近日，机械与电子工程学院苹果智能化生产团队在《Computers and Electronics in Agriculture》上发表题为“Apple diameter prediction during mechanical picking based on flexible force-sensing and CNN-BiLSTM-Attention method”的最新研究成果。机电学院博士研究生芦明旸为第一作者，孙林林副教授、王金星教授和闫银发教授为共同通讯作者，我校为唯一通讯单位。
果实尺寸是评定其商业价值的核心指标之一。然而，目前苹果产业普遍采用“先采摘、后分级”的离线作业模式。这种模式不仅增加了额外的分选、运输环节与人工成本，还极易在处理过程中对果实造成二次损伤，影响经济效益。近年来，研究人员尝试应用机器视觉技术进行实时检测，但在光照变化、枝叶遮挡等复杂的田间环境下，其检测精度和稳定性仍面临巨大挑战。
针对以上技术难题，研究团队提出了一种融合柔性力感知与深度学习的苹果果径实时检测与分级新方案，实现了采摘与尺寸分级的同步一体化作业。研究团队将自主研制的离子凝胶摩擦纳米发电机（IG-TENG）部署于三指Fin-Ray柔性末端执行器。该系统能够实时、灵敏地采集末端执行器与苹果的力时序数据。为实现尺寸的精准预测，团队构建了一种新型的CNN-BiLSTM-Attention混合深度学习网络。该模型能够实时融合抓取过程中的力感知时序数据、电机的行程数据和果实位姿信息。通过CNN提取局部特征，BiLSTM捕捉长时序依赖，Attention机制聚焦关键时间步，模型可以拟合不同抓取条件与果实几何尺寸之间的复杂映射关系。田间试验结果表明，该果径预测方法与人工测量值相比，平均绝对误差（MAE）仅为2.13 mm，尺寸分级正确率高达92 %。这一研究为智能采摘装备的无损作业和精准分拣提供了高效、低成本且可靠性强的新技术路径。
图1 基于CNN-BiLSTM-Attention的实时果径预测模型
图2 果园试验结果分析
该研究得到了国家自然科学基金、山东省重点研发计划项目的资助。
论文链接：https://doi.org/10.1016/j.compag.2025.111128
编 辑：万 千
审 核：贾 波
