用于李子检测与机器人采摘的深度学习架构数据集与性能比较

农业中的许多自动化操作，如除草和植株计数，需要鲁棒且准确的目标检测器。机器人水果采摘便是其中之一，并且是应对木本作物种植者所面临的日益严重的劳动力短缺与不确定性的重要技术。手眼一体（eye-in-hand）传感装置常用于采摘系统，并在传感精度与灵活性方面带来益处。然而，当机械手和相机从观测整个篱壁移动到采摘特定果实时，光照、颜色、遮挡和曝光会发生巨大变化。用于采摘的目标检测算法应对这些挑战具有鲁棒性，但目前用于评估此类性能的公开数据集很少。本工作中，在两个实际机器人李子采摘系统昼夜运行期间收集了两个新数据集。一系列当前一代深度学习目标检测器在这些数据集上进行了基准测试。此外，测试了两种融合深度与图像信息的方法对检测器性能的影响。研究发现不同检测器在白天与夜间的精度存在显著差异，迁移学习在所有情况下均被认定为必不可少，而深度信息融合仅被评估为边际有效。该数据集与基准模型已在线公开。