基于深度学习的作物行检测用于农业机器人田间导航

农业环境中的自主导航受到耕地中出现的多变田间条件的挑战。此类环境中自主导航的最先进解决方案需要RTK-GNSS等昂贵硬件。本文提出了一种鲁棒的作物行检测算法，使用廉价相机即可抵御此类田间变化。现有的作物行检测数据集不能代表所有可能的田间变化。我们创建了一个甜菜图像数据集，代表11种田间变化，包括多个生长阶段、光照水平、不同杂草密度、弯曲作物行和不连续作物行。所提出的流程使用基于深度学习的方法分割作物行，并采用预测的分割掩码通过一种新颖的中心作物行选择算法提取中心作物。该新颖作物行检测算法针对作物行检测性能和沿作物行视觉伺服能力进行了测试。基于视觉伺服的导航在具有真实地面和植物纹理的逼真仿真场景中进行了测试。我们的算法在挑战性田间条件下展现出鲁棒的基于视觉的作物行检测，优于基线。