《Smart Agricultural Technology》:Development of a Real-Time Non-Contact Yield Mapping System Using Cascading Neural Networks for Wild Blueberry Harvesters
编辑推荐:
为应对野生蓝莓(Vaccinium angustifolium Ait.)因地形和生长模式独特、传统产量传感器存在局限的难题,研究人员开展了一项关于实时、非接触产量绘图系统的研究。通过集成3D ToF相机、图像与点云处理算法,并设计一种新颖的级联神经网络(NN)架构,该系统实现了对包含碎屑的作物体积进行高质量估算,在田间验证中取得了优异的性能指标(R2=0.952, MAE=4.01 kg),显著降低了单位面积产量估算误差(725 ± 321 kg ha-1)。该研究为精准农业在特殊作物上的应用提供了高效、可靠的解决方案。
想象一下,在一片起伏不平、岩石遍布的田野里,机器正在采摘一种经济价值高但果实娇嫩的小浆果——野生蓝莓。对于农场主而言,精准掌握每一块田地的产量是优化管理、提高收益的关键。然而,传统的产量监测技术在这里却“水土不服”:基于冲击力的质量流量传感器可能会损伤娇嫩的果实;体积流量传感器则因蓝莓大小不均和形状不规则而难以准确测量;地形的坡度和振动更是给测量带来了巨大干扰。因此,开发一种能够适应复杂环境、不接触果实、且能实时生成高精度产量地图的系统,成为了野生蓝莓精准农业管理中一个亟待突破的技术瓶颈。
近期发表在《Smart Agricultural Technology》上的一项研究,为解决这一难题带来了创新方案。来自加拿大达尔豪斯大学的研究团队成功开发并验证了一套用于野生蓝莓收割机的“实时非接触产量绘图系统”。该系统巧妙地集成了三维时间飞行(Time-of-Flight, ToF)相机、先进的点云处理算法和一种新颖的“级联神经网络”架构,实现了在动态、多碎屑的收割环境下,对收集箱内作物质量的精准、实时估算,并能据此生成详细的产量分布图。这项研究不仅为野生蓝莓产业提供了切实可用的高效工具,其技术框架也为其他类似作物的非接触产量监测开辟了新的思路。
为开展此项研究,研究人员主要采用了以下几个关键技术方法:首先,硬件集成与数据采集,在商用DBE野生蓝莓收割机上,创新性地安装了一个带有动态支架的Basler Blaze-101 ToF相机和一个RGB相机,用于实时捕获收集箱的三维点云和二维图像,同时集成GPS、拉线电位计等传感器记录位置和机械状态,在加拿大新斯科舍省的两个商业蓝莓田(3.81 和 11.57 公顷)中收集了95个收集箱共计37,196个点云文件作为数据集。其次,点云处理与体积估算,对ToF相机获取的点云进行预处理和分割后,比较了体素网格法和凸包算法两种体积估算方法。第三,碎屑识别与量化,利用基于YOLOv8的实例分割神经网络模型,对RGB图像中的蓝莓、泥土和叶片三类目标进行识别与像素级量化。最后,质量与产量估算建模,构建并比较了多种机器学习模型(包括多项式回归、随机森林及多种一维神经网络),以体积、碎屑百分比等为输入,预测收集箱质量,最优模型被用于结合GPS数据生成田块产量地图。
研究结果
点云分割与体积估算算法的表现
研究首先评估了用于点云分割的YOLOv8不同规模模型,其中YOLOv8n-seg模型在保持高精度的同时实现了最快的处理速度(80.7 ms),因此被选为实时分割任务的最佳模型。在体积估算方面,体素网格算法在百分比误差(9.99%)、平均绝对误差(MAE)和处理时间(46.3 ms)上均显著优于凸包算法(18.50%, MAE更高, 174.5 ms),表明其在处理可能包含凹部的拼接点云时更精确、高效。
体积与质量的关系评估
通过比较不同回归模型,研究发现体积与实测质量之间存在非线性关系,其中多项式回归模型拟合优度最高(R2= 0.920)。当分别将体素网格和凸包算法估算的体积代入该多项式模型进行质量估算时,体素网格路径展现出了更低的平均绝对误差(14.47 kg)和百分比误差(14.68%),进一步验证了其优越性。
碎屑识别与量化
针对收集箱内容物的识别,所有YOLOv8-seg模型对蓝莓的识别精度(mAP50)均接近0.995,但对叶片和泥土的识别效果相对较差,这主要由于数据集中泥土样本数量较少以及叶片目标尺寸过小。综合考虑精度与速度,YOLOv8n-seg模型再次成为实时应用的最佳选择。
基于机器学习的质量估算
这是研究的核心创新之一。研究人员比较了传统机器学习模型与多种一维神经网络模型。结果显示,一维前馈神经网络表现最佳,其确定系数R2高达0.952,平均绝对误差低至4.01 kg,性能显著优于多项式回归模型(R2=0.920, MAE=6.01 kg)及其他对比模型(如随机森林、卷积循环神经网络等)。这表明神经网络,特别是前馈结构,能更有效地捕捉体积、碎屑与最终质量之间复杂的非线性关系。
产量监测与绘图
基于最优的一维前馈神经网络质量估算模型,结合GPS数据生成的产量地图,与基于多项式回归模型生成的地图相比,不仅能更准确地反映整体产量(MAE为725 ± 321 kg ha-1, 显著低于多项式模型的1368 ± 1246 kg ha-1),而且其绘制的产量分布图展现了更平滑、细致的空间变异过渡,能够揭示田块内小范围的产量差异,这对于指导精准农事操作(如变量施肥)具有更高价值。
结论与意义
该研究成功达成预设目标,开发并验证了一套适用于野生蓝莓收割的实时、非接触产量绘图系统。其主要结论是:集成3D ToF相机和动态安装机构是可行的硬件解决方案;体素网格算法优于凸包算法,适用于实时体积估算;轻量化的YOLOv8n-seg模型能够有效平衡实时性与识别精度;最关键的是,所提出的级联神经网络架构——特别是其中的一维前馈神经网络模型——能够以前所未有的精度(R2=0.952)估算包含碎屑的作物质量,超越了传统的单变量回归和体积流/质量流传感器方法。
这项研究的重要意义在于:首先,它直接针对并解决了野生蓝莓产业中长期存在的产量监测技术难题,提供了一种不损伤果实、抗环境干扰的实用化方案。其次,研究提出的“级联神经网络”框架创新性地将点云分割、碎屑量化与质量估算多个任务模块化、并行化处理,显著提升了系统对复杂农田变量(体积、异物组成)的综合解析能力,代表了农业传感与数据分析方法上的一次重要进步。最后,该系统生成的高分辨率产量地图,为农场管理者提供了强大的决策支持工具,有助于实现真正的精准农业管理,提升生产效率和经济效益。研究者还指出,该系统的架构易于改装到现有收割机上,并且为未来实现基于实时感知的收集箱自动填装与更换、迈向更高程度的收割自动化奠定了坚实的技术基础。