基于机器视觉与YOLOv8的作物负载估计
机器人学
2023-04-27 v1
摘要
水果作物生产中的劳动力短缺促使了机械化与自动化机器的开发，以替代采收、修剪和疏果等劳动密集型的果园作业。能够识别树冠部分并估计几何与拓扑参数（如枝干直径、长度和角度）的农业机器人，可通过自动化修剪与疏果平台优化作物产量。在本研究中，我们提出了一种机器视觉系统，用于估计苹果园中的树冠参数并确定各枝条的最优果实数量，为自动化修剪、疏花和疏果以实现期望的产量与品质奠定基础。利用来自RGB-D传感器（Microsoft Azure Kinect DK）的颜色与深度信息，我们开发了基于YOLOv8的实例分割技术，用于在休眠期识别苹果树的树干与枝条。应用主成分分析（Principal Component Analysis）估计枝干直径（用于计算枝条横截面积，即LCSA）与朝向。估计得到的枝干直径用于计算LCSA，并作为作物负载估计的输入，较大的LCSA值表明更高的潜在结果能力。枝干直径估计的RMSE为2.08 mm，作物负载估计的RMSE为3.95。基于商业苹果园管理实践，各分割枝条的目标作物负载（果实数量）估计的平均绝对误差（MAE）为2.99（地面真实作物负载为每LCSA 6个苹果）。本研究展示了一个在动态商业果园环境中高性能识别苹果树树干与枝条、并将农场管理实践集成到自动化决策中的有前景的工作流程。
引用
@article{arxiv.2304.13282,
title = {Machine Vision-Based Crop-Load Estimation Using YOLOv8},
author = {Dawood Ahmed and Ranjan Sapkota and Martin Churuvija and Manoj Karkee},
journal= {arXiv preprint arXiv:2304.13282},
year = {2023}
}