品质至上,客户至上,您的满意就是我们的目标
技术文章
当前位置: 首页 > 技术文章
Plant Phenomics | 新疆农业大学张振国团队利用轻量级精准定位算法实现红花采收机器人的快速检测与采收
发表时间:2024-07-11 16:53:01点击:114
来源:植物表型组学
分享:
红花是集中药材、染料、油料和饲料于一体的特色经济作物。但是由于受天气、光照等环境干扰,红花采收机器人识别分割红花丝时,小体积红花丝采摘点(红花丝与果球连接位置)的近色背景和轮廓边缘特征模糊。同时,花丝数量多、与果球器官间交叉遮挡严重,表型颜色特征与果球或枝干相似,难以提取花丝和器官表型。进而,在保持花丝形态结构的前提下,难以通过表型特征分割进行准确定位,降低花丝破损率。因此,研究团队根据花丝形态结构的语义信息和表型参数,构建基于图像分割算法的复杂环境下红花丝采摘点检测定位方法,采收机器人能够精准检测和定位,高效率与低损伤的采收红花丝。
2024年6月,Plant Phenomics在线发表了新疆农业大学题为SDC-DeepLabv3+: A lightweight and precise localization algorithm of filament barycenter projection for safflower-harvesting robots的研究论文。
在这项研究中,为降低背景区域、轮廓边缘对花丝、果球和主干分割的干扰,实现高效率、低损伤定位采收,研究人员开发了一种基于SDC-DeepLabv3+的红花采收机器人轻量级精准定位算法,旨在通过检测与定位红花采摘点后高效低损地采收完整花丝。SDC-DeepLabv3+算法采用轻量级网络ShuffletNetV2替换主干网络,将空洞深度可分离卷积取代原ASPP模块卷积,并增加三个不同采样率下的卷积分支,融入CBAM模块,提取感受野下的红花特征信息,减少背景干扰,增强目标特征(如图1所示)。
图1 SDC-DeepLabv3+算法结构示意图
同时,基于SDC-DeepLabv3+算法分割的红花丝、果球和主干结果,获取主干ROI,通过Hough直线检测算法求解线段,利用枝干的线特征和红花丝、果球的质心到枝干线的最小距离约束进行搜索求解,设计基于质心的采摘点定位算法,从而定位采摘点的位置(如图2所示)。
图2 红花丝采摘点的检测和定位模型示意图
研究结果显示,与其他5种分割算法对比,SDC-DeepLabv3+算法的mIoU和mPA至少分别提升1.71%和1.23%,FPS至少提升9.11 f/s,大大提高红花丝特征在通道和空间上的联系,抑制背景干扰,更加突出红花丝。在不同天气条件下进行红花丝采摘点测试试验。试验结果表明,最佳距离为450~510 mm,平均定位成功率为92.50%。说明本文所提出的基于SDC-DeepLabv3+的红花丝采摘点检测定位方法性能指标提升明显,具有较高的性能稳定性和较好的适应性。
新疆农业大学机电工程学院硕士研究生邢振宇为第一作者,张振国副教授为通讯作者。该研究得到了国家自然科学基金(52265041)和(31901417)、浙江省农业智能装备与机器人重点实验室开放课题(2022ZJZD2202)和新疆农业大学校级科研创新项目(XJAUGRI2023021)等项目的部分资助。
论文链接:
https://doi.org/10.34133/plantphenomics.0194
——推荐阅读——
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 | 南京农业大学基于点云的大豆分枝夹角提取算法开发与耐密植株型新性状发掘
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 | 加拿大麦吉尔大学联合江苏省农科院提出面向真实世界的番茄植株叶片健康和果实监测轻量算法
加入作者交流群
扫码添加小编微信,拉您进入《植物表型组学》作者交流群,群内不定期开展作者分享会、专刊发布会等高质量活动。
添加小编微信,备注姓名+单位+PP,加入作者交流群
About Plant Phenomics
《植物表型组学》(Plant Phenomics)是由南京农业大学和美国科学促进会(AAAS)合作创办的英文学术期刊,于2019年1月正式上线发行。采用开放获取形式,刊载植物表型组学交叉学科热点领域具有突破性科研进展的原创性研究论文、综述、数据集和观点。具体范围涵盖高通量表型分析的最新技术,基于图像分析和机器学习的表型分析研究,提取表型信息的新算法,作物栽培、植物育种和农业实践中的表型组学新应用,与植物表型相结合的分子生物学、植物生理学、统计学、作物模型和其他组学研究,表型组学相关的植物生物学等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等数据库收录。科睿唯安JCR2022影响因子为7.6,位于农艺学、植物科学、遥感一区。2023年中科院期刊分区位于农林科学大类一区。2020年入选中国科技期刊卓越行动计划高起点新刊项目、2024年入选江苏科技期刊卓越行动计划领军期刊项目。
说明:本文由《植物表型组学》编辑部负责组稿。
中文内容仅供参考,一切内容以英文原版为准。
排版:苏梓钰(南京农业大学)
审核:孔敏、王平