利用輕量級精準定位算法實現紅花采收機器人的快速檢測與采收
紅花是集中藥材、染料、油料和飼料于一體的特色經濟作物。但是由于受天氣、光照等環境干擾，紅花采收機器人識別分割紅花絲時，小體積紅花絲采摘點（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，花絲數量多、與果球器官間交叉遮擋嚴重，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。進而，在保持花絲形態結構的前提下，難以通過表型特征分割進行準確定位，降低花絲破損率。因此，研究團隊根據花絲形態結構的語義信息和表型參數，構建基于圖像分割算法的復雜環境下紅花絲采摘點檢測定位方法，采收機器人能夠精準檢測和定位，高效率與低損傷的采收紅花絲。
2024年6月，Plant Phenomics在線發表了新疆農業大學題為SDC-DeepLabv3+: A lightweight and precise localization algorithm of filament barycenter projection for safflower-harvesting robots的研究論文。
在這項研究中，為降低背景區域、輪廓邊緣對花絲、果球和主干分割的干擾，實現高效率、低損傷定位采收，研究人員開發了一種基于SDC-DeepLabv3+的紅花采收機器人輕量級精準定位算法，旨在通過檢測與定位紅花采摘點后高效低損地采收完整花絲。SDC-DeepLabv3+算法采用輕量級網絡ShuffletNetV2替換主干網絡，將空洞深度可分離卷積取代原ASPP模塊卷積，并增加三個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，增強目標特征（如圖1所示）。
圖1 SDC-DeepLabv3+算法結構示意圖
同時，基于SDC-DeepLabv3+算法分割的紅花絲、果球和主干結果，獲取主干ROI，通過Hough直線檢測算法求解線段，利用枝干的線特征和紅花絲、果球的質心到枝干線的最小距離約束進行搜索求解，設計基于質心的采摘點定位算法，從而定位采摘點的位置（如圖2所示）。
圖2 紅花絲采摘點的檢測和定位模型示意圖
研究結果顯示，與其他5種分割算法對比，SDC-DeepLabv3+算法的mIoU和mPA至少分別提升1.71%和1.23%，FPS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系，抑制背景干擾，更加突出紅花絲。在不同天氣條件下進行紅花絲采摘點測試試驗。試驗結果表明，最佳距離為450～510 mm，平均定位成功率為92.50%。說明本文所提出的基于SDC-DeepLabv3+的紅花絲采摘點檢測定位方法性能指標提升明顯，具有較高的性能穩定性和較好的適應性。
新疆農業大學機電工程學院碩士研究生邢振宇為第一作者，張振國副教授為通訊作者。該研究得到了國家自然科學基金（52265041）和（31901417）、浙江省農業智能裝備與機器人重點實驗室開放課題（2022ZJZD2202）和新疆農業大學校級科研創新項目（XJAUGRI2023021）等項目的部分資助。
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 | 南京農業大學基于點云的大豆分枝夾角提取算法開發與耐密植株型新性狀發掘
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 | 加拿大麥吉爾大學聯合江蘇省農科院提出面向真實世界的番茄植株葉片健康和果實監測輕量算法
加入作者交流群
掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、專刊發布會等高質量活動。
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》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄。科睿唯安JCR2022影響因子為7.6，位于農藝學、植物科學、遙感一區。2023年中科院期刊分區位于農林科學大類一區。2020年入選中國科技期刊卓越行動計劃高起點新刊項目、2024年入選江蘇科技期刊卓越行動計劃領軍期刊項目。
說明：本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
排版：蘇梓鈺（南京農業大學）
審核：孔敏、王平
