Método de identificación y ubicación del punto de recolección de melón amargo basado en YOLOv5-Seg mejorado
Autores: Jiang, Sheng; Wei, Yechen; Lyu, Shilei; Yang, Hualin; Liu, Ziyi; Xie, Fangnan; Ao, Jiangbo; Lu, Jingye; Li, Zhen
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Método de identificación y ubicación del punto de recolección de melón amargo basado en YOLOv5-Seg mejorado
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Propone
Algoritmo de segmentación de instancias yolo v5-seg mejorado
Mecanismo de atención de coordenadas
Selección de puntos
Amargos
Resultados experimentales
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 26
Citaciones: Sin citaciones
Apuntando a los problemas de tallos pequeños y contornos irregulares de la calabaza amarga, que conducen a una ubicación difícil e inexacta de los puntos de recolección en el proceso de recolección de brazos mecánicos, este documento propone un algoritmo de segmentación de instancias mejorado YOLOv5-seg con un módulo de mecanismo de atención de coordenadas (CA), y lo combina con un algoritmo de refinamiento para identificar y ubicar los puntos de recolección de la calabaza amarga. En primer lugar, se utilizó el modelo de algoritmo mejorado para identificar y segmentar tallos de calabaza amarga y melón. En segundo lugar, se extrajo la máscara del tallo de melón, y se utilizó el algoritmo de adelgazamiento para refinar el esqueleto de la imagen de la máscara del tallo de melón extraída. Finalmente, se recorrió un grafo de refinamiento de esqueleto del tallo de la calabaza amarga, y se seleccionó el punto medio de la región conectada más grande como el punto de recolección de la calabaza amarga. Los resultados experimentales muestran que la precisión de predicción (P), precisión (R) y precisión promedio (mAP) del modelo YOLOv5-seg mejorado en reconocimiento de objetos fueron del 98.04%, 97.79% y 98.15%, respectivamente. En comparación con YOLOv5-seg, los valores de P, R y mA aumentaron en un 2.91%, 4.30% y 1.39%, respectivamente. En cuanto a la segmentación de objetos, la precisión de la máscara (P(M)) fue del 99.91%, la recuperación de la máscara (R(M)) del 99.89%, y la precisión promedio de la máscara (mAP(M)) del 99.29%. En comparación con YOLOv5-seg, los valores de P(M), R(M) y mAP(M) aumentaron en un 6.22%, 7.81% y 5.12%, respectivamente. Después de las pruebas, el error de posicionamiento del reconocimiento de coordenadas tridimensionales de los puntos de recolección de la calabaza amarga fue -eje = 7.025 mm, -eje = 5.6135 mm, y -eje = 11.535 mm, y el error máximo permitido del mecanismo de corte en el extremo del manipulador de recolección fue -eje = 30 mm, -eje = 24.3 mm, y -eje = 50 mm. Por lo tanto, los resultados del estudio cumplen con los requisitos de precisión de posicionamiento del mecanismo de corte en el extremo del manipulador. Los datos experimentales muestran que el método de investigación en este documento tiene cierta importancia de referencia para la identificación precisa y la ubicación de los puntos de recolección de la calabaza amarga.
Descripción
Apuntando a los problemas de tallos pequeños y contornos irregulares de la calabaza amarga, que conducen a una ubicación difícil e inexacta de los puntos de recolección en el proceso de recolección de brazos mecánicos, este documento propone un algoritmo de segmentación de instancias mejorado YOLOv5-seg con un módulo de mecanismo de atención de coordenadas (CA), y lo combina con un algoritmo de refinamiento para identificar y ubicar los puntos de recolección de la calabaza amarga. En primer lugar, se utilizó el modelo de algoritmo mejorado para identificar y segmentar tallos de calabaza amarga y melón. En segundo lugar, se extrajo la máscara del tallo de melón, y se utilizó el algoritmo de adelgazamiento para refinar el esqueleto de la imagen de la máscara del tallo de melón extraída. Finalmente, se recorrió un grafo de refinamiento de esqueleto del tallo de la calabaza amarga, y se seleccionó el punto medio de la región conectada más grande como el punto de recolección de la calabaza amarga. Los resultados experimentales muestran que la precisión de predicción (P), precisión (R) y precisión promedio (mAP) del modelo YOLOv5-seg mejorado en reconocimiento de objetos fueron del 98.04%, 97.79% y 98.15%, respectivamente. En comparación con YOLOv5-seg, los valores de P, R y mA aumentaron en un 2.91%, 4.30% y 1.39%, respectivamente. En cuanto a la segmentación de objetos, la precisión de la máscara (P(M)) fue del 99.91%, la recuperación de la máscara (R(M)) del 99.89%, y la precisión promedio de la máscara (mAP(M)) del 99.29%. En comparación con YOLOv5-seg, los valores de P(M), R(M) y mAP(M) aumentaron en un 6.22%, 7.81% y 5.12%, respectivamente. Después de las pruebas, el error de posicionamiento del reconocimiento de coordenadas tridimensionales de los puntos de recolección de la calabaza amarga fue -eje = 7.025 mm, -eje = 5.6135 mm, y -eje = 11.535 mm, y el error máximo permitido del mecanismo de corte en el extremo del manipulador de recolección fue -eje = 30 mm, -eje = 24.3 mm, y -eje = 50 mm. Por lo tanto, los resultados del estudio cumplen con los requisitos de precisión de posicionamiento del mecanismo de corte en el extremo del manipulador. Los datos experimentales muestran que el método de investigación en este documento tiene cierta importancia de referencia para la identificación precisa y la ubicación de los puntos de recolección de la calabaza amarga.