红薯收获机器人如何在复杂环境找到抓握点？

红薯是全球重要的粮食作物，营养丰富，广泛应用于食品加工、饲料生产和医药行业。我国海南省种植红薯已有300多年历史，是南方红薯主产区之一。然而，海南地形以中部山地为主，逐渐过渡到丘陵、梯田和平原，形成环形地貌，大型农业机械难以在这些区域作业，红薯收获长期依赖人工，效率低且劳动强度大。农业机器人的发展为解决这一问题带来了希望，但现有机器人视觉系统在复杂收获环境中，常面临红薯与背景（如土壤、杂草、石块）分割不清、抓握点定位适应性不足的挑战。如何让机器人在复杂背景下准确识别红薯轮廓并找到最佳抓握点，成为提升红薯收获机械化水平的关键问题。

海南大学机电工程学院张健副教授等以BASNet网络为基础，提出了一种名为SPECNet的红薯轮廓识别模型。该模型通过三项关键改进提升性能：首先，将标准卷积替换为动态卷积，使网络能根据图像内容自适应调整过滤器，更好捕捉红薯多样的形状特征；其次，引入Haar小波下采样模块，在降低特征图分辨率的同时保留更多细节信息，增强多尺度特征提取能力；最后，改进了标准的SE注意力机制，加入边缘引导模块形成ESE注意力机制，更有效地捕捉和强调红薯的边缘信息，提升轮廓检测精度。相关文章已发表于《农业科学与工程前沿》（英文）（DOI: 10.15302/J-FASE-2025653）。

实验结果显示，SPECNet模型优于ACCoNet、U2-net、BASNet等六种主流对比模型。当输入图像分辨率提升至512 × 512时，模型性能进一步提高，表明其在复杂背景下的红薯轮廓识别精度显著高于现有方法。

为验证实际应用效果，研究团队将模型部署到红薯采摘机器人平台。机器人配备深度相机获取颜色和深度图像，通过模型提取红薯轮廓，计算质心作为抓握点，并利用主成分分析确定抓握方向。实验在室内沙地、田间和草地三种环境下进行，覆盖不同形状的红薯（细长型、粗短型、紧凑型），并在早、中、晚不同光照条件下测试。结果显示，模型实时处理速度达35帧/秒，整体抓握成功率为78%。其中，细长型红薯抓握成功率最高，粗短型和紧凑型因形态与机械手匹配度问题成功率较低。尽管田间杂草和枯叶等干扰会影响识别精度，但模型在不同光照条件下表现稳定，显示出较强的环境适应性。

本研究为红薯收获机器人的视觉系统提供了高效解决方案，有助于提升红薯收获的机械化水平，减轻人工劳动强度，尤其适合海南等地形复杂地区的需求。