农业工程学报

作者：陈金成,冯青春,王佰伟,张景,纪超,

关键词：苹果, YOLOv8, 深度学习, 疏花, 花蕾定位, 几何约束, 位置估计

基金：42

针对苹果花蕾期自动化疏花对花蕾生长位置精准估计的需求，解决复杂冠层环境下花蕾检测困难、枝条拓扑重建模糊及花蕾-枝条归属判定不准的问题，该研究提出一种融合深度学习和几何约束的疏花期花蕾生长位置估计方法。改进YOLOv8模型（YOLO-Bud），引入可变形卷积（DCNv4）增强形态适应性，设计轻量级下采样模块（DSampleLite）平衡效率与特征表达，采用Shape-IoU损失优化边界回归，实现花蕾、枝条、叶片及花枝的实例分割；基于主成分分析（PCA）提取枝条片段主方向，结合生长方向一致性（第一主成分（bold>PCA1/bold>）夹角不超过20°）和空间分布相关性（质心连线与bold>PCA1/bold>夹角不超过15°）双重约束判定枝条片段隶属关系，并利用基样条曲线(B-样条曲线)拟合重建断裂枝条轮廓；依据花蕾/花枝质心至枝条多边形的最近距离判定隶属关系，结合花蕾生长方向与枝条方向锐角约束，以花枝-枝条轮廓交线中点定位花蕾生长位置。YOLO-Bud模型在复杂果园图像分割中平均精度（mAP）达81.70%，交并比（IoU）为67.70%；双重约束下枝条片段分类准确率达96.10%，重建枝条边缘与真实标注的IoU为0.82；花蕾、花枝隶属判定准确率分别为90.81%和95.58%，花蕾生长位置估计的均方根误差（RMSE）为3.37像素。该方法在复杂果园环境下具备良好的分割精度与几何重建能力，可为苹果疏花机器人提供可靠的空间决策依据。/

来源：2026年第7期

《农业工程学报》期刊编辑部

查看农业工程学报杂志2026年第7期