基于YOLO11n的芦笋采收机器人多目标分割与识别定位OA

针对芦笋采收机器人作业过程中的芦笋嫩茎细长、遮挡重叠和母茎干扰导致的多目标分割与识别难题,该研究以YOLO11n-seg为基线模型,提出改进模型YOLO11n-SAL。引入多尺度边缘增强模块(multi-scale edge enhancement module,MEEM),通过对图像边缘特征的分解和增强提升模型边界分割的精度,增强对细长目标的检测能力;同时,结合分离与增强注意力机制(separated and enhancement attention module,SEAM),通过感知并融合遮挡芦笋的多尺度特征增强遮挡环境下对芦笋的检测识别效果。试验结果表明,改进后的YOLO11n-SAL模型在各项评估指标上均取得显著提升,边框下的检测精度、召回率、mAP_(0.5)和mAP_(0.5-0.95)分别为94.2%、83.1%、91.2%和76.2%;掩码下的分割精度、召回率、mAP_(0.5)和mAP_(0.5-0.95)分别为93.4%、77.9%、90.7%和62.7%。热力图分析与检测分割效果对比表明,YOLO11n-SAL模型在不同场景下对芦笋边缘特征的感知能力以及遮挡条件下的多目标分割识别效果均有明显改善,与基线模型相比,检测分割效果更好,且能够有效应对复杂情况的干扰,显著提升了不同场景下芦笋的分割识别精度。为验证模型实际部署的识别及定位效果,基于深度相机和机械臂进行芦笋识别、定位及采收抓取试验,定位成功率达90%以上,采收抓取效果良好,为农业机器人精准采收作业提供了可靠的技术支撑。