迈向农业自主化：基于深度学习在不同田间条件下进行作物行检测

本文提出一种新颖的指标，用于评估基于深度学习的语义分割方法在田间机器人遇到的不同田间条件下进行作物行检测的鲁棒性。使用包含各种田间条件下遇到的十个主要类别的数据集进行测试。比较了这些条件对作物行检测角度精度的影响。实现了一个深度卷积编解码器网络，利用 RGB 输入图像预测作物行掩膜。随后将预测的掩膜送入后处理算法以提取作物行。经该新颖指标评估，发现深度学习模型对阴影和作物生长阶段具有鲁棒性，而在直射阳光、杂草密度增加、 tramlines（农用车道）以及作物行不连续情况下性能下降。