改进DeepLabV3+算法提取无作物田垄导航线OA北大核心CSTPCD
机器视觉导航是智慧农业的重要部分,无作物田垄的导航线检测是旱地移栽导航的关键。针对无作物田垄颜色信息相近、纹理差距小,传统图像处理方法适用性差、准确率低,语义分割算法检测速度慢、实时性差的问题,该研究提出一种基于改进DeepLabV3+的田垄分割模型。首先对传统DeepLabV3+网络进行轻量化设计,用MobileNetV2网络代替主干网络Xception,以提高算法的检测速度和实时性;接着引入CBAM(convolutional block attention module,CBAM)注意力机制,使模型能够更好地处理垄面边界信息;然后利用垄面边界信息获得导航特征点,对于断垄情况,导航特征点会出现偏差,因此利用四分位数对导航特征点异常值进行筛选,并采用最小二乘法进行导航线拟合。模型评估结果显示,改进后模型的平均像素精确度和平均交并比分别为96.27%和93.18%,平均检测帧率为84.21帧/s,优于PSPNet、U-Net、HRNet、Segformer以及DeepLabV3+网络。在不同田垄环境下,最大角度误差为1.2°,最大像素误差为9,能够有效从不同场景中获取导航线。研究结果可为农业机器人的无作物田垄导航提供参考。
俞高红;王一淼;甘帅汇;徐惠民;陈逸津;王磊;
浙江理工大学机械工程学院,杭州310018 浙江省种植装备技术重点实验室,杭州310018浙江理工大学机械工程学院,杭州310018
农业工程
机器视觉导航语义分割导航路径最小二乘法无作物田垄
《农业工程学报》 2024 (010)
P.168-175 / 8
国家重点研发计划项目(2022YFD2001800);国家自然科学基金项目(52305290,52075497);浙江省重点研发计划项目(2021C02021);上海市科技兴农项目(沪农科创字(2021)第4-1号)。
评论