水稻小麦收获机器人作业幅宽与导航线的在线协同感知

《Information Processing in Agriculture》:Online cooperative perception of working width and navigation lines for full-width rice and wheat harvesting robots

【字体: 大 中 小 】 时间:2026年08月28日 来源:Information Processing in Agriculture 8.9

编辑推荐:

  针对水稻和小麦收获机器人在自主作业过程中因割台偏移导致的漏收、欠收及非满幅作业问题,实时准确地估计作业幅宽与导航路径至关重要。现有方法受限于语义分割模型计算复杂度高、依赖昂贵雷达或深度相机进行幅宽检测,以及在地头转弯等复杂场景下导航线提取精度与鲁棒性不足。为克

  
针对水稻和小麦收获机器人在自主作业过程中因割台偏移导致的漏收、欠收及非满幅作业问题,实时准确地估计作业幅宽与导航路径至关重要。现有方法受限于语义分割模型计算复杂度高、依赖昂贵雷达或深度相机进行幅宽检测,以及在地头转弯等复杂场景下导航线提取精度与鲁棒性不足。为克服上述局限,研究人员提出一种融合轻量级语义分割与基于关键点的几何计算的在线协同检测方法,用于估计割幅与导航路径。首先,构建了覆盖多种机型与作业条件的田间作业图像数据集。其次,通过引入轻量级MobileViT骨干网络、卷积块注意力机制(CBAM)与深度可分离空洞卷积(DSDC)增强DeepLabv3+模型,得到更紧凑且对作业区域表征更优的模型。在此基础上,设计基于关键像素坐标映射的低成本的割幅检测方法,通过对多区域提取的边界关键点进行几何计算,免去深度传感器需求。此外,利用边界约束与加权拟合提取导航线,提升在地头转弯等复杂场景下的鲁棒性。改进分割模型在测试集上mIoU与mPA分别达91.62%与94.80%,参数量仅为原模型的2.62%。割幅检测平均绝对误差(MAE)低于0.10 m,平均相对误差(MRE)低于3.00%。导航线提取平均角度偏差低于3°,横向误差小于6像素,在地头转弯场景较传统方法优势显著。通过幅宽与导航线协同感知与修正,有效作业幅宽利用率提升约35%。该方法在光照变化、粉尘及行驶速度变化下表现鲁棒,为水稻小麦收获机器人提供高精度、低成本的视觉感知与自主作业方案。
研究背景方面,水稻小麦收获机器人自主作业对提升农业生产力与减损至关重要。自主收获中,作业幅宽与导航路径的实时估计与协同控制是减少漏收欠收的核心。幅宽不稳导致非满幅或漏割条带,导航线不准则影响直线跟踪与土地利用率。现有方法分点云类与图像类:点云类依赖激光雷达(LiDAR)直接取三维信息,精度高但硬件贵、数据量大、集成复杂,难以后装推广;图像类从传统Hough变换、最小二乘拟合发展到深度学习语义分割,但常规方法在杂草阴影下鲁棒差,深度学习法存在骨干网络感受野受限、参数量大、仍需深度信息算物理幅宽、地头转弯导航线波动大等三类瓶颈。因此,开展低成本纯视觉、轻量可嵌入式部署的幅宽与导航线协同感知研究具有明确理论与应用价值。该研究发表于《Information Processing in Agriculture》。
关键技术方法上,研究人员基于两台不同型号收获机(垦区8568满幅5.80 m、雷沃GM80满幅2.75 m)车载ZED2i相机,在江苏连云港、盐城与北京昌平、顺义、海淀等多地块采集811张原始图,经加噪、模糊、亮度增强扩至3244张,按8:1:1划分训练验证测试集,幅宽真值由田间实测、导航基准线人工逐帧标注。算法端以DeepLabv3+为基线,骨干换为MobileViT(融合CNN局部与Transformer全局),编码层嵌CBAM(通道+空间注意力),ASPP模块标准空洞卷积换为DSDC;幅宽检测从分割图取未收/已收/割台区边界关键点,建立图像坐标到物理距离映射;导航线采用区域边界约束下的加权几何拟合。
研究结果部分,按原文小节浓缩如下。
数据集构建小节指出,多机型多时段(晨午晚)多光照采集与增强策略提升了模型泛化性,人工标定幅宽与导航线为后续量化评价提供可靠基准。
基于改进DeepLabv3+的收获区域分割小节中,替换Xception为MobileViT降低参数且保留多尺度上下文,MV2模块做局部扩展-提取-压缩、MobileViT块经Unfold-Transformer-Fold建全局依赖;CBAM在通道维用平均与最大池化共享MLP加权、空间维用通道池化生成权重图抑制背景;ASPP中DSDC将标准空洞卷积拆为逐通道深度空洞卷积与1×1逐点卷积,计算量由DK·DK·DF·DF·M·N降至DK·DK·DF·DF·M + DK·DK·M·N。该改造使模型在测试集mIoU 91.62%、mPA 94.80%,参数量仅原模型2.62%。
收获机器人作业幅宽检测小节表明,由分割结果提取未收割区与割台区边界关键点,经相机俯仰标定建立的坐标-距离映射,纯视觉算出物理割幅,MAE<0.10 m、MRE<3.00%,免除深度相机。
导航线提取小节中,边界约束排除割台与已收区噪声点,加权拟合对远处边界降权、近处升权,地头转弯平均角偏<3°、横向误<6像素,较直线/Hough类方法帧间波动更小。
讨论与结论部分翻译总结:研究人员通过幅宽与导航线在线协同,使有效作业幅宽利用率提高约35%;系统在变光照、粉尘、车速变化下鲁棒,证明纯视觉轻量分割+关键点几何+边界约束加权拟合可替代昂贵LiDAR方案,为水稻小麦收获机器人提供高精度低成本感知与自主作业路径。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号