先进DeepLabv3+算法提升红花丝采收准确率
研究团队开发了一种改进的DeepLabv3+ 算法,用于精确检测和定位红花花丝的拾取点。通过利用轻量级 ShuffleNetV2 网络并结合卷积块注意机制,该方法实现了较高的准确率,平均像素准确率为 95.84%,平均交并比为 96.87%。这一进步减少了背景干扰并提高了花丝的可见性。该方法显示出提高采收机器人性能的潜力,为精准花丝采收和农业自动化提供了有希望的应用。
红花是一种用途广泛的重要作物,但目前的采收方法需要大量劳动力,效率低下。现有的使用深度学习进行花卉分割的研究前景光明,但在处理近彩色背景和模糊轮廓时却举步维艰。
2024 年 5 月 7 日在Plant Phenomics上发表的一项研究 。该研究通过提出一种基于改进的 DeepLabv3+ 算法的细丝定位方法来解决这些挑战,该方法结合了轻量级网络和注意力模块。
为了提升算法性能,降低过拟合,对SDC-DeepLabv3+算法进行训练,初始学习率为0.01,batch size为8,迭代次数为1000次,使用SGD优化器,如果15轮内准确率没有提高,则调整学习率。训练过程中,loss值在前163轮迅速下降,在902轮后趋于稳定,平均像素准确率(mPA)达到92.61%,成功收敛。Ablation测试显示,融合ShuffletNetV2与DDSC-ASPP后,平均交并比(mIoU)提升至95.84%,mPA提升至96.87%。相比传统DeepLabv3+,增强算法减少了参数,提升了FPS,效率凸显。进一步对比发现,SDC-DeepLabv3+的表现优于其他分割算法,准确率更高,预测速度更快。在各种天气条件下进行的测试证实了该算法的稳健性,晴天的花丝定位和采摘成功率最高。深度测量测试确定了 450-510 毫米的最佳范围,最大限度地减少了视觉定位误差。改进后的算法在复杂环境中展现出精准高效采摘红花的巨大潜力。
该研究首席研究员张振国表示:“研究结果表明,所提出的定位方法为精准收获定位提供了一种可行的方法。”
综上所述,本研究开发了一种利用改进的 DeepLabv3+ 算法来精确检测和定位红花花丝拾取点的方法。未来的研究将侧重于将该算法扩展到不同的红花品种和类似作物,并优化注意力机制以进一步提高分割性能。
版权声明:本文由用户上传,如有侵权请联系删除!