通过使用深度学习来有效地检测土豆茎上的眼睛,用于机器人高吞吐量采样
L G Divyanth1, Salik Ram Khanal1, Achyut Paudel1
1Center for Precision and Automated Agricultural Systems, Department of Biological Systems Engineering, Washington State University, Prosser, WA, United States.
Frontiers in plant science
|January 3, 2025
概括
研究人员开发了一种机器人系统,使用深度学习对象检测进行土豆取样本. YOLOv10m实现了准确性和速度的最佳平衡,用于识别采样地点,如眼睛和痕.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 在土豆中检测分子病原体是有希望的,但受到劳动密集型样本提取的阻碍.
- 机器人采样系统需要精确的机器视觉来确定最佳的管采样位置.
- 由于外观变化和土壤污染,检测土豆的特征,如眼睛和痕很困难.
研究的目的:
- 评估深度学习对象检测模型,以确定土豆采样地点.
- 为了对YOLO变体 (YOLOv5-YOLO11) 进行基准测试,以检测眼睛和痕.
- 为了确定一个机器人管采样系统的最佳模型.
主要方法:
- 开发了来自五种品种的土豆的多样化图像数据集.
- 训练并评估了多个只看一次 (YOLO) 变种用于对象检测.
- 使用平均平均精度 (mAP@0.5) 和推断时间的基准模型.
主要成果:
- YOLOv10l 实现了高精度 (mAP@0.5 的 0.903-0.914).
- YOLOv10m以0.911 mAP@0.5和92 ms的推理时间展示了最好的权衡.
- 模型显示,在不同的土豆品种中具有令人满意的概括性.
结论:
- 深度学习,特别是YOLOv10m,可以准确高效地检测土豆的采样地点.
- 这项研究推动了自动机器人土豆抽样设备的开发.
- 这些发现为优化农业机器人中的机器视觉提供了关键的见解.
