答辩博士：吕鹏飞
指导老师：薛金林教授
论文题目：梨园采摘机器人自主导航环境感知方法研究
答辩委员会：
主席：
汪小旵教授/博导 南京农业大学
委员：
周俊教授/博导南京农业大学
郑恩来教授/博导 南京农业大学
周国民研究员/博导农业农村部南京农业机械化研究所
周东华教授/博导东南大学
孙鑫教授/博导美国北达库他州立大学
答辩秘书：
侯广宇讲师南京农业大学
答辩时间：2026年8月21日9:00
答辩地点：滨江校区12#B442
论文简介：
果园采摘机器人是缓解果园劳动力短缺、降低采收作业成本并推动现代果业智能化转型的重要技术装备。自主导航能力是其在复杂非结构化果园环境中实现安全行驶、连续作业与高效采摘的核心支撑，通常涵盖环境感知、决策规划、执行等环节。其中，环境感知作为自主导航系统的前端基础，是实现稳定导航与连续自主作业的关键前提。
对于梨果采摘机器人而言，在“行间行驶—驻停采摘—地头换行”连续作业过程中，需要稳定感知行间路径、实时识别障碍物，并准确判断是否到达适宜采摘停车位置及地头区域，为路径规划、运动控制与作业决策提供可靠依据。然而，真实梨园环境具有典型的非结构化特征，光照剧烈变化、行间边界模糊、杂草遮挡、树干特征不稳定及障碍物分布复杂等因素，易导致机器人在行间路径感知、障碍物检测、采摘停车位置判定与地头判定等任务中出现感知不稳定、误检漏检、距离估计偏差和实时性不足等问题。同时，现有视觉感知算法普遍存在模型规模较大、计算复杂度较高等问题，边缘端部署适应性不足，难以兼顾感知精度、环境鲁棒性与推理实时性。因此，本文以梨果采摘机器人为研究对象，以复杂梨园环境下自主导航环境感知为研究主线，围绕行间路径感知、障碍物检测、采摘停车位置判定与地头判定等关键任务，构建面向梨果采摘机器人自主导航的视觉感知方法体系，为其连续自主作业与实用化研制提供感知方法支撑和关键技术方案。主要研究内容及结论如下:
（1）构建了考虑梨园农艺约束的梨果采摘机器人自主导航感知实验平台。针对复杂梨园环境下自主导航与连续采摘作业需求，开展典型梨园种植模式、行间结构特征及作业环境调研，明确机器人在行间通行、驻停采摘和地头换行等连续作业过程中的功能需求与设计约束。在此基础上，完成履带式移动底盘、双目视觉感知系统、惯性测量单元、边缘计算单元及双臂采摘执行系统的集成设计，并构建基于ROS的分布式软件架构，实现感知、决策与执行模块之间的数据交互与任务协同，为后续导航环境感知算法部署验证与系统集成提供统一实验平台。
（2）提出了面向树干结构特征显著场景的果园行间路径感知方法。针对梨园中小尺度细长树干检测困难、现有模型难以兼顾检测精度与边缘端部署能力，以及杂草干扰易引起树干定位特征点提取误差，进而降低传统路径拟合精度与稳定性等问题，提出融合轻量化树干检测与双最短距离交点算法的果园行间路径感知方法。首先，设计特征融合增强架构，构建YOLO-DAC树干检测器，以增强复杂背景下小尺度树干目标的特征表达能力；进一步采用网络剪枝策略对冗余通道与参数进行优化，形成轻量化树干检测模型YOLO-DP，在保持检测精度的同时降低模型复杂度，实现树干定位特征点的准确提取与实时推理。其次，基于树干定位特征点，提出双最短距离交点算法DSDI，通过左右树行几何约束与双最短距离交点原理生成行间导航路径，提高杂草干扰、异常定位点及局部漏检条件下路径提取的稳定性。实验结果表明，与基线模型YOLO11s相比，所提检测模型的mAP50提升5.9个百分点，模型体积缩减88.04%，FLOPs降低64.32%，FPS提高64.71%；在无杂草与杂草干扰场景下，导航路径平均提取准确率达到89%，平均航向角偏差为2.48°，验证了该方法在树干结构特征显著场景下的有效性。
（3）提出了面向树干结构特征弱化场景的果园行间路径感知方法。在枝叶遮挡、冠层封闭等场景中，树干结构特征弱化甚至局部不可见，导致基于树干特征的路径感知方法适用性受限。为克服上述场景局限，采用行间可行驶区域的整体语义信息作为路径感知依据。然而，复杂梨园环境中的行间边界模糊与杂草干扰易造成可行驶区域分割困难，现有分割模型难以兼顾分割精度与边缘端部署需求，且地形起伏与分割结果噪声易降低传统路径拟合的精度与稳定性。针对上述问题，提出融合轻量化行间可行驶区域分割与时空鲁棒路径提取的果园行间路径感知方法，以拓展梨果采摘机器人在不同树干可见性条件下的行间路径感知适用范围。首先，构建高效行间可行驶区域分割网络EORS-Net。该网络以DeepLabV3+为基础框架，引入ShuffleNetV2轻量化骨干网络以降低模型复杂度，并嵌入高效多尺度注意力模块，增强复杂背景下行间可行驶区域及其边界的特征表达能力，实现分割精度与推理效率的协同优化。其次，提出时空自适应鲁棒路径提取方法STAR，通过动态灭点估计、自适应逆透视映射、质心采样、Huber鲁棒拟合与时序滤波，减弱分割掩码破损、局部噪声及离群点对路径提取的影响，实现复杂场景下行间路径的连续稳定提取。实验结果表明，EORS-Net的mIoU和mPA分别达到95.02%和97.44%，较DeepLabV3+基线模型分别提升1.97个百分点和1.11个百分点，参数量和计算量均降低80%以上，推理速度达到110.02 FPS。在不同杂草干扰条件下，STAR方法的路径提取准确率达到90.00%，平均航向角偏差为2.17°，整体性能优于LSM、HT和RANSAC等传统方法。所提方法能够有效提升树干结构特征弱化场景下行间路径感知的稳定性，并与面向树干结构特征显著场景的路径感知方法形成场景互补，从而拓展梨果采摘机器人在不同树干可见性条件下的路径感知适用范围。
（4）提出了基于扩散模型数据增强与轻量化双骨干网络的果园障碍物检测方法。针对果园障碍物类别分布不均衡、少数类样本不足以及Transformer检测框架计算开销较大、边缘端部署困难等问题，构建融合信噪比自适应归一化扩散模型（SNRA-DDPM）与轻量化双骨干检测网络（DBFNet）的果园障碍物检测框架。首先，提出SNRA-DDPM生成式数据增强模型，通过引入信噪比自适应归一化机制，实现果篮、梯子等少数类障碍物样本的高保真生成与数据分布重平衡。其次，以RT-DETR为基础框架，构建轻量化双骨干检测网络DBFNet，利用HGNetV2与改进的CSPDarkNet协同提取全局语义信息与局部细节特征，并设计DFusion特征融合模块，增强双骨干异构特征之间的信息交互与融合能力。实验结果表明，SNRA-DDPM在果篮与梯子等少数类样本生成质量方面优于标准DDPM。DBFNet在较低计算复杂度下实现了88.21%的mAP50和208.79 FPS，检测精度与推理效率均优于RT-DETR-r18基线模型。引入SNRA-DDPM数据增强后，模型检测性能进一步提升。部署结果表明，所提方法在640像素分辨率与FP16精度下实现了44.48 FPS，较基线模型提高了17.2%，验证了其在复杂果园环境下的实时障碍物检测能力与边缘端部署可行性。
（5）提出了基于双目立体视觉的采摘停车位置与地头判定方法。梨果采摘机器人在连续自主作业过程中，需要准确判断是否到达适宜的采摘停车位置以及是否进入行间末端区域，以支撑驻停采摘与地头换行；上述判定依赖于对目标果树树干与地头导航标志的准确识别与分割，以及对机器人与两类目标之间空间距离的稳定估计。然而，复杂梨园环境下，上述目标边界不清、纹理特征弱等问题易降低实例分割与双目匹配精度，且分割掩码边缘泄漏与视差离群噪声会进一步影响距离估计的准确性与稳定性。为此，构建了融合轻量化实例分割、深度学习立体匹配与鲁棒距离解算的双目视觉感知方法，实现目标树干与地头导航标志的高精度实例分割及空间距离稳健估计，为采摘停车位置判定与地头判定提供可靠的视觉感知依据。首先，构建轻量化实例分割模型SEG-DK，用于实现树干与地头导航标志的高精度分割。该模型以YOLO11s-seg为基础，引入DAC特征融合架构增强多尺度目标特征表达能力，并结合结构化剪枝与通道级知识蒸馏策略，在降低模型复杂度的同时保持较高分割精度，为后续目标空间距离估计提供可靠的目标掩码。其次，引入CREStereo立体匹配网络，通过二维自适应相关性建模与级联递归优化，提高重复纹理、强光阴影及平台振动干扰条件下的立体匹配性能，实现复杂梨园环境下的高精度稠密视差估计。最后，提出MDTW-KDE距离解算方法，通过形态学距离变换构建像素级空间置信权重，并结合加权核密度估计对目标深度分布进行鲁棒建模，有效抑制掩码边缘泄漏与视差离群噪声对距离解算的影响，从而提高目标空间距离估计的精度与稳定性。实验结果表明，SEG-DK在仅具有0.92 M参数量和2.39 MB模型体积的条件下，实现了96.70%的掩码mAP50和199.55 FPS的推理速度，在分割精度、模型规模与推理效率之间取得了较好平衡。测距实验结果表明，所提方法对树干及四类地头导航标志的平均相对误差为1.14%，最大相对误差不超过2.46%。与中心点法和掩码均值法相比，MDTW-KDE的平均相对误差分别降低了79.5%和62.5%。所提方法能够稳定获取树干与地头导航标志的类别、位置及距离信息，为梨果采摘机器人采摘停车位置判定与地头判定提供可靠的视觉感知支撑。
主要创新点如下：
（1）提出了面向不同树干可见性条件的两类互补式果园行间路径感知方法。针对树干结构特征显著场景，构建轻量化树干检测模型YOLO-DP，并提出DSDI路径提取算法，基于左右树行几何约束生成行间导航基准线；针对树干结构特征弱化或局部不可见场景，构建行间可行驶区域分割模型EORS-Net，并提出STAR时空鲁棒路径提取算法，基于整体区域语义与时序约束实现导航基准线的连续稳定提取。所提两类方法分别以局部树干结构特征和整体行间空间语义为感知依据，形成相互补充的技术路线，拓展了梨果采摘机器人在不同树干可见性条件下的行间路径感知适用范围。
（2）提出了一种基于改进DDPM生成式数据增强与轻量化双骨干网络的果园障碍物检测方法。通过信噪比自适应归一化机制构建SNRA-DDPM生成式数据增强模型，实现果篮、梯子等少数类障碍物样本的高保真生成与数据分布重平衡；构建DBFNet轻量化双骨干检测网络，利用HGNetV2与改进CSPDarkNet协同提取全局语义信息与局部结构特征，并通过内嵌的DFusion模块增强异构特征自适应融合能力，从数据分布优化与模型结构改进两个层面提高了复杂果园环境下障碍物检测的准确性、鲁棒性与边缘端部署效率。
（3）提出了一种基于双目立体视觉的采摘停车位置与地头判定方法。通过构建SEG-DK轻量化实例分割模型、引入CREStereo立体匹配网络，并提出MDTW-KDE距离估计方法，有效抑制掩码边缘泄漏、局部遮挡和深度离群值对距离解算的影响，实现了树干与地头导航标志的实时实例分割、稠密视差估计和目标空间距离鲁棒获取，为梨果采摘机器人采摘停车位置判定与地头判定提供视觉感知支撑。
