低算力适配！面向采摘机器人的改进 YOLOv8 实现遮挡花椒精准识别

点击蓝字关注我们关注并星标从此不迷路计算机视觉研究院公众号ID计算机视觉研究院学习群扫码在主页获取加入方式https://pmc.ncbi.nlm.nih.gov/articles/PMC12894851/pdf/41598_2026_Article_36671.pdf计算机视觉研究院专栏Column of Computer Vision Institute本文提出的Red-YOLO 轻量检测模型精准又轻巧完美适配采摘机器人嵌入式设备PART/1痛点花椒采摘机器人的 “视觉困境”花椒采摘机器人的核心是视觉识别但传统模型全踩坑两阶段检测模型如 Faster R-CNN精度够但速度慢、参数大带不动嵌入式设备普通 YOLO 模型面对花椒密集重叠、枝叶遮挡容易漏检、误检花椒簇分松散型、紧凑型抓取力度和末端执行器尺寸需适配无专用数据集支撑。为解决这些问题团队自研数据集 优化模型打造出专属花椒的 Red-YOLO。PART/2实验准备专属花椒数据集精准标注不马虎没有公开花椒数据集团队直接实地采集采集地点四川汉源县皇木镇、清溪镇采集数据960 张高清花椒图分松散簇 600 张、紧凑簇 360 张数据增强松散簇用亮度、翻转、网格畸变等 5 种增强紧凑簇剔除网格畸变最终生成训练集 4320 张、验证集 540 张、测试集 96 张标注方式LabelImg 工具 YOLO 格式标注双人交叉核对确保精准。数据集构成、增强方法及划分对比表PART/3模型模型升级三大优化让 Red-YOLO 又准又轻以YOLOv8n为基础模型做三大关键改进平衡精度与轻量化1. 加入 CBAM 注意力机制在主干网络嵌入 CBAM通道 空间双重注意力自动聚焦花椒簇压制枝叶、光照等背景干扰小目标和遮挡花椒也能精准捕捉。CBAM 模块结构示意图2. 替换轻量卷积模块用GSConvVoV-GSCSP替换原卷积和 C2f 模块减少冗余计算模型更轻巧推理速度更快。GSConv 与 VoV-GSCSP 模块结构3. 升级 CARAFE 上采样替换传统最近邻插值内容自适应特征重组保留花椒簇细节结构密集重叠区域也能清晰识别。CARAFE 模型结构PART/4实验效果炸裂碾压主流模型适配嵌入式设备实验数据说话Red-YOLO 完胜 SSD、Faster R-CNN 及多款 YOLO 模型精度拉满精确率91.8%、召回率94.1%、mAP50 达96.2%全面超越对比模型极致轻量参数仅2.9M计算量7.7GFlops比基础 YOLOv8n 更小巧场景适配小目标、遮挡、背景模糊等复杂果园场景零漏检、零误检。各类模型检测效果对比表不同模型花椒检测效果可视化对比Red-YOLO 检测热力图消融实验也证实CBAM、VoV-GSCSP、CARAFE 三大模块缺一不可叠加后性能最优。模型消融实验结果表PART/5总结未来展望让花椒采摘全面智能化Red-YOLO 已为红花椒智能采摘机器人打下坚实视觉基础后续团队将扩充多品种、多地域、多角度数据集提升模型泛化性进一步轻量化优化适配更低算力设备结合多视角感知优化动态采摘识别。从 “人工刺手摘” 到 “机器人精准采”Red-YOLO 让红花椒产业智能化再进一步未来这项技术还能推广到其他小浆果、簇生作物采摘助力农业智慧升级有相关需求的你可以联系我们END转载请联系本公众号获得授权计算机视觉研究院学习群等你加入ABOUT计算机视觉研究院计算机视觉研究院主要涉及深度学习领域主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架提供论文一键下载并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程让大家真正体会摆脱理论的真实场景培养爱动手编程爱动脑思考的习惯往期推荐YOLO-TLA一种基于 YOLOv5 的高效轻量级小目标检测模型ViT-YOLO基于Transformer的用于目标检测的YOLO算法SSMA-YOLO一种轻量级的 YOLO 模型具备增强的特征提取与融合能力适用于无人机航拍的船舶图像检测LUD-YOLO一种用于无人机的新型轻量级目标检测网络Gold-YOLO基于聚合与分配机制的高效目标检测器Drone-YOLO一种有效的无人机图像目标检测「无人机AI」“空中城管”无人机AI光伏巡检自动化解决方案无人机视角下多类别船舶检测及数量统计机场项目解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题2PCNet昼夜无监督域自适应目标检测附原代码YOLO-S小目标检测的轻量级、精确的类YOLO网络大改Yolo框架 | 能源消耗极低的目标检测新框架附论文下载改进的检测算法用于高分辨率光学遥感图像目标检测