Método de detección de puntos clave y localización 3D para robots de cosecha de fresas cultivadas en crestas
Autores: Dai, Shuo; Bai, Tao; Zhao, Yunjie
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Método de detección de puntos clave y localización 3D para robots de cosecha de fresas cultivadas en crestas
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Desarrollo
Agricultura moderna inteligente
Robots recolectores de fresas
Sistemas de visión
Detección de puntos clave
Localización 3D
Downsampling de Haar Wavelet
Cuello Gold-YOLO
Extracción de características
Rendimiento de detección
Módulo HWD
Estructura de cuello Gold-YOLO
Tecnología LAMP
Rendimiento ligero
Parámetros del modelo
Localización de frutas de fresa.
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 33
Citaciones: Sin citaciones
Con el desarrollo de la agricultura moderna inteligente, los robots recolectores de fresas juegan un papel cada vez más importante en la agricultura de precisión. Sin embargo, los sistemas de visión existentes enfrentan múltiples desafíos en entornos agrícolas complejos, incluida la oclusión de frutas, dificultades para reconocer frutas en diferentes niveles de madurez y capacidades limitadas de procesamiento en tiempo real. Este estudio propone un método de detección de puntos clave y localización 3D para las fresas utilizando una cámara de profundidad para abordar estos desafíos. Al introducir un módulo de Muestreo en Onda Haar (HWD) y un cuello Gold-YOLO, el método propuesto logra mejoras significativas en la extracción de características y rendimiento de detección. La integración del módulo HWD reduce eficazmente el ruido de la imagen, mejora la precisión de la extracción de características y fortalece la capacidad del método para reconocer los tallos de las frutas. Además, la incorporación de la estructura del cuello Gold-YOLO mejora la fusión de características a múltiples escalas, mejorando la precisión de detección y permitiendo que el método se adapte a entornos complejos. Para acelerar aún más la velocidad de inferencia y permitir la implementación en un sistema integrado, se emplea la tecnología de Poda basada en Magnitud para Esparsidad Adaptativa de Capa (LAMP), reduciendo significativamente los parámetros redundantes y mejorando así el rendimiento ligero del modelo. Los resultados experimentales demuestran que el método propuesto puede identificar con precisión las fresas en diferentes etapas de madurez y muestra una gran robustez bajo diversas condiciones de iluminación y escenarios complejos, logrando una precisión promedio del 97,3% mientras reduce los parámetros del modelo al 38,2% del modelo original, mejorando significativamente la eficiencia de la localización de las frutas de fresa. Este método proporciona un sólido soporte técnico para la aplicación práctica y la adopción generalizada de robots agrícolas.
Descripción
Con el desarrollo de la agricultura moderna inteligente, los robots recolectores de fresas juegan un papel cada vez más importante en la agricultura de precisión. Sin embargo, los sistemas de visión existentes enfrentan múltiples desafíos en entornos agrícolas complejos, incluida la oclusión de frutas, dificultades para reconocer frutas en diferentes niveles de madurez y capacidades limitadas de procesamiento en tiempo real. Este estudio propone un método de detección de puntos clave y localización 3D para las fresas utilizando una cámara de profundidad para abordar estos desafíos. Al introducir un módulo de Muestreo en Onda Haar (HWD) y un cuello Gold-YOLO, el método propuesto logra mejoras significativas en la extracción de características y rendimiento de detección. La integración del módulo HWD reduce eficazmente el ruido de la imagen, mejora la precisión de la extracción de características y fortalece la capacidad del método para reconocer los tallos de las frutas. Además, la incorporación de la estructura del cuello Gold-YOLO mejora la fusión de características a múltiples escalas, mejorando la precisión de detección y permitiendo que el método se adapte a entornos complejos. Para acelerar aún más la velocidad de inferencia y permitir la implementación en un sistema integrado, se emplea la tecnología de Poda basada en Magnitud para Esparsidad Adaptativa de Capa (LAMP), reduciendo significativamente los parámetros redundantes y mejorando así el rendimiento ligero del modelo. Los resultados experimentales demuestran que el método propuesto puede identificar con precisión las fresas en diferentes etapas de madurez y muestra una gran robustez bajo diversas condiciones de iluminación y escenarios complejos, logrando una precisión promedio del 97,3% mientras reduce los parámetros del modelo al 38,2% del modelo original, mejorando significativamente la eficiencia de la localización de las frutas de fresa. Este método proporciona un sólido soporte técnico para la aplicación práctica y la adopción generalizada de robots agrícolas.