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-平芜编程栈

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GSConv+VoV-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

🔗