In order to optimize the operating path of orchard mowers and improve their efficiency, we propose an MI-DBO (multi-strategy improved dung beetle optimization algorithm) to solve the problem of full-coverage path planning for mowers in standardized quadrilateral orchard environments. First, we analyzed the operation scenario of lawn mowers in standardized orchards, transformed the full-coverage path planning problem into a TSP (traveling salesman problem), and mathematically modeled the U-turn and T-turn strategies based on the characteristics of lawn mowers in orchards. Furthermore, in order to overcome the issue of uneven distribution of individual positions in the DBO (dung beetle optimization) algorithm and the tendency to fall into local optimal solutions, we incorporated Bernoulli mapping and the convex lens reverse-learning strategy in the initialization stage of DBO to ensure a uniform distribution of the initial population. During the algorithm iteration stage, we incorporated the Levy flight strategy into the position update formulas of breeding beetles, foraging beetles, and stealing beetles in the DBO algorithm, allowing them to escape from local optimal solutions. Simulation experiments show that for 18 types of orchards with different parameters, MI-DBO can find the mowing machine’s operation paths. Compared with other common swarm intelligence algorithms, MI-DBO has the shortest average path length of 456.36 m and can ensure faster optimization efficiency. Field experiments indicate that the algorithm-optimized paths do not effectively reduce the mowing machine’s missed mowing rate, but the overall missed mowing rate is controlled below 0.8%, allowing for the completion of mowing operations effectively. Compared with other algorithms, MI-DBO has the least time and fuel consumption for operations. Compared to the row-by-row operation method, using paths generated by MI-DBO reduces the operation time by an average of 1193.67 s and the fuel consumption rate by an average of 9.99%. Compared to paths generated by DBO, the operation time is reduced by an average of 314.33 s and the fuel consumption rate by an average of 2.79%.

Keeping the epidermis of apple rootstock cuttings moist is important for maintaining physiological activities. It is necessary to monitor the epidermis moisture in real time during the growth process of apple rootstock cuttings. A machine vision-based discrimination model for the moisture degree of cuttings’ epidermis was designed. This model optimizes the structure of the semantic segmentation model U-Net. The model takes the Saturation channel and Value channel information of the cutting images in the HSV color space as the characteristics of the cuttings’ moisture, so that the model has good performance in the blue-purple supplementary light environment. The average accuracy of the improved model is 95.07% for dry and wet cuttings without supplementary light, and 84.83% with supplementary light. The humidification system implanted in the model can control the atomizer to complete the task of moisturizing the cuttings’ epidermis. The average moisture retention rate of the humidification system for cuttings was 92.5%. Compared with the original model, the moisturizing effect of the humidification system increased by 26.87%. The experimental results show that the improved U-Net model has good generalization and high accuracy, which provides a method for the design of an accurate humidification system.