農(nóng)業(yè)機械目標(biāo)定位及檢測技術(shù)

田 華

(長春市九臺區(qū)莽卡滿族鄉(xiāng)綜合服務(wù)中心 農(nóng)業(yè)農(nóng)機技術(shù)服務(wù)科,長春 130500)

0 引言

隨著農(nóng)業(yè)生產(chǎn)要求不斷提升和農(nóng)業(yè)勞動力轉(zhuǎn)移，對農(nóng)業(yè)機械提出了更高要求，農(nóng)業(yè)機械化正向智能化方向發(fā)展，對于提高農(nóng)業(yè)生產(chǎn)效率、降低農(nóng)業(yè)勞動強度具有重要意義。

農(nóng)業(yè)機械目標(biāo)定位及檢測技術(shù)是農(nóng)業(yè)機械智能化發(fā)展的重要方向，是實現(xiàn)農(nóng)業(yè)機械無人化發(fā)展的支撐技術(shù)之一，主要是基于視覺識別技術(shù)、計算機技術(shù)、圖像處理技術(shù)、人工智能技術(shù)等為一體，利用計算機模擬人類的視覺功能，通過圖像采集與處理技術(shù)，將圖像信息轉(zhuǎn)化為數(shù)字信號，進而獲取目標(biāo)圖像并實現(xiàn)田間定位與檢測。目前，目標(biāo)定位及檢測技術(shù)已經(jīng)廣泛應(yīng)用于航空航天、醫(yī)學(xué)成像、交通物流和工業(yè)生產(chǎn)等領(lǐng)域，在農(nóng)業(yè)采摘、食品加工、機械生產(chǎn)和包裝分類等方面替代人工實現(xiàn)高效生產(chǎn)。

目前，視覺識別及定位檢測技術(shù)主要是基于ORB特征點匹配和SIFT特征提取技術(shù)，但是由于農(nóng)業(yè)生產(chǎn)環(huán)境較為復(fù)雜，現(xiàn)有技術(shù)無法實現(xiàn)對田間作業(yè)目標(biāo)的精準(zhǔn)定位與檢測，農(nóng)業(yè)機械視覺識別系統(tǒng)存在目標(biāo)識別模糊、分類效率差和響應(yīng)速度慢等問題，影響農(nóng)業(yè)機械田間工作質(zhì)量與工作效率。隨著深度學(xué)習(xí)及人工智能技術(shù)的逐漸發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)及YOLO，算法逐漸應(yīng)用于目標(biāo)定位與檢測技術(shù)中，響應(yīng)速度塊，定位精準(zhǔn)度較高。

1 神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

本研究基于YOLOX算法進行圖像識別與樣本庫構(gòu)建，用于視覺識別系統(tǒng)的目標(biāo)特征向量提取、定位和檢測技術(shù)，總體工作流程圖如圖1所示。

圖1 YOLOX算法工作流程圖

為了增加訓(xùn)練數(shù)據(jù)集，提高目標(biāo)識別能力，本研究采用離線重采樣，在目標(biāo)采集圖像中增強目標(biāo)樣本后，使用兩倍的重采樣率來處理圖像集，由于圖像在輸入到網(wǎng)絡(luò)之前需要進行預(yù)處理，預(yù)處理后的數(shù)據(jù)不完全相同，因此訓(xùn)練集不會過度擬合。本研究采集的圖像集為高分辨率，如果將這些數(shù)據(jù)直接輸入網(wǎng)絡(luò)進行訓(xùn)練，在訓(xùn)練過程中會因壓縮而失去很多有用的語義信息，減少目標(biāo)特征提取效率，因此，使用多尺度訓(xùn)練來提高模型的性能，并隨機選擇每個量表在每個時期進行訓(xùn)練，增加訓(xùn)練樣本的多樣性。在輸入端加入Focus結(jié)構(gòu)用于增加圖像通道數(shù)量，優(yōu)化后的YOLOX-x算法工作流程圖如圖2所示。

圖2 YOLOX-x算法工作流程圖

2 特征提取

傳統(tǒng)的視覺識別系統(tǒng)采用卷積神經(jīng)網(wǎng)絡(luò)進行特征提取，檢測目標(biāo)的形狀和顏色等關(guān)鍵特征信息，高分辨率特征信息。針對傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)排模型在目標(biāo)檢測與特征提取中存在的問題，采用HRNet高資源作為特征提取網(wǎng)絡(luò)，減少特征信息損失。將CBAM注意機制添加到HRNet的第一級特征提取和第二、三、四級特征融合中，在第一階段加入CBAM融合模塊，使網(wǎng)絡(luò)能夠鎖定在特征提取初始階段的目標(biāo)特征，在第二階段加入CBAM融合模塊，在第二階段、第三階段和第四階段能充分提取到重要的目標(biāo)特征信息。

3 結(jié)果與分析

3.1 試驗材料與設(shè)備

操作平臺為臺式計算機，運行環(huán)境為Ubuntu 18.04，主頻4.10 GHz，16 G運行內(nèi)存，1 TB機械硬盤，使用GPU加速計算，在Python編程語言下，運用PyCharm書寫調(diào)試大量代碼，對提出的YOLOX-x算法與傳統(tǒng)的YOLOX、YOLOXv3、YOLOXv4和卷積神經(jīng)網(wǎng)絡(luò)Faster-RCNN進行田間對比驗證。模型設(shè)置中，學(xué)習(xí)效率為0.005，迭代次數(shù)為10×103次，權(quán)值衰減設(shè)置為0.005。

3.2 模型對比試驗結(jié)果

3.2.1 目標(biāo)檢測精度

選擇平均精度(AP)作為評估指標(biāo)，對田間目標(biāo)正常位姿、物體重疊進行檢測與分析，試驗結(jié)果如表1所示。研究結(jié)果表明，在正常位姿檢測中，YOLOX-x算法較YOLOX、YOLOXv3、YOLOXv4和卷積神經(jīng)網(wǎng)絡(luò)Faster-RCNN準(zhǔn)確率提升7.76%，9.12%，1.51%和0.15%；在物體重疊情況下，YOLOX-x算法較YOLOX、YOLOXv3、YOLOXv4和卷積神經(jīng)網(wǎng)絡(luò)Faster-RCNN準(zhǔn)確率分別提升19.97%，18.69%，2.73%和1.61%；在目標(biāo)檢測精度中，YOLOX-x算法較YOLOX、YOLOXv3、YOLOXv4和卷積神經(jīng)網(wǎng)絡(luò)Faster-RCNN分別提升10.65%，9.05%，1.99%和0.87%；YOLOX-x響應(yīng)速度較YOLOX、YOLOXv3、YOLOXv4和Faster-RCNN分別提升63.51%，34.51%，27.45%和67.96%，因此，YOLOX-x算法在田間目標(biāo)定位與檢測中存在較高的精度。

表1 不同算法下農(nóng)業(yè)機械目標(biāo)檢測精度結(jié)果分析

3.2.2 農(nóng)業(yè)機械定位

在對田間目標(biāo)檢測結(jié)束后，農(nóng)業(yè)機械需要進行定位試驗，通過對比農(nóng)業(yè)機械實際運行坐標(biāo)點與算法模擬坐標(biāo)點進行差異性分析，重復(fù)實驗誤差計算公式如式(1)所示，不同算法下試驗結(jié)果如表2所示，YOLOX-x定位誤差較YOLOX、YOLOXv3、YOLOXv4和Faster-RCNN分別提升28.94%，25.28%，24.60%和16.08%。

表2 農(nóng)業(yè)機械定位誤差分析 單位：%

(1)

式中，(xend，yend)為基于各項算法下的農(nóng)業(yè)機械田間坐標(biāo)，(xobject，yobject)為農(nóng)業(yè)機械田間實際定位坐標(biāo)。

4 結(jié)論

為了解決農(nóng)業(yè)機械視覺識別系統(tǒng)存在目標(biāo)識別模糊、分類效率差和響應(yīng)速度慢等問題，提出一種YOLOX優(yōu)化算法——YOLOX-x，并通過田間試驗進行驗證，主要得出以下結(jié)論：

1)為了增加訓(xùn)練數(shù)據(jù)集，提高目標(biāo)識別能力，采用離線重采樣，在目標(biāo)采集圖像中增強目標(biāo)樣本后，使用兩倍的重采樣率處理圖像集，并隨機選擇每個量表在每個時期進行訓(xùn)練，增加訓(xùn)練樣本的多樣性。在輸入端加入Focus結(jié)構(gòu)用于增加圖像通道數(shù)量。

2)本研究采用HRNet高資源作為特征提取網(wǎng)絡(luò)，減少特征信息損失。將CBAM注意機制添加到HRNet的第一級特征提取和第二、三、四級特征融合中，能夠充分提取到重要的目標(biāo)特征信息。

3)本研究提出的YOLOX-x算法較YOLOX、YOLOXv3、YOLOXv4和卷積神經(jīng)網(wǎng)絡(luò)Faster-RCNN在田間目標(biāo)檢測準(zhǔn)確率和響應(yīng)速度都得到較大提升，在正常位姿和物體重疊的情況下定位識別中精度達到94.03%和91.56%，研究結(jié)果對于農(nóng)業(yè)機械田間定位檢測技術(shù)提供技術(shù)參考與理論借鑒。

(05)