整高度，配合六自由度机械臂将末端执行器移动至目标位置。夹爪固定果实后，切割装置切断果柄，随后机械臂将果实轻柔放置于集果箱中，完成一轮采摘循环。

本文详细内容请下载：

http://www.chinaaet.com/resource/share/2000007266

投稿邮箱：ICAPP@belling.com.cn

作者信息：

刘爱华1，支铁山2

(1.广西物流职业技术学院,广西贵港537100;

2.广西自然资源职业技术学院,广西南宁532199)

原创声明：此内容为AET网站原创，未经授权禁止转载。

相关内容