苹果园中用于果实检测与产量估计的图像分割

配备单目视觉系统的地面车辆是果园精准农业应用中高分辨率图像数据的宝贵来源。本文提出了一种利用果园图像数据进行果实检测与计数的图像处理框架。采用了通用图像分割方法，包括两种特征学习算法：多尺度多层感知机（MLP）与卷积神经网络（CNN）。这些网络通过包含关于图像数据如何被捕获的上下文信息（元数据）得以扩展，这与数据中观察到的一些外观变化和/或类别分布相关。逐像素的果实分割输出使用分水岭分割（WS）与圆形霍夫变换（CHT）算法进行处理，以检测并计数单个果实。实验在澳大利亚墨尔本附近的商业苹果园进行。结果表明，在先前基准测试的MLP网络上加入元数据改善了果实分割性能。我们用CNN扩展了这项工作，使农业视觉更接近计算机视觉的最先进水平，其中尽管元数据影响可忽略，但取得了最佳的逐像素F1分数$0.791$。WS算法产生了最佳的苹果检测与计数结果，检测F1分数为$0.858$。作为最后一步，在果园中对多行的图像果实计数进行累加，并与从分级计数机获得的收获后果实计数进行比较。使用CNN和WS的计数估计在该数据集上取得了最佳性能，平方相关系数$r^2=0.826$。