


近日,中國(guó)熱科院農(nóng)機(jī)所薯類生產(chǎn)裝備研究室在菠蘿果實(shí)采摘姿態(tài)檢測(cè)定位研究方面取得新進(jìn)展。該團(tuán)隊(duì)研究開發(fā)了一種基于改進(jìn)LiteHRNet的菠蘿關(guān)鍵點(diǎn)檢測(cè)模型(LTHRNet),能為菠蘿智能采摘提供精確的關(guān)鍵點(diǎn)定位和姿態(tài)估計(jì)數(shù)據(jù),推動(dòng)菠蘿采摘裝備技術(shù)發(fā)展。
菠蘿果實(shí)識(shí)別定位是智能化采摘的關(guān)鍵技術(shù)之一,受菠蘿復(fù)雜的種植環(huán)境及光照變化等多種因素影響,果實(shí)姿態(tài)檢測(cè)難度極大。開發(fā)一種適應(yīng)性強(qiáng)、準(zhǔn)確高效的菠蘿果實(shí)目標(biāo)檢測(cè)和采摘區(qū)域定位的算法,對(duì)實(shí)現(xiàn)智能采收至關(guān)重要。
研究模型改進(jìn)包括引入LKA_Stem模塊、D-Mixer模塊及MS-FFN模塊等,通過消融實(shí)驗(yàn)系統(tǒng)評(píng)估各改進(jìn)模塊對(duì)模型性能的影響,進(jìn)一步證明了所提出方法的有效性。LKA_Stem模塊通過大核卷積分解和深度可分離卷積的結(jié)合,提升模型的特征提取能力。D-Mixer模塊通過結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和Transformer的優(yōu)勢(shì),增強(qiáng)模型對(duì)全局和局部特征的捕捉能力。MS-FFN模塊通過多尺度特征融合,進(jìn)一步提升模型對(duì)復(fù)雜特征的適應(yīng)能力。以上改進(jìn)使得模型在不同光照和遮擋條件下的檢測(cè)精度顯著提高。
LTHRNet在菠蘿果實(shí)關(guān)鍵點(diǎn)檢測(cè)任務(wù)中表現(xiàn)出色,在復(fù)雜背景、不同光照條件以及遮擋情況下,模型的檢測(cè)精度和魯棒性顯著優(yōu)于其他對(duì)比模型。實(shí)驗(yàn)結(jié)果顯示,LTHRNet在KAP0.5和KAR0.5上均取得顯著提升,分別達(dá)到了93.5%和95.1%。在特征提取可視化實(shí)驗(yàn)中表現(xiàn)出更強(qiáng)的特征提取能力和更高的特征區(qū)分度,在處理相鄰關(guān)鍵點(diǎn)特征粘連和遮擋情況時(shí),能夠有效過濾冗余特征,減少特征粘連。在菠蘿果實(shí)姿態(tài)估計(jì)任務(wù)中同樣表現(xiàn)出色,能夠準(zhǔn)確估計(jì)菠蘿果實(shí)的姿態(tài)朝向,且與真實(shí)姿態(tài)的偏移量最小,僅為2.37°。結(jié)果表明,模型可準(zhǔn)確檢測(cè)菠蘿果實(shí)的關(guān)鍵點(diǎn)并估計(jì)其姿態(tài),能夠?yàn)樽詣?dòng)化采摘系統(tǒng)提供可靠的數(shù)據(jù)支持。
LTHRNet網(wǎng)絡(luò)結(jié)構(gòu)圖
消融試驗(yàn)各模型特征提取過程可視化
不同模型檢測(cè)結(jié)果
不同模型輸出特征可視化結(jié)果
LTHRNet菠蘿果實(shí)姿態(tài)檢測(cè)結(jié)果
相關(guān)研究成果以“Pose Detection and Localization of Pineapple Fruit Picking Based on Improved Litehrnet”為題發(fā)表于《Frontiers in Plant Science》。中國(guó)熱科院農(nóng)機(jī)所研究實(shí)習(xí)員陳品嵐和顏彬?yàn)檎撐墓餐谝蛔髡?,中?guó)熱科院農(nóng)機(jī)所鄧干然研究員和李國(guó)杰副研究員為論文通訊作者。此研究得到國(guó)家自然科學(xué)基金、海南省重點(diǎn)研發(fā)計(jì)劃、海南省自然科學(xué)基金、中央級(jí)公益性科研院所基本科研業(yè)務(wù)費(fèi)專項(xiàng)等項(xiàng)目資助。
論文鏈接:https://www.frontiersin.org/journals/plant-science/articles/10.3389/fpls.2025.1577312/full
近日,中國(guó)熱科院農(nóng)機(jī)所薯類生產(chǎn)裝備研究室在菠蘿果實(shí)采摘姿態(tài)檢測(cè)定位研究方面取得新進(jìn)展。該團(tuán)隊(duì)研究開發(fā)了一種基于改進(jìn)LiteHRNet的菠蘿關(guān)鍵點(diǎn)檢測(cè)模型(LTHRNet),能為菠蘿智能采摘提供精確的關(guān)鍵點(diǎn)定位和姿態(tài)估計(jì)數(shù)據(jù),推動(dòng)菠蘿采摘裝備技術(shù)發(fā)展。
菠蘿果實(shí)識(shí)別定位是智能化采摘的關(guān)鍵技術(shù)之一,受菠蘿復(fù)雜的種植環(huán)境及光照變化等多種因素影響,果實(shí)姿態(tài)檢測(cè)難度極大。開發(fā)一種適應(yīng)性強(qiáng)、準(zhǔn)確高效的菠蘿果實(shí)目標(biāo)檢測(cè)和采摘區(qū)域定位的算法,對(duì)實(shí)現(xiàn)智能采收至關(guān)重要。
研究模型改進(jìn)包括引入LKA_Stem模塊、D-Mixer模塊及MS-FFN模塊等,通過消融實(shí)驗(yàn)系統(tǒng)評(píng)估各改進(jìn)模塊對(duì)模型性能的影響,進(jìn)一步證明了所提出方法的有效性。LKA_Stem模塊通過大核卷積分解和深度可分離卷積的結(jié)合,提升模型的特征提取能力。D-Mixer模塊通過結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和Transformer的優(yōu)勢(shì),增強(qiáng)模型對(duì)全局和局部特征的捕捉能力。MS-FFN模塊通過多尺度特征融合,進(jìn)一步提升模型對(duì)復(fù)雜特征的適應(yīng)能力。以上改進(jìn)使得模型在不同光照和遮擋條件下的檢測(cè)精度顯著提高。
LTHRNet在菠蘿果實(shí)關(guān)鍵點(diǎn)檢測(cè)任務(wù)中表現(xiàn)出色,在復(fù)雜背景、不同光照條件以及遮擋情況下,模型的檢測(cè)精度和魯棒性顯著優(yōu)于其他對(duì)比模型。實(shí)驗(yàn)結(jié)果顯示,LTHRNet在KAP0.5和KAR0.5上均取得顯著提升,分別達(dá)到了93.5%和95.1%。在特征提取可視化實(shí)驗(yàn)中表現(xiàn)出更強(qiáng)的特征提取能力和更高的特征區(qū)分度,在處理相鄰關(guān)鍵點(diǎn)特征粘連和遮擋情況時(shí),能夠有效過濾冗余特征,減少特征粘連。在菠蘿果實(shí)姿態(tài)估計(jì)任務(wù)中同樣表現(xiàn)出色,能夠準(zhǔn)確估計(jì)菠蘿果實(shí)的姿態(tài)朝向,且與真實(shí)姿態(tài)的偏移量最小,僅為2.37°。結(jié)果表明,模型可準(zhǔn)確檢測(cè)菠蘿果實(shí)的關(guān)鍵點(diǎn)并估計(jì)其姿態(tài),能夠?yàn)樽詣?dòng)化采摘系統(tǒng)提供可靠的數(shù)據(jù)支持。
LTHRNet網(wǎng)絡(luò)結(jié)構(gòu)圖
消融試驗(yàn)各模型特征提取過程可視化
不同模型檢測(cè)結(jié)果
不同模型輸出特征可視化結(jié)果
LTHRNet菠蘿果實(shí)姿態(tài)檢測(cè)結(jié)果
相關(guān)研究成果以“Pose Detection and Localization of Pineapple Fruit Picking Based on Improved Litehrnet”為題發(fā)表于《Frontiers in Plant Science》。中國(guó)熱科院農(nóng)機(jī)所研究實(shí)習(xí)員陳品嵐和顏彬?yàn)檎撐墓餐谝蛔髡?,中?guó)熱科院農(nóng)機(jī)所鄧干然研究員和李國(guó)杰副研究員為論文通訊作者。此研究得到國(guó)家自然科學(xué)基金、海南省重點(diǎn)研發(fā)計(jì)劃、海南省自然科學(xué)基金、中央級(jí)公益性科研院所基本科研業(yè)務(wù)費(fèi)專項(xiàng)等項(xiàng)目資助。
論文鏈接:https://www.frontiersin.org/journals/plant-science/articles/10.3389/fpls.2025.1577312/full
Copyright ? 中國(guó)熱帶農(nóng)業(yè)科學(xué)院監(jiān)制
地址:中國(guó)海南省??谑旋埲A區(qū)學(xué)院路4號(hào) 郵編:571101
聯(lián)系電話:0898-66962965
電子郵箱:[email protected]