点击上方蓝字
轻松关注我们
中科院1区Top | IF=7.7
2024.10.24 在线发布|本文作者详情如上图
图文概要
精准识别小番茄图像中多类别目标是实现自动化采摘的技术前提。但在非结构化现实场景中，现有的网络参数繁多、计算量大，模型部署在采摘机器人上识别准确率较低，此外光照变化、番茄重叠、背景相似、颜色过渡等问题也给番茄的检测与分割带来挑战。在此背景下，本研究针对大场景下小番茄成熟度的精准分割问题展开研究。本文针对温室小番茄提出了一种“粗检测、细分割”的方法Y-HRNet，利用青熟、转熟、成熟、全熟四类多类别小番茄数据集，实现不同成熟度番茄的像素级精确分割。
其他人正在查看类似内容
赵春江院士最新报告：农业机器人待攻克核心技术|其团队研发的草莓采摘和轨道喷雾机器人将年底首试 【前沿】上海大学苗中华教授团队：基于主动深度感知的采摘机器人高效遮挡避免 【前沿|一区Top】 山东农业大学苑进教授团队：3MSP2：基于多视角的多集群环境下多果聚集番茄的顺序采摘规划
首先利用YOLOv7构建轻量级网络模型，构建轻量级物体检测模型，选取ROI(Regions of Interest)进行分割，降低大环境中复杂背景对第二阶段番茄分割任务的干扰。然后，在Y-HRNet网络中引入ECA（Efficient Channel Attention）模块和DR-ASPP模块，提升模型的分割准确率，能够更有效地捕捉樱桃番茄四个不同成熟阶段的图像。
实验表明，Y-HRNet对樱桃番茄的分割MIoU达到84.69%，MPA达到91.52%，总体准确率达到94.39%，单张樱桃番茄图像平均处理时间为0.35s。与经典分割方法相比，该方法性能有显著提升。因此，该方法为樱桃番茄成熟度分级和采收管理决策提供了技术支持。
本文研究论文全文获取途径：后台回复“365”
图1 样本图像数据增强的效果
图2 YOLOv7与HRNet的组合模型
图3 不同训练网络模型在检测番茄簇中的表现
图4 不同模型的训练损失和MIoU变化曲线
图5 不同模型的分割结果图像。（a）代表理想情况。（b）显示果实之间有轻微遮挡。（c）是果茎遮挡。（d）描述了阳光不足和果茎遮挡。（e）说明了阳光直射和果簇遮挡。
图6 Y-HRNet多类番茄检测与分割可视化结果。（a）为原图。（b）为Y-HRNet模型分割的结果图
农业科技侠交流群
入群可添加小编微信（如下方二维码，备注：入群-姓名-单位，否则不予通过）
投稿、宣传推广、开白等请在本公众号后台回复“1”
转载请注明来源：本文转自农业科技侠数字与智慧农业微信公众号
编辑：孔华皓
声明:本文旨在前沿分享,若有编辑等问题,敬请后台留言
