基于T-YOLO-LITE树干检测的模型部署方法

高宗斌 崔永杰 李 凯

(西北农林科技大学机械与电子工程学院 陕西 杨凌 712100)(农业农村部农业物联网重点实验室 陕西 杨凌 712100)

0 引 言

中国是猕猴桃栽培面积最大的国家，猕猴桃采摘机器人[1]可以有效改善劳动力短缺的现状，而自动导航是实现其自动化作业的关键技术之一。目前国内外普遍采用GPS进行导航，但是在猕猴桃果园独特的棚架式栽培模式下，由于棚架顶部用钢丝固定枝蔓，受钢丝和树冠层遮挡，导致无法精确接收GPS信号[2]，故选择视觉方法检测猕猴桃树干实现移动设备的导航与定位。深度学习技术的迅猛发展使得目标检测算法的性能[3]远优于传统图像处理算法，所以利用深度学习目标检测算法对猕猴桃树干进行检测有重要意义。

目前，许多学者利用传统图像处理方法尝试对果园特定目标进行检测或对图像进行分割。新西兰猕猴桃果园树干与支撑物苔藓附着严重，使得利用颜色特征将树干与背景分离显得尤为困难，Scarfe[4]利用树干边缘特征，采用Sobel算子边缘检测和模板匹配方法对树干以及支撑物进行检测，但是只在有利光照条件下取得较好的效果。柑橘果园环境下，文献[5-6]利用颜色特征，分别采用BP神经网络分类以及聚类的方法将天空、树冠、土地进行图像分割，并取得较高的分割精度，但是柑橘果园场景相对单一，此方法并不适用于背景复杂的猕猴桃果园。中国新疆矮化密植枣园环境复杂，树干边缘以及颜色特征均不显著，彭顺正等[7]选用B分量图对其进行处理，提出“行阈值分割”方法分割树干，并引入了趋势线，但算法相对复杂，且准确率不高。……