基于深度CNN的精准农业机器人冠层下多类杂草控制
计算机视觉与模式识别
2021-12-30 v1 机器人学
摘要
执行针对特定植株操作的智能除草系统有助于农业与环境的可持续发展。尽管近年来自主机器人技术在精准杂草管理方面取得重大进展，田间冠层下除草工作尚待实现。此类系统的前提是可靠地检测与分类杂草，以避免误喷而损害周围植株。实时多类杂草识别可实现物种特异性处理并显著减少除草剂用量。本文的第一项贡献是首个足够大的真实图像数据集\textit{AIWeeds}（单幅图像中含一种或多种杂草），该库包含约10,000张标注图像，拍摄于北达科他州、加利福尼亚州和中国中部共20个不同地点，内容为亚麻及田间与庭院中14种最常见杂草。第二，我们提供了从高效模型训练到将TensorRT优化模型部署至单板计算机的完整流程。基于\textit{AIWeeds}与该流程，我们使用五种基准CNN模型给出了分类性能基线。其中，MobileNetV2因最短推理时间与最低内存消耗而成为实时应用的合格候选。最后，我们将MobileNetV2部署于我们自研的紧凑型自主机器人\textit{SAMBot}上以实现实时杂草检测。在亚麻田（行距0.2-0.3 m）中未见过的场景里，面对作物与杂草、畸变、模糊和阴影，所实现的90%测试准确率，是迈向真实世界精准杂草控制的里程碑。我们已公开数据集及复现结果的代码：\url{https://github.com/StructuresComp/Multi-class-Weed-Classification}。
引用
@article{arxiv.2112.13986,
title = {Deep-CNN based Robotic Multi-Class Under-Canopy Weed Control in Precision Farming},
author = {Yayun Du and Guofeng Zhang and Darren Tsang and M. Khalid Jawed},
journal= {arXiv preprint arXiv:2112.13986},
year = {2021}
}
备注
8 pages, 7 figures, International Conference on Robotics and Automation (IEEE)