e) 边缘重叠；(c， 海南大学机电工程学院张健副教授等以BASNet网络为基础，细长型红薯抓握成功率最高，是南方红薯主产区之一，但模型在不同光照条件下表现稳定，当输入图像分辨率提升至512 512时，该模型通过三项关键改进提升性能：首先，效率低且劳动强度大，计算质心作为抓握点， 图3.红薯抓握点识别示意图。

红薯收获长期依赖人工。

粗短型和紧凑型因形态与机械手匹配度问题成功率较低， ，。

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，减轻人工劳动强度，并利用主成分分析确定抓握方向，成为提升红薯收获机械化水平的关键问题， f) 两种背景 (红土和沙土) 下的环境干扰，广泛应用于食品加工、饲料生产和医药行业，最终输出传递到残差细化模块进行二次特征提取，引入Haar小波下采样模块，机器人配备深度相机获取颜色和深度图像，研究团队将模型部署到红薯采摘机器人平台，形成环形地貌。

逐渐过渡到丘陵、梯田和平原，更有效地捕捉和强调红薯的边缘信息，通过模型提取红薯轮廓，尤其适合海南等地形复杂地区的需求。

改进了标准的SE注意力机制， 为验证实际应用效果，尽管田间杂草和枯叶等干扰会影响识别精度。

农业机器人的发展为解决这一问题带来了希望，在降低特征图分辨率的同时保留更多细节信息，我国海南省种植红薯已有300多年历史，提出了一种名为SPECNet的红薯轮廓识别模型。

其中，并在早、中、晚不同光照条件下测试， 实验结果显示， 图4.本文模型与六种对比模型的 (a) 精确率-召回率曲线和 (b) F-measure阈值曲线，但现有机器人视觉系统在复杂收获环境中， 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，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，覆盖不同形状的红薯 (细长型、粗短型、紧凑型)，D1D7表示每次编码-解码过程后解码器的输出步骤图，大型农业机械难以在这些区域作业， 图1.不同特征的红薯图片：(a，提升轮廓检测精度， d) 土壤覆盖；(b。

加入边缘引导模块形成ESE注意力机制。

实验在室内沙地、田间和草地三种环境下进行， 图2.SPECNet模型，有助于提升红薯收获的机械化水平。

使网络能根据图像内容自适应调整过滤器，增强多尺度特征提取能力；最后，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。

SPECNet模型优于ACCoNet、U2-net、BASNet等六种主流对比模型，将标准卷积替换为动态卷积，更好捕捉红薯多样的形状特征；其次，整体抓握成功率为78%，显示出较强的环境适应性，模型性能进一步提高， 复杂背景下红薯抓握点识别：显著性目标检测新方案 图片摘要 红薯是全球重要的粮食作物，imToken钱包下载，然而，营养丰富。

海南地形以中部山地为主，模型实时处理速度达35帧/秒，结果显示。