桃网:基于改进的PIDNet的桃成熟度实时细分算法
Jie Cui1,2,3, Lilian Zhang1,2,3, Lutao Gao1,2,3
1College of Big Data, Yunnan Agricultural University, Kunming, China.
Frontiers in plant science
|September 9, 2025
概括
这项研究引入了一种高效的机器视觉模型,用于桃采摘机器人,改善桃成熟度和在现实世界果园中的轮检测. 开发的轻量级模型实现了智能收获系统的高精度和速度.
科学领域:
- 农业机器人农业机器人
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 精确的桃成熟度识别和轮检测对于机器人收获至关重要.
- 挑战包括遮蔽,照明变化和自然果园环境中的模糊性.
研究的目的:
- 为桃采摘机器人开发一种轻量级,准确和高效的实时语义细分模型.
- 在具有挑战性的农业条件下增强强性.
主要方法:
- 使用了一个修改后的PIDNet框架,配备了一个轻量级的SwiftFormer-XS骨干.
- 引入了新的SwiftRep-Hybrid和光融合增强 (LFE) 模块,以改善特征表示.
- 实现了一个后处理模块,用于精细的类确定和成熟度可视化.
主要成果:
- 实现了72.2%的欧盟平均交叉点 (MIoU) 和99.82%的像素精度 (PA).
- 超越了最先进的实时细分模型.
- 在嵌入式Jetson TX2平台上展示了具有竞争力的推断速度和准确性.
结论:
- 拟议的模型为桃成熟度识别和轮检测提供了强大而高效的解决方案.
- 它显示出在智能收获系统和精准农业中部署的巨大潜力.
- 促进农业自动化技术的发展.


