基于机器视觉的露地甘蓝无人化采收作业质量检测模型

doi:10.15933/j.cnki.1004-3268.2025.10.016

河南农业科学 ›› 2025, Vol. 54 ›› Issue (10): 150-158.DOI: 10.15933/j.cnki.1004-3268.2025.10.016

• 农业信息与工程·农产品加工 • 上一篇下一篇

基于机器视觉的露地甘蓝无人化采收作业质量检测模型

李晓锁^1,2，郭旺^1,2,3，朱华吉^1,2,3，顾静秋^1,2,3，李庆学^1,2,3，吴华瑞^1,2,3

（1.国家农业信息化工程技术研究中心，北京 100097；2.北京市农林科学院信息技术研究中心，北京 100097；3.农业农村部数字乡村技术重点实验室，北京 100097）

收稿日期:2025-03-10 接受日期:2025-04-29 出版日期:2025-10-15 发布日期:2025-10-17
通讯作者: 吴华瑞（1975-），男，山东聊城人，研究员，博士，主要从事农业信息化研究。E-mail：wuhr@nercita.org.cn
作者简介:李晓锁（1998-），女，黑龙江齐齐哈尔人，工程师，硕士，主要从事农业信息化研究。E-mail：lixs@nercita.org.cn
基金资助:
国家重点研发计划项目（2023YFD2001205）；国家大宗蔬菜产业技术体系岗位专家项目（CARS-23-D07）

Quality Detection Model of Unmanned Harvesting Operation of Open‐Field Cabbage Based on Machine Vision

LI Xiaosuo^1,2，GUO Wang^1,2,3，ZHU Huaji^1,2,3，GU Jingqiu^1,2,3，LI Qingxue^1,2,3，WU Huarui^1,2,3

（1.National Engineering Research Center for Information Technology in Agriculture，Beijing 100097，China；2.Information Technology Research Center，Beijing Academy of Agriculture and Forestry Sciences，Beijing 100097，China；3.Key Laboratory of Digital Rural Technology，Ministry of Agriculture and Rural Affairs，Beijing 100097，China）

Received:2025-03-10 Accepted:2025-04-29 Published:2025-10-15 Online:2025-10-17

摘要/Abstract

摘要： 采收后甘蓝质量精准识别是实现露地甘蓝无人化采收作业质量检测的前提，为解决采收甘蓝质量识别过程中存在的采收背景环境复杂、运输装置运行速度快导致甘蓝特征难以获取、对小目标识别精度不足的问题，提出一种基于YOLOv8s的轻量化采收作业质量检测方法。首先，采用RepVGG模块替换Backbone层中部分Conv模块，增强原始模型特征提取能力的同时减少模型参数量；其次，引入CBAM卷积注意力模块抑制复杂背景中的非关键特征信息，使模型更加关注采收的成熟甘蓝质量；最后，在Head层中增加下采样为4的小目标检测头P2，增强模型对多尺度甘蓝的检测能力。结果表明，改进的模型相较于原始YOLOv8s模型，准确率、召回率和mAP50：95（IoU在0.50~0.95阈值的平均精度）分别提高2.5、0.9、1.9百分点。与常见的目标检测模型相比，在甘蓝采收作业数据集上的检测结果也具有明显优势。改进的模型能够准确识别露地甘蓝无人化采收作业的质量，可为远程调控机具作业参数提供数据支撑，为露地蔬菜自主无人精准作业的研究和应用提供理论参考。

关键词: 露地甘蓝, 采收质量检测, 无人化作业, 改进YOLOv8s, 目标检测, 卷积注意力机制

Abstract: Accurate quality recognition of harvested cabbage is the premise for quality detection of unmanned harvesting operation of open‐field cabbage.In order to solve the problems of complex harvesting background environment，difficulty in obtaining cabbage features due to the fast operation speed of transportation devices，and insufficient identification accuracy for small targets in the process of quality recognition of harvested cabbage，a lightweight harvesting quality detection method based on YOLOv8s was proposed.Firstly，RepVGG module was used to replace some Conv modules in Backbone layer，which could enhance the feature extraction capability of the original model while reducing the number of model parameters.Secondly，CBAM convolutional attention module was introduced to suppress the non‐critical feature information in the complex background，so that the model paid more attention to the quality of harvested mature cabbage.Finally，a small target detection Head P2 with a downsample of 4 was added to the Head layer to heighten the detection ability of the model for multi‐scale cabbage.The results showed that compared with the original YOLOv8s model，the Precision，Recall and mAP50：95 of the optimized model were improved by 2.5，0.9 and 1.9 percentage points respectively.Compared with the common target detection model，the detection results on the cabbage harvesting operation dataset also had obvious advantages.The improved model can accurately identify the quality of unmanned harvesting operation of open‐field cabbage，provide data support for remote control of machine operation parameters，and provide theoretical reference for the research and application of autonomous unmanned precision operation of open‐field vegetables.

Key words: Open‐field cabbage, Harvest quality monitoring, Unmanned operation, Improved YOLOv8s, Object detection, Convolution attention mechanism

中图分类号:

S126

李晓锁, 郭旺, 朱华吉, 顾静秋, 李庆学, 吴华瑞. 基于机器视觉的露地甘蓝无人化采收作业质量检测模型[J]. 河南农业科学, 2025, 54(10): 150-158.

LI Xiaosuo, GUO Wang, ZHU Huaji, GU Jingqiu, LI Qingxue, WU Huarui. Quality Detection Model of Unmanned Harvesting Operation of Open‐Field Cabbage Based on Machine Vision[J]. Journal of Henan Agricultural Sciences, 2025, 54(10): 150-158.

图/表 9

参考文献

［1］佟文玉，张健飞，宋志禹，等. 甘蓝收获技术与装备研究现状及发展趋势［J］.中国农机化学报，2024，45（1）：322‐329.
TONG W Y，ZHANG J F，SONG Z Y，et al. Research status and development trend of cabbage mechanical harvesting equipment and technology［J］. Journal of Chinese Agricultural Mechanization，2024，45（1）：322‐329.
［2］杨家豪，房欣，马浏轩，等. 结球蔬菜收获机械研究现状与方向［J］. 农机化研究，2023，45（11）：10‐17.
YANG J H，FANG X，MA L X，et al. Research status and direction of headed vegetable harvesting machinery［J］. Journal of Agricultural Mechanization Research，2023，45（11）：10‐17.
［3］CUI G P，ZHENG X M，WANG J Z，et al. Physical and mechanical experiments for designing cabbage precision trimming device［C］//ASABE Annual International Meeting. Boston，Massachusetts，USA：ASABE，2019：1901420.
［4］袁欣悦，梁帅，肖安靖. 数智化背景下我国蔬菜产业发展现状及建议［J］. 北方园艺，2024（24）：128‐133.
YUAN X Y，LIANG S，XIAO A J. Development status and suggestions of Chinese vegetable industry under the background of digital intelligence［J］.Northern Horticulture，2024（24）：128‐133.

［5］JIN C Q， LIU S K， CHEN M. Semantic segmentation‐based mechanized harvesting soybean quality detection［J］. Science Progress，2022，105（2）：00368504221108518.

［6］DENG X W，LIANG S. Detection of rice seed hole seeding amount based on deep learning［C］//IEEE 6th Information Technology，Networking，Electronic and Automation Control Conference. Chongqing，China：IEEE，2023：1110‐1114.

［7］段志勇，张青，初麒，等. 嫁接机作业质量监测试验研究［J］. 农机化研究，2024，46（9）：198‐202.

DUAN Z Y，ZHANG Q，CHU Q，et al. Study on monitoring graft quality for grafting machine［J］. Journal of Agricultural Mechanization Research，2024，46（9）：198‐202.

［8］THAKURIA A，ERKINBAEV C. Real‐time canola damage detection：An end‐to‐end framework with semi‐automatic crusher and lightweight ShuffleNetV2_YOLOv5s［J］. Smart Agricultural Technology，2024，7：100399. ［9］吴小燕，郭威，朱轶萍，等. 基于改进YOLOv8s的大田甘蓝移栽状态检测算法［J］.智慧农业（中英文），2024，6（2）：107‐117.

WU X Y，GUO W，ZHU Y P，et al. Transplant status detection algorithm of cabbage in the field based on improved YOLOv8s［J］. Smart Agriculture，2024，6（2）：107‐117.

［10］韩鸿飞，郭彦克，韩长杰，等. 自动移栽机作业质量监测系统的设计与试验［J］. 农机化研究，2023，45（1）：105‐109.

HAN H F，GUO Y K，HAN C J，et al. Research and experiment on operation quality monitoring system of automatic transplanter［J］. Journal of Agricultural Mechanization Research，2023，45（1）：105‐109.

［11］王尚彦. 自走式甘蓝收获试验台设计与试验研究［D］.镇江：江苏大学，2023.

WANG S Y. Design and experimental research of self‐propelled cabbage harvesting test platform［D］.Zhenjing：Jiangsu University，2023.

［12］柴长虹，刘凯华，李沐桐，等. 浅析甘蓝机械化收获技术的发展现状及应对措施［J］.南方农机，2024，55（S1）：45‐49.

CHAI C H，LIU K H，LI M T，et al. Analysis on the development status and countermeasures of cabbage mechanized harvesting technology［J］. China Southern Agricultural Machinery，2024，55（S1）：45‐49.

［13］王宁，智敏. 深度学习下的单阶段通用目标检测算法研究综述［J］. 计算机科学与探索，2025，19（5）：1115‐1140.

WANG N，ZHI M. Review of one‐stage universal object detection algorithms in deep learning［J］.Journal of Frontiers of Computer Science and Technology，2025，19（5）：1115‐1140.
［14］DING X H，ZHANG X Y，MA N G，et al. RepVGG：Making VGG‐style ConvNets great again［C］//IEEE/CVF Conference on Computer Vision and Pattern Recognition. Nashville，TN，USA：IEEE，2021：13728‐13737.
［15］HU J， SHEN L， ALBANIE S， et al.Squeeze‐and‐excitation networks［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2020，42（8）：2011‐2023.
［16］WANG Q L，WU B G，ZHU P F，et al. ECA‐Net：Efficient channel attention for deep convolutional neural networks［C］//IEEE/CVF on Computer Vision and Pattern Recognition. Seattle，WA，USA：IEEE，2020：11531‐11539.
［17］YANG Z X，ZHU L C，WU Y，et al. Gated channel transformation for visual recognition［C］//IEEE/CVF Conference on Computer Vision and PatternRecognition. Seattle，WA，USA：IEEE，2020：11791‐11800.
［18］WOO S，PARK J，LEE J Y，et al. CBAM：convolutional block attention module［C］//European Conference on Computer Vision. Cham：Springer，2018：3‐19.
［19］LIU Y C，SHAO Z R，HOFFMANN N. Global attention mechanism： Retain information to enhance channel‐spatial interactions［EB/OL］.（2021‐12‐10）［2025‐09‐19］. https：//arxiv. org/abs/. 2112. 05561.
［20］SHAO H，ZENG Q，HOU Q，et al. MCANet：Medical image segmentation with multi‐scale cross‐axis attention［J］. Machine Intelligence Research，2025（22）：437‐451.
［21］WANG C Y，BOCHKOVSKIY A，LIAO H M. YOLOv7：Trainable bag‐of‐freebies sets new state‐of‐the‐art for real‐time object detectors［C］//IEEE/CVF Conference on Computer Vision and Pattern Recognition.Vancouver，BC，Canada：IEEE，2023：7464‐7475.
［22］WANG C Y，YEH I H，LIAO H M. YOLOv9：Learning what you want to learn using programmable gradient information［C］//European Conference on Computer Vision. Cham：Springer，2024：1‐21.
［23］WANG A，CHEN H，LIU L H，et al. YOLOv10：Real‐time end‐to‐end object detection［C］//Proceedings of the 38th International Conference on Neural Information Processing Systems. Vancouver，BC，Canada：ACM，2024：107984‐108011.
［24］REN S Q，HE K M，GIRSHICK R，et al. Faster R‐CNN：Towards real‐time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（6）：1137‐1149.
［25］LIU W，ANGUELOV D，ERHAN D，et al. SSD：single shot multibox detector［C］//European Conference on Computer Vision. Cham：Springer，2016：21‐37.

[1]	臧贺藏, 周萌, 王亚辉, 彭一龙, 赵晴, 张杰, 李国强. 基于改进YOLOv8n 的麦穗自动检测方法研究[J]. 河南农业科学, 2025, 54(7): 162-169.
[2]	胡峻峰, 李松青, 黄晓文, 刘大洋, 李柏聪. 基于改进YOLOv5s 的轻量级葡萄目标检测融合算法[J]. 河南农业科学, 2024, 53(9): 150-158.
[3]	戴佳兵, 宋春芳, 凌彩金, 李臻锋, 孙崇高. 基于YOLOv5s-SE和通道剪枝的虫咬紫金蝉茶检测方法研究[J]. 河南农业科学, 2024, 53(5): 157-163.
[4]	王川, 赵恒滨, 李国强, 张建涛, 高桐梅, 赵巧丽, 郑国清. 基于改进YOLOX模型的芝麻蒴果检测方法研究[J]. 河南农业科学, 2022, 51(11): 155-162.

基于机器视觉的露地甘蓝无人化采收作业质量检测模型

Quality Detection Model of Unmanned Harvesting Operation of Open‐Field Cabbage Based on Machine Vision

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献

相关文章 4

编辑推荐

Metrics