基于机器视觉的草莓目标识别与定位方法研究.pdf

摘要

草莓果实鲜美可口，具有丰富的营养价值，受到广大消费者喜爱，且每年产量巨

大。目前草莓收获主要以人工采摘的方式进行，需要耗费大量人力，采摘成本高。随

着我国对农业机械化的重视，果蔬自动化采摘概念被提出并不断发展。要想实现草莓

自动化采摘，首先要能识别并定位到草莓位置，现如今的图像识别技术，还存在对小

目标草莓识别精度不高，复杂草莓生长环境下识别效率低等问题。本文研究自然环境

下草莓果实的识别与定位方法，针对草莓果实较小，生长环境复杂的特点改进YOLOv8

算法，提高算法对实际生长环境中草莓的检测能力，并使用改进算法与深度相机结合

进行三维定位。为草莓采摘机器人视觉系统研究提供参考，以推动草莓的机械化采摘。

主要内容如下：

（1）实际草莓生长环境中的图像采集及数据集制作。要实现草莓识别功能，需

要草莓图像数据集，在草莓园拍照，从不同拍摄距离、不同拍摄角度获取草莓图像，

确保在对YOLO算法进行训练时所用数据集具有普遍草莓果实的代表性。并对采集的

图片通过自由旋转、加入高斯噪声、加入椒盐噪声的方式进行数据扩充，增加算法对

草莓识别的泛化能力并提高抗干扰能力，对图片进行标注，制作出草莓图像数据集。

（2）草莓果实识别算法的改进。针对草莓实际生长环境复杂，目标较小的特点，

对YOLOv8目标识别算法进行改进，以得到适合现实草莓识别的模型。在YOLOv8算法

基础上进行如下改进：删除20×20像素大目标检测层，增加160×160像素小目标检

测层，提高算法对小目标检测性能并轻量化网络模型，引入GAM注意力机制模块，提

高对小目标检测的精确率，引入SPD-Conv模块，提高对草莓果实的召回率，分析

YOLOv8算法中CIOU损失函数的不足，替换为EIOU损失函数，提高模型收敛能力。

（3）进行消融试验、对比试验、数据集对比试验、预测结果对比试验、特征提

取可视化以充分验证算法改进的有效性。实验结果表明改进模型能有效减少小型草莓

漏检，复杂环境下草莓误检的情况，在GPU上对单张草莓果实图像检测时间为17.2ms，

模型大小为2460KB。与原YOLOv8n模型进行对比，检测精确率提高1.3%，召回率提

高2.1%，mAP值提高1.6%，模型体积缩减59.7%，便于算法模型的移动平台部署。

（4）深度相机与图像识别技术结合的草莓果实三维定位。识别到图像中的草莓

后，还需进行草莓空间定位。本文介绍了坐标系之间的相互转换原理，为获取Azure

Kinect相机的内外参数和相关矩阵，使用MATLAB工具对相机进行标定实验。利用改

进的算法识别模型识别彩色图，得到的像素坐标与深度图配准并进行坐标转换，得到

草莓果实相对于相机的三维坐标，对三维坐标进行误差分析，发现本文识别定位方法

的相对误差小于2%，能满足实际采摘要求。最后在实验室进行草莓采摘试验，以判

断识别定位方法的可行性。

关键词：草莓采摘图像识别YOLOv8AzureKinect三维定位

Abstract

Strawberryisdeliciousanddelicious,hasrichnutritionalvalue,is

lovedbythemajorityofconsumers,andtheannualoutputishuge.Atpresent,

strawberryharvestingismainlycarriedoutbymanualpicking,whichrequires

alotofmanpowerandhighpickingcost.Withtheemphasisonagricultural

mechanizationinourcountry,theconceptofautomaticpickingoffruitsand

vegetableshasbeenputforwardanddevelopedcontinuously.Inorderto

realizetheautomaticpickingofstrawberries,wemustfirstbeableto

identifyandlocatethelocationofstrawberries.nowadays,theimage