基于改进DeepLabv3+的火龙果园视觉导航路径识别方法

针对视觉导航系统应用在火龙果园环境中面临干扰因素多、图像背景复杂、复杂模型难以部署等问题,本文提出了一种基于改进DeepLabv3+网络的火龙果园视觉导航路径识别方法。首先,采用MobileNetV2取代传统DeepLabv3+的主干特征提取网络Xception,并将空间金字塔池化模块(Atrous spatial pyramid pooling,ASPP)中的空洞卷积替换成深度可分离卷积(Depthwise separable convolution,DSC),在提升模型检测速率的同时大幅减少了模型的参数量和内存占用量;其次,在特征提取模块处引入坐标注意力机制(Coordinate attention,CA),增强了模型的特征提取能力;最后,通过设计的导航路径提取算法对网络模型分割出的道路掩码区域拟合出导航路径。实验结果表明:改进后的DeepLabv3+的平均交并比和平均像素准确率分别达到95.80%和97.86%,相较原模型分别提升0.79、0.41个百分点。同时,模型内存占用量只有15.0 MB,和原模型相比降低97.00%,与Pspnet和U-net模型相比则分别降低91.57%、91.02%。另外,导航路径识别精度测试结果表明平均像素误差为22像素、平均距离误差7.58 cm。已知所在果园道路宽度为3 m,平均距离误差占比为2.53%。因此,本文研究方法可为解决火龙果园视觉导航任务提供有效参考。

基于机器视觉与机器学习的火龙果重量估计

目的:解决火龙果人工称重耗时、费力且成本高昂等问题,提出一种基于机器视觉和机器学习的自动化重量估计方法。方法:首先,对106个火龙果进行称重、记录重量并拍摄、构建火龙果图像。然后,对火龙果进行降噪和分割,得到火龙果的二值图像,并从中提取出火龙果像素面积、长轴像素长度和短轴像素长度3项图像特征。将以上图像特征与重量组合成数据集,按照7∶3比例将数据集划分为训练集和测试集。最后,将训练集输入梯度提升、随机森林、K近邻和人工神经机器模型中训练,并利用测试集进行模型评估。结果:人工神经网络评价指标相较于其他模型更优,决定系数为0.986,均方根误差为13.091。结论:该方法能够有效地完成火龙果重量估计,满足火龙果重量估计的要求。

基于改进YOLOX的自然环境中火龙果检测方法

自然环境下果实的精准检测是火龙果采摘机器人执行采摘作业的先决条件。为提高自然环境下果实识别的精确性、鲁棒性和检测效率,本研究对YOLOX(You Only Look Once X)网络进行改进,提出了一种含有注意力模块的目标检测方法。为便于在嵌入式设备上部署,本方法以YOLOX-Nano网络为基准,将卷积注意力模块(Convolutional Block Attention Module,CBAM)添加到YOLOX-Nano的主干特征提取网络中,通过为主干网络提取到不同尺度的特征层分配权重系数来学习不同通道间特征的相关性,加强网络深层信息的传递,降低自然环境背景下对火龙果识别的干扰。对该方法进行性能评估和对比试验,经过训练后,该火龙果目标检测网络在测试集的AP_(0.5)值为98.9%,AP_(0.5:0.95)的值为72.4%。在相同试验条件下对比其它YOLO网络模型,该方法平均检测精度分别超越YOLOv3、YOLOv4-Tiny和YOLOv5-S模型26.2%、9.8%和7.9%。最后对不同分辨率的火龙果果园自然环境下采集的视频进行实时测试。试验结果表明,本研究提出的改进YOLOX-Nano目标检测方法,每帧平均检测时间为21.72 ms,F_(1)值为0.99,模型大小仅3.76 MB,检测速度、检测精度和模型大小满足自然环境下火龙果采摘的技术要求。