在复杂梨园环境中,传统视觉导航方法容易受到光照变化、杂草遮挡等因素的干扰。针对此问题,本文提出了一种基于改进YOLO v8模型的梨园导航线提取方法。该方法在YOLO v8模型中集成了多尺度大核注意力(Multi-scale large kernel attention...在复杂梨园环境中,传统视觉导航方法容易受到光照变化、杂草遮挡等因素的干扰。针对此问题,本文提出了一种基于改进YOLO v8模型的梨园导航线提取方法。该方法在YOLO v8模型中集成了多尺度大核注意力(Multi-scale large kernel attention,MLKA)模块以增强对树干特征的感知。设计了多帧特征点融合机制,通过记录并利用连续5帧图像中检测到的特征点,有效弥补了单帧图像特征点不足的问题。此外,引入随机抽样一致性(Random sample consensus,RANSAC)算法,分别对左右两侧树行的特征点进行降噪处理,并使用最小二乘法进行树行线拟合。通过计算左右两侧树行线的角平分线生成果园导航线。实验结果表明:改进模型在复杂的果园环境中,树干检测的精确率(Precision)达到89.8%,召回率(Recall)达到79.9%,平均精度均值(mean average precision,mAP50-95)达到了55.1%。结合多帧特征点融合与RANSAC降噪生成的导航线与手动标注的参考导航线之间的角度偏差均值为1.17°,位置偏差均值为20.40像素,均方根偏差均值为0.27。本文方法为梨园环境中的视觉导航提供了一种低成本、高适应性的技术方案。展开更多
文摘在复杂梨园环境中,传统视觉导航方法容易受到光照变化、杂草遮挡等因素的干扰。针对此问题,本文提出了一种基于改进YOLO v8模型的梨园导航线提取方法。该方法在YOLO v8模型中集成了多尺度大核注意力(Multi-scale large kernel attention,MLKA)模块以增强对树干特征的感知。设计了多帧特征点融合机制,通过记录并利用连续5帧图像中检测到的特征点,有效弥补了单帧图像特征点不足的问题。此外,引入随机抽样一致性(Random sample consensus,RANSAC)算法,分别对左右两侧树行的特征点进行降噪处理,并使用最小二乘法进行树行线拟合。通过计算左右两侧树行线的角平分线生成果园导航线。实验结果表明:改进模型在复杂的果园环境中,树干检测的精确率(Precision)达到89.8%,召回率(Recall)达到79.9%,平均精度均值(mean average precision,mAP50-95)达到了55.1%。结合多帧特征点融合与RANSAC降噪生成的导航线与手动标注的参考导航线之间的角度偏差均值为1.17°,位置偏差均值为20.40像素,均方根偏差均值为0.27。本文方法为梨园环境中的视觉导航提供了一种低成本、高适应性的技术方案。
