先进的DeepLabv3+算法可高精度地增强红花细丝的采集

一个研究团队开发了一种改进的DeepLabv3+算法，用于准确检测和定位红花花丝拾取点。通过利用轻量级ShuffleNetV2网络并结合卷积块注意力，该方法实现了高精度，平均像素精度为95.84%，联合平均交集为96.87%

这一进步减少了背景干扰，增强了灯丝的可视性。该方法显示出提高收割机器人性能的潜力，为精确的细丝收割和农业自动化提供了有前景的应用

红花是多种用途的重要作物，但目前劳动密集型的收割方法效率低下。现有的使用深度学习进行花朵分割的研究显示出了希望，但在接近颜色的背景和模糊的轮廓方面存在困难

2024年5月7日发表在《植物表型》杂志上的一项研究。这项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并减少过拟合，SDC-DeepLabv3+算法的初始学习率为0.01，批量大小为8，迭代次数为1000次。使用SGD优化器，如果精度在15轮内没有提高，则调整学习率

训练过程中，前163轮的损失值迅速下降，902轮后趋于稳定。平均像素精度（mPA）达到92.61%，表明收敛成功。消融测试显示，ShuffletNetV2和DDSC-ASPP的积分将联合平均交集（mIoU）提高到95.84%，mPA提高到96.87%

与传统的DeepLabv3+相比，增强算法减少了参数，提高了FPS，突出了其效率。进一步的比较表明，SDC-DeepLabv3+优于其他分割算法，实现了更高的精度和更快的预测速度

在各种天气条件下的测试证实了该算法的稳健性，在晴天观测到的细丝定位和拾取成功率最高。深度测量测试确定了450–510 mm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收割红花的巨大潜力

根据该研究的首席研究员张振国的说法，“结果表明，所提出的定位方法为准确的收割定位提供了一种可行的方法。”

总之，本研究开发了一种使用改进的DeepLabv3+算法准确检测和定位红花细丝采摘点的方法。未来的研究将侧重于将算法扩展到不同的红花品种和相似的作物，并优化注意力机制以进一步提高分割性能 More information: Zhenyu Xing et al, SDC-DeepLabv3+: Lightweight and precise localization algorithm for safflower-harvesting robots, Plant Phenomics (2024). DOI: 10.34133/plantphenomics.0194