GDA-YOLO11：面向遮挡鲁棒的机器人果实采摘的亚框实例分割
计算机视觉与模式识别
2026-03-02 v1
摘要
遮挡是机器人果实采摘中的关键挑战，因为未检测或定位不准的果实常导致显著的作物损失。为缓解此问题，本文提出一种采摘框架，采用新的亚框分割模型 GDA-YOLO11，包含架构改进和更新的非对称掩码损失。该模型在修改后的公开柑橘数据集上训练，并在基准数据集和具有不同遮挡程度的遮挡敏感子集上进行评估。在该框架中，GDA-YOLO11 推断包含不可见区域的完整果实掩码，随后通过欧几里得距离变换估计采摘点。这些点随后投影到 3D 坐标用于机器人采摘执行。在受控环境中使用真实柑橘果实进行实验，模拟遮挡场景。值得注意的是，本研究鉴于目前已知，首次演示了亚框实例分割在机器人果实采摘中的实际应用。GDA-YOLO11 在精度、召回率、mAP@50 和 mAP@50:95 上分别达到 0.844、0.846、0.914 和 0.636，显著优于 YOLO11n，在精度、mAP@50 和 mAP@50:95 上分别提升 5.1%、1.3% 和 1.0%。该框架在零至高遮挡水平下的采摘成功率分别为 92.59%、85.18%、48.14% 和 22.22%，在中等和高遮挡下分别提升 3.5%。这些发现表明，GDA-YOLO11 提升了遮挡鲁棒的分割能力，并简化了感知到动作的集成，为更可靠的农业自动化系统铺平了道路。
引用
@article{arxiv.2602.23953,
title = {GDA-YOLO11: Amodal Instance Segmentation for Occlusion-Robust Robotic Fruit Harvesting},
author = {Caner Beldek and Emre Sariyildiz and Son Lam Phung and Gursel Alici},
journal= {arXiv preprint arXiv:2602.23953},
year = {2026}
}
备注
9 pages, journal pre-print