基于MLG-YOLO模型的冬棗檢測和定位方法研究
Plant Phenomics | 浙江農林大學胡耀華教授團隊基于MLG-YOLO的冬棗檢測和定位方法
開發冬棗采摘機器人對于實現冬棗機械化采收至關重要，而機器人采摘冬棗的過程也面臨著諸多挑戰，如冬棗常成簇生長，數量眾多；冬棗體積較小，且經常被枝干和葉片遮擋，這些因素都會影響機器人對冬棗的識別精度。因此，準確地檢測和定位冬棗是實現機器人采摘的一項關鍵技術。
2024年9月，Plant Phenomics在線發表了浙江農林大學單位等合作發表的題為MLG-YOLO: A Model for Real-Time Accurate Detection and Localization of Winter Jujube in Complex Structured Orchard Environments的研究論文。
本研究提出了一種基于MLG-YOLO模型的冬棗檢測與定位方法。首先，構建了一個涵蓋不同光照條件和葉片遮擋場景的冬棗數據集來訓練模型。隨后，以YOLOv8n為基線模型，進行了以下主要改進：使用MobileVit重構主干網絡以降低模型重量。在頸部中引入LSKblock以獲取更廣泛的上下文信息，采用輕量級卷積技術GSConv以提高檢測精度。最后，提出了一種結合MLG-YOLO和RGB-D相機的冬棗三維定位方法。通過消融實驗，對比實驗以及三維定位誤差實驗，驗證了MLG-YOLO模型在冬棗檢測和定位方面的性能。實驗結果表明，與基線模型YOLOv8n相比，MLG-YOLO的均值平均精度提高了3.50%，參數量減少了61.03%。與Faster RCNN，SSD，RT-DETR-L和YOLOv7-tiny等主流目標檢測模型相比，MLG-YOLO在檢測精度和模型尺寸方面均表現最佳，其精確率為86.80%，召回率為84.50%，均值平均精度為92.70%，模型大小僅為2.52 MB，在保持高檢測精度的同時實現了模型的輕量化。這一方法能夠實現冬棗的精確檢測與定位，為冬棗采摘機器人提供技術支持。
本文創新點如下：
(1) 提出了輕量化的冬棗目標檢測模型MLG-YOLO，使用MobileVit重構YOLOv8n的主干網絡，降低了計算的復雜度，使模型更加輕量化。
(2) 在YOLOv8n的頸部中引入LSKblock和GSConv模塊。其中，LSKblock通過其空間選擇機制和大核心的動態調整，可以有效的處理目標檢測中不同空間位置的上下文。GSConv模塊通過混合操作以簡化特征融合。通過兩種模塊的結合，以提高模型對冬棗小目標的檢測精度。
(3) 提出一種結合MLG-YOLO與RGB-D相機的冬棗三維定位方法，并設計實驗對定位誤差進行評估。結果表明，該方法能滿足機器人采摘系統準確檢測與定位冬棗的要求。
圖1 MLG-YOLO模型架構
圖2 機器人采摘系統檢測與定位冬棗流程
該研究由浙江農林大學、西北農林科技大學、日本筑波大學、荷蘭格羅寧根大學合作完成。浙江農林大學俞晨浩為該論文第一作者，胡耀華教授為該論文通訊作者。浙江農林大學碩士生施瀟逸、羅文凱、馮俊哲，西北農林科技大學在讀博士鄭洲洲，日本筑波大學Ayanori Yorozu博士，荷蘭格羅寧根大學郭佳盼博士參與了研究工作。研究得到浙江農林大學人才啟動項目、國家自然科學基金面上項目和國家留學基金委項目的資助。
論文鏈接：
https://doi.org/10.34133/plantphenomics.0258
——推薦閱讀——
SCAG: A stratified, clustered, and growing-based algorithm for soybean branch angle extraction and ideal plant architecture evaluation
https://doi.org/10.34133/plantphenomics.0190
Plant Phenomics | 南京農業大學基于點云的大豆分枝夾角提取算法開發與耐密植株型新性狀發掘
A multi-target regression method to predict element concentrations in tomato leaves using hyperspectral imaging
https://doi.org/10.34133/plantphenomics.0146
Plant Phenomics | 東京大學利用高光譜圖像預測番茄葉片中元素含量的多目標回歸方法
加入作者交流群
掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、專刊發布會等高質量活動。
添加小編微信，備注姓名+單位+PP，加入作者交流群
《植物表型組學》（Plant Phenomics）是由南京農業大學創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄。科睿唯安JCR2022影響因子為7.6，位于農藝學一區（1/125名），植物科學一區（13/265名），遙感一區（6/62名）。2023年中科院期刊分區位于農林科學大類一區。2020年入選中國科技期刊卓越行動計劃高起點新刊項目、2024年入選江蘇科技期刊卓越行動計劃領軍期刊項目。
說明：本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
特邀作者：俞晨浩
編輯排版：王平、張婕（上海交通大學）
審核：尹歡、孔敏
