先进的DeepLabv3+算法提高了红花灯丝的采集精度
一个研究小组开发了一种改进的DeepLabv3+算法，用于准确检测和定位红花细丝采摘点。该方法利用轻量级的ShuffleNetV2网络，并结合卷积块关注，获得了较高的准确率，平均像素准确率为95.84%，平均交集/并度准确率为96.87%。
这一进步减少了背景干扰，提高了灯丝的可见度。该方法显示了提高收获机器人性能的潜力，为精确的长丝收获和农业自动化提供了有前途的应用。
红花是多种用途的重要作物，但目前劳动密集型的收获方法效率低下。现有的使用深度学习的花卉分割研究显示出前景，但在近颜色背景和模糊轮廓方面存在困难。
这项研究于2024年5月7日发表在《植物表型学》杂志上。本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。
为了提高算法的性能，减少过拟合，对SDC-DeepLabv3+算法进行初始学习率为0.01，批处理大小为8个，迭代次数为1000次的训练。使用SGD优化器，如果准确率在15轮内没有增加，则调整学习率。
训练过程中，前163轮损失值快速下降，902轮后趋于稳定。平均像元精度(mPA)达到92.61%，收敛成功。消融试验显示，将ShuffletNetV2与DDSC-ASPP结合后，平均交叉愈合(intersection over union, mIoU)提高到95.84%，mPA提高到96.87%。
与传统的DeepLabv3+相比，增强后的算法减少了参数，提高了FPS，突出了其效率。进一步比较表明，SDC-DeepLabv3+优于其他分割算法，具有更高的准确率和更快的预测速度。
在各种天气条件下的测试证实了该算法的鲁棒性，在阳光明媚的日子里，灯丝定位和采摘的成功率最高。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。改进后的算法显示出在复杂环境中精确高效地收获红花的巨大潜力。
该研究的首席研究员张振国表示:“结果表明，所提出的定位方法为精确的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+算法准确检测和定位红花采丝点的方法。未来的研究重点是将该算法扩展到不同红花品种和相似作物，并优化关注机制，进一步提高分割性能。
