农业场景下移动机器人的双目视觉定位与地图构建方法

视觉定位与地图构建是实现移动机器人自主导航的关键技术。针对农业场景下特征跟踪困难、场景规模大、运动不稳定引起系统精度和鲁棒性下降的问题,提出了一种适用于农业场景的双目视觉定位与地图构建方法。该方法首先利用静态立体匹配点来增加跟踪阶段地图点的数量和覆盖范围,从而增加了深度计算的准确率,同时提出一种点选择算法对密集地图点进行采样并移除离群点,进一步提高了系统的准确率和运行效率;然后通过显式尺度估计来减小大规模场景下定位与地图构建的尺度误差,并结合场景特点改进关键帧判别策略,避免了远处大目标导致关键帧稀疏的问题;最后提出新的运动假设构建位姿估计失败时的恢复策略,提高了系统在颠簸运动时的鲁棒性。在农业场景数据集上的评估结果表明,相比于当前先进的视觉定位与地图构建系统,提出的方法在困难序列上的轨迹误差降低幅度超过50%,其中3个序列上的尺度误差下降了一个数量级,取得了更高的精度和鲁棒性,能有效地应对农业场景下视觉定位与地图构建的挑战。

一种基于5G+北斗的无人农场解决方案

在5G+北斗的新基建时代,智慧农业获得了新的助力,农机自动驾驶、无人植保、农机作业无人化等取得了巨大进步。尽管如此,智慧农业仍存在一些痛点,比如水/肥/农药使用难以精准控制、作业效果对农机驾驶员依赖程度较高且目前农民老龄化问题日趋严重、农业生产成本居高不下且难以精准管控、农产品品质管控和溯源手段缺乏等。基于此,结合多项智慧农业项目的实施经验,文章提出了一种基于5G+北斗的无人农场解决方案。

基于改进YOLOv4的田间密集小目标检测方法

为研究农业场景下密集小目标难识别问题,提出一种基于卷积注意力的CBAM-YOLOv4密集小目标检测方法。该方法在YOLOv4模型骨干网络Add层和Concat层后嵌入卷积注意力模块(CBAM),在保证模型检测效率基础上提高模型检测精度。通过设置多种试验条件,使用不同密集程度、光照条件及天气状况下采集的密集葡萄叶片数据测试模型检测效果,试验对比EfficientDet、YOLOv3、YOLOv4及CBAM-YOLOv44种网络,采用统计AP值的评价方法评估各模型差异。结果表明,在密集葡萄叶片数据集中,CBAM-YOLOv4模型识别效果提升明显,对于高度密集叶片数据集,该模型AP值为82.04%,相比YOLOv4提高1.94%,高于其他检测模型3%~4%。将该模型应用于无人机果树资源调查中,对果树的计数精度为90.43%。以上试验结果表明,该方法对农业场景下密集小目标检测具有较高精度。