基于机器视觉的苹果芽疏除系统开发及其在精准负载管理中的应用

为解决苹果园管理中人工芽疏除(ASE)劳动强度大、成本高的问题，研究人员开发了集成Kinect Azure传感器和YOLOv8模型的机器视觉系统，实现芽体实时检测（精度68%，召回率55%）与枝条直径测量（p=0.98无显著差异）。该系统为精准负载管理提供了自动化解决方案，显著提升果园管理效率。

　　

在商业苹果种植中，人工芽疏除(Artificial Spur Extinction, ASE)是优化果实大小和品质的关键措施，但依赖季节性高强度劳动。美国宾夕法尼亚州立大学的研究团队开发了一套基于机器视觉的自动化系统，通过三维直角坐标机械臂搭载Kinect Azure深度传感器，结合YOLOv8目标检测模型，实现了复杂果园环境下的苹果芽实时检测（mAP 59%）和枝条直径测量。该系统为精准农业中的自动化负载管理提供了技术支撑。

研究采用多模态数据融合策略，整合FLIR与Kinect Azure传感器数据训练模型，并通过主成分分析(PCA)优化枝条直径测量算法。在30株‘Gala’苹果树的田间试验中，系统成功避免了芽体重复计数，且直径测量结果与人工卡尺无统计学差异（p=0.98）。

分支直径测量：通过RGB-D成像和PCA分析，两种半自动测量方法与人工测量一致性达98%，验证了其田间适用性。
YOLO模型评估：在混合数据集训练的模型展现出最佳平衡性（F1-score 61%），尤其适应果园复杂光照条件。
芽体计数算法：采用运动补偿跟踪技术，有效解决相邻帧芽体重叠问题，计数准确率较传统方法提升40%。

该研究首次将深度学习的实例分割技术与传统园艺实践结合，为ASE自动化提供了可落地的技术方案。通过精准计算芽体密度（buds/cm² BCA），系统可指导机器人完成靶向疏除，预计降低人工成本60%以上。未来通过集成机械臂控制系统，有望实现从检测到执行的全闭环管理，推动智慧果园发展。论文发表于《Computers and Electronics in Agriculture》，为农业机器人领域提供了重要范式。