Ein Forschungsteam hat einen verbesserten DeepLabv3+-Algorithmus entwickelt, um Färberdistelfilament-Aufnahmepunkte präzise zu erkennen und zu lokalisieren. Durch die Nutzung des leichten ShuffleNetV2-Netzwerks und die Einbeziehung von Convolutional Block Attention erreichte die Methode eine hohe Genauigkeit mit einer mittleren Pixelgenauigkeit von 95,84 % und einer mittleren Schnittmenge über Vereinigung von 96,87 %.
Diese Weiterentwicklung reduziert Hintergrundstörungen und verbessert die Filamentsichtbarkeit. Die Methode bietet Potenzial für eine verbesserte Leistung von Ernterobotern und bietet vielversprechende Anwendungen für die präzise Filamenternte und die landwirtschaftliche Automatisierung.
Saflor ist eine wichtige Nutzpflanze für verschiedene Zwecke, aber die derzeitigen arbeitsintensiven Erntemethoden sind ineffizient. Bestehende Forschungen zur Blütensegmentierung mithilfe von Deep Learning sind vielversprechend, haben aber Probleme mit fast farbigen Hintergründen und unscharfen Konturen.
Eine Studie veröffentlicht In Pflanzenphänomenologie am 7. Mai 2024. Diese Studie befasst sich mit diesen Herausforderungen, indem sie eine Methode zur Filamentlokalisierung vorschlägt, die auf einem verbesserten DeepLabv3+-Algorithmus basiert und ein leichtes Netzwerk und Aufmerksamkeitsmodule beinhaltet.
Um die Leistung des Algorithmus zu verbessern und Überanpassung zu verringern, wurde der SDC-DeepLabv3+-Algorithmus mit einer anfänglichen Lernrate von 0,01, einer Batchgröße von acht und 1.000 Iterationen trainiert. Mithilfe des SGD-Optimierers wurde die Lernrate angepasst, wenn die Genauigkeit innerhalb von 15 Runden nicht zunahm.
Der Trainingsprozess zeigte in den ersten 163 Runden einen schnellen Rückgang des Verlustwerts, der sich nach 902 Runden stabilisierte. Die mittlere Pixelgenauigkeit (mPA) erreichte 92,61 %, was auf eine erfolgreiche Konvergenz hindeutet. Ablationstests zeigten, dass die Integration von ShuffletNetV2 und DDSC-ASPP die mittlere Schnittmenge über Vereinigung (mIoU) auf 95,84 % und die mPA auf 96,87 % verbesserte.
Im Vergleich zum herkömmlichen DeepLabv3+ reduzierte der verbesserte Algorithmus die Parameter und erhöhte die FPS, was seine Effizienz unterstreicht. Weitere Vergleiche zeigten, dass SDC-DeepLabv3+ andere Segmentierungsalgorithmen übertraf und eine höhere Genauigkeit und schnellere Vorhersagegeschwindigkeiten erreichte.
Tests unter verschiedenen Wetterbedingungen bestätigten die Robustheit des Algorithmus. Die höchsten Erfolgsraten bei der Filamentlokalisierung und -ernte wurden an sonnigen Tagen beobachtet. Tiefenmesstests ergaben einen optimalen Bereich von 450–510 mm, wodurch visuelle Lokalisierungsfehler minimiert wurden. Der verbesserte Algorithmus zeigte ein erhebliches Potenzial für eine präzise und effiziente Saflorernte in komplexen Umgebungen.
Laut dem leitenden Forscher der Studie, Zhenguo Zhang, „zeigen die Ergebnisse, dass die vorgeschlagene Lokalisierungsmethode einen brauchbaren Ansatz für eine genaue Lokalisierung der Ernte bietet.“
Zusammenfassend wurde in dieser Studie eine Methode entwickelt, um Färberdistelfilament-Aufnahmepunkte mithilfe eines verbesserten DeepLabv3+-Algorithmus genau zu erkennen und zu lokalisieren. Zukünftige Forschungen werden sich darauf konzentrieren, den Algorithmus auf verschiedene Färberdistelsorten und ähnliche Nutzpflanzen auszuweiten und die Aufmerksamkeitsmechanismen zu optimieren, um die Segmentierungsleistung weiter zu verbessern.
Mehr Informationen:
Zhenyu Xing et al, SDC-DeepLabv3+: Leichtgewichtiger und präziser Lokalisierungsalgorithmus für Roboter zur Distelernte, Pflanzenphänomenologie (2024). DOI: 10.34133/plantphenomics.0194