利用輕量級(jí)精準(zhǔn)定位算法實(shí)現(xiàn)紅花采收機(jī)器人的快速檢測(cè)與采收

Plant Phenomics | 新疆農(nóng)業(yè)大學(xué)張振國(guó)團(tuán)隊(duì)利用輕量級(jí)精準(zhǔn)定位算法實(shí)現(xiàn)紅花采收機(jī)器人的快速檢測(cè)與采收

紅花是集中藥材、染料、油料和飼料于一體的特色經(jīng)濟(jì)作物。但是由于受天氣、光照等環(huán)境干擾，紅花采收機(jī)器人識(shí)別分割紅花絲時(shí)，小體積紅花絲采摘點(diǎn)（紅花絲與果球連接位置）的近色背景和輪廓邊緣特征模糊。同時(shí)，花絲數(shù)量多、與果球器官間交叉遮擋嚴(yán)重，表型顏色特征與果球或枝干相似，難以提取花絲和器官表型。進(jìn)而，在保持花絲形態(tài)結(jié)構(gòu)的前提下，難以通過(guò)表型特征分割進(jìn)行準(zhǔn)確定位，降低花絲破損率。因此，研究團(tuán)隊(duì)根據(jù)花絲形態(tài)結(jié)構(gòu)的語(yǔ)義信息和表型參數(shù)，構(gòu)建基于圖像分割算法的復(fù)雜環(huán)境下紅花絲采摘點(diǎn)檢測(cè)定位方法，采收機(jī)器人能夠精準(zhǔn)檢測(cè)和定位，高效率與低損傷的采收紅花絲。

2024年6月，Plant Phenomics在線發(fā)表了新疆農(nóng)業(yè)大學(xué)題為SDC-DeepLabv3+: A lightweight and precise localization algorithm of filament barycenter projection for safflower-harvesting robots的研究論文。

在這項(xiàng)研究中，為降低背景區(qū)域、輪廓邊緣對(duì)花絲、果球和主干分割的干擾，實(shí)現(xiàn)高效率、低損傷定位采收，研究人員開發(fā)了一種基于SDC-DeepLabv3+的紅花采收機(jī)器人輕量級(jí)精準(zhǔn)定位算法，旨在通過(guò)檢測(cè)與定位紅花采摘點(diǎn)后高效低損地采收完整花絲。SDC-DeepLabv3+算法采用輕量級(jí)網(wǎng)絡(luò)ShuffletNetV2替換主干網(wǎng)絡(luò)，將空洞深度可分離卷積取代原ASPP模塊卷積，并增加三個(gè)不同采樣率下的卷積分支，融入CBAM模塊，提取感受野下的紅花特征信息，減少背景干擾，增強(qiáng)目標(biāo)特征（如圖1所示）。

圖1 SDC-DeepLabv3+算法結(jié)構(gòu)示意圖

同時(shí)，基于SDC-DeepLabv3+算法分割的紅花絲、果球和主干結(jié)果，獲取主干ROI，通過(guò)Hough直線檢測(cè)算法求解線段，利用枝干的線特征和紅花絲、果球的質(zhì)心到枝干線的最小距離約束進(jìn)行搜索求解，設(shè)計(jì)基于質(zhì)心的采摘點(diǎn)定位算法，從而定位采摘點(diǎn)的位置（如圖2所示）。

圖2 紅花絲采摘點(diǎn)的檢測(cè)和定位模型示意圖

研究結(jié)果顯示，與其他5種分割算法對(duì)比，SDC-DeepLabv3+算法的mIoU和mPA至少分別提升1.71%和1.23%，F(xiàn)PS至少提升9.11 f/s，大大提高紅花絲特征在通道和空間上的聯(lián)系，抑制背景干擾，更加突出紅花絲。在不同天氣條件下進(jìn)行紅花絲采摘點(diǎn)測(cè)試試驗(yàn)。試驗(yàn)結(jié)果表明，最佳距離為450～510 mm，平均定位成功率為92.50%。說(shuō)明本文所提出的基于SDC-DeepLabv3+的紅花絲采摘點(diǎn)檢測(cè)定位方法性能指標(biāo)提升明顯，具有較高的性能穩(wěn)定性和較好的適應(yīng)性。

新疆農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院碩士研究生邢振宇為第一作者，張振國(guó)副教授為通訊作者。該研究得到了國(guó)家自然科學(xué)基金（52265041）和（31901417）、浙江省農(nóng)業(yè)智能裝備與機(jī)器人重點(diǎn)實(shí)驗(yàn)室開放課題（2022ZJZD2202）和新疆農(nóng)業(yè)大學(xué)校級(jí)科研創(chuàng)新項(xiàng)目（XJAUGRI2023021）等項(xiàng)目的部分資助。

論文鏈接：
https://doi.org/10.34133/plantphenomics.0194‍

——推薦閱讀——
SCAG: A stratified, clustered, and growing-based algorithm for soybean branch angle extraction and ideal plant architecture evaluation
https://doi.org/10.34133/plantphenomics.0190
Plant Phenomics | 南京農(nóng)業(yè)大學(xué)基于點(diǎn)云的大豆分枝夾角提取算法開發(fā)與耐密植株型新性狀發(fā)掘
Toward Real Scenery: A Lightweight Tomato Growth Inspection Algorithm for Leaf Disease Detection and Fruit Counting
https://doi.org/10.34133/plantphenomics.0174
Plant Phenomics | 加拿大麥吉爾大學(xué)聯(lián)合江蘇省農(nóng)科院提出面向真實(shí)世界的番茄植株葉片健康和果實(shí)監(jiān)測(cè)輕量算法

加入作者交流群
掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會(huì)、�？�發(fā)布會(huì)等高質(zhì)量活動(dòng)。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics
《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國(guó)科學(xué)促進(jìn)會(huì)（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機(jī)器學(xué)習(xí)的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實(shí)踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計(jì)學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫(kù)收錄。科睿唯安JCR2022影響因子為7.6，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。2023年中科院期刊分區(qū)位于農(nóng)林科學(xué)大類一區(qū)。2020年入選中國(guó)科技期刊卓越行動(dòng)計(jì)劃高起點(diǎn)新刊項(xiàng)目、2024年入選江蘇科技期刊卓越行動(dòng)計(jì)劃領(lǐng)軍期刊項(xiàng)目。

說(shuō)明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
排版：蘇梓鈺（南京農(nóng)業(yè)大學(xué)）
審核：孔敏、王平