基于CSO-ASTGCN人类行动预测网络的shiitake采摘机器人的方法研究
Daojin Yao1, Zichen Yang1, Hanxin Chen1
1School of Electrical and Automation Engineering, East China Jiaotong University, Nanchang, Jiangxi, China.
Frontiers in plant science
|September 29, 2025
概括
我们开发了一种混沌优化的自适应时空图卷积网络 (CSO-ASTGCN),用于自动化石竹采摘. 这种先进的模型提高了31%的采摘效率,并减少了26%的损伤.
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:
- 自动化采集对于现代农业至关重要,但由于生物特征,在目标识别,路径规划和精度方面面临挑战.
- 传统的手工采摘是低效的,劳动密集型的,并且不能用于大规模生产.
- 现有的人类运动预测方法在复杂的农业环境中扎着强大的时空相关性和长期稳定性.
研究的目的:
- 开发一个先进的人类运动预测模型,以便在收获中高效地进行人机协作.
- 提高细粒度农业运动的时空建模的准确性和稳定性.
主要方法:
- 提出了混沌优化的自适应时空图卷积网络 (CSO-ASTGCN).
- 集成自适应空间特征图卷积 (ASF-GCN) 用于动态关节相关性和动态时间特征图卷积 (DT-GCN) 用于多尺度的时间依赖性.
- 利用混乱搜索优化 (CSO) 进行全球超参数优化,并将CSO-ASTGCN与GRCNN融合为掌握姿势估计.
主要成果:
- 与STSGCN和变压器相比,在CMU上平均每关联位置误差 (MPJPE) 减少了15.2%,在3DPW数据集上减少了12.7%.
- 与手动操作相比,人机协作系统提高了31%的采摘效率,并减少了26%的损伤.
结论:
- 对于复杂的农业运动,CSO-ASTGCN展示了卓越的时空建模能力.
- 拟议的系统为智能食用真菌收获提供了实际价值,提高了效率并减少了产品损坏.
