基于视觉的果园路径识别论文汇总

2021

基于 U Net 网络的果园视觉导航路径识别方法

摘要： 针对视觉导航系统在果园环境中面临的图像背景复杂、干扰因素多等问题，提出了一种基于 U Net 网络的果园视觉导航路径识别方法。使用 Labelme 对采集图像中的道路信息进行标注，制作果园数据集; 基于 U Net 语义分割算法，在数据增强的基础上对全卷积神经网络进行训练，得到道路分割模型; 根据生成的道路分割掩码进行导航信息提取，生成路径拟合中点; 基于样条曲线拟合原理对拟合中点进行多段三次 B 样条曲线拟合，完成导航路径的识别; 最后，进行了实验验证。结果表明，临界阈值为 0. 4 时，语义分割模型在弱光、普通光以及强光照条件下的分割交并比分别为 89. 52% 、86. 45% 、86. 16% ，能够平稳实现果园道路像素级分割; 边缘信息提取与路径识别方法可适应不同视角下的道路掩码形状，得到较为平顺的导航路径; 在不同光照和视角条件下，平均像素误差为9. 5 像素，平均距离误差为 0. 044 m，已知所在果园道路宽度约为 3. 1 m，平均距离误差占比为 1. 4% ; 果园履带底盘正常行驶速度一般在 0 ～ 1. 4 m/s 之间，单幅图像平均处理时间为 0. 154 s。在当前果园环境和硬件配置下，本研究可为视觉导航任务提供有效参考。

Deep Semantic Segmentation at the Edge for Autonomous Navigation in Vineyard Rows

摘要：精准农业是一个快速发展的领域，旨在将负担得起和有效的自动化引入农业过程。如今，葡萄园导航的算法解决方案需要昂贵的传感器和高的计算工作负载，这妨碍了自主机器人平台在真实商业案例场景中的大规模适用性。从这个角度来看，我们提出的新控制利用了机器感知和边缘人工智能技术的最新进展，以实现在低计算和功耗的葡萄园行内高度经济和可靠的导航。实际上，使用定制训练的分割网络和低范围的RGB-D相机，我们能够利用环境的语义信息，在不同的葡萄园场景中产生平滑的轨迹和稳定的控制。此外，由控制算法本身生成的分割图可以直接作为作物状态的营养评估的过滤器。对真实世界的数据和模拟环境进行的广泛的实验和评估证明了我们的方法的有效性和内在的鲁棒性。

基于深度学习的果园环境路径识别研究

摘要： 为实现果园环境下的路径识别，本文将深度学习方法与果树行线拟合算法相结合提出DL-LF（Deep learning-Line fitting）算法。在实际的果园中采集大量图像数据，经过整理与标记后用于训练YOLOV3。果园环境下果树行中经常存在电线杆、果树支撑杆，以及杂草等干扰物，同时使用传统的方法很难迅速的识别出一些具有某些共同特征的树和非树目标。经过训练YOLOV3网络可准确识别树干与果树，同时在检测图像时同时输出边界框的坐标文本文件，树干与果树平均检测精度为92.11%。
结合深度学习方法检测图像中树干，将获得的矩形框坐标信息用以提取果园机械行走路径识别。经树干边界框坐标整理与计算后，得到此棵果树参考点坐标。此后，将两侧果树参考点分别用直线拟合算法合出当前果树行参考线。最后，取两侧参考线上最远果树参考点与最近果树参考点为两组的对应点，并分别计算两点所连线段中点。最终所得两个中点所在的直线即为果园机械行走路线，最终能够实现准确拟合果树行中线。果园机械沿着此路线自动行走在果树行间，为实现大规模果园的智能化与自动化管理打下基础。

2022

基于卷积神经网络的果园运载平台行进路径自主检测方法研究

摘要：采用训练好的目标识别模型与运载平台结合，实现路径检测。果园运载平台在果园行进时，改进的YOLOv5s目标识别模型实时检测，将目标框的实时坐标打印出来，得到识别框的位置信息，通过最小二乘法将识别框质心坐标点拟合，得到路径的下一目标点。运载平台实验结果表明，运载平台以0.7m/s的运行速度前进，可在目标识别的同时进行路径检测，能够为果园提供应用于实际环境的路径检测方法。