一种基于深度学习的端到端生菜无损鲜重估测模型的建立

• Published in: 南京农业大学学报 Vol. 47; no. 6; pp. 1212 - 1220
• Main Authors: 孙道宗, 张振宇, 陈俊聪, 琚俊, 张铭桂, 王卫星, 刘厚诚
• Format: Journal Article
• Language: Chinese
• Published: 华南农业大学电子工程学院(人工智能学院),广东 广州 510642 2024; 广州市农情信息获取与应用重点实验室,广东 广州 510642; 广东省农情信息监测工程技术研究中心,广东 广州 510642%华南农业大学电子工程学院(人工智能学院),广东 广州 510642%华南农业大学园艺学院,广东 广州 510642
• Subjects: deep learning; 鲜重估测; 生菜; 语义分割; 深度学习; fresh weight estimation; 无损检测; semantic segmentation; lettuce; non-destructive testing
• ISSN: 1000-2030
• DOI: 10.7685/jnau.202312023

S126%S636.2; [目的]为解决生菜分类、分割和鲜重估测独立处理,增加时间成本的问题,本文提出一种端到端的生菜无损鲜重估测模型 LettuceNet.[方法]LettuceNet模型通过分析俯视图像估测生菜鲜重.LettuceNet结合Swin Transformer-Tiny(Swin-T)和UPerNet,有效提取生菜冠层图像的特征.模型设计了基于K-Net的用于语义分割的分割头部网络以及用于鲜重估测的回归头部网络.回归头部网络融合利用Swin-T的特征与分割头部网络的结果,用于生菜的分类和冠层面积统计,使LettuceNet能够同时高效处理语义分割和鲜重估测任务.[结果]2个数据集的试验结果表明,LettuceNet语义分割任务中,其平均像素准确度(MPA)分别为98.01％和98.75％,而平均交并比(MIoU)分别为96.02％和97.63％;在鲜重预测方面,决定系数R2分别为0.898和0.919,均方根误差(RMSE)分别为0.865和30.814 g,平均绝对百分比误差(MAPE)分别为1.894％和18.194％.[结论]通过输入生菜冠层图像,LettuceNet能够实时且无损完成生菜的分类、分割与鲜重估测,能够快速对生菜的生长情况进行定量分析,为植物工厂的智能管控提供数据支持.