基于YOLO-DP检测器与DSDI拟合的果园视觉导航路径提取方法

摘要: 本发明属于农机智能化,具体涉及基于yolo-dp检测器与dsdi拟合的果园视觉导航路径提取方法。背景技术:1、果园视觉导航的核心在于准确、实时地提取行间行驶路径...
基于YOLO-DP检测器与DSDI拟合的果园视觉导航路径提取方法

本发明属于农机智能化,具体涉及基于yolo-dp检测器与dsdi拟合的果园视觉导航路径提取方法。

背景技术:

1、果园视觉导航的核心在于准确、实时地提取行间行驶路径,但复杂果园环境给这一任务带来了多重挑战:光照变化、杂草覆盖、树干细小且形态不一、地形起伏以及摄像头抖动等因素,使图像中可用于定位的有效信息稀疏且易被淹没。传统基于阈值、颜色指数或边缘检测的图像处理方法在结构化程度低、背景干扰强的果园场景中鲁棒性不足,往往需要人工调整参数,泛化能力有限。

2、近期,基于深度学习的方法在视觉导航领域被提出,研究人员使用深度网络检测树干,使用检测树干的几何中心拟合导航线,目标检测模型显著提升了树干识别精度,但现有方案普遍忽视了对小目标的针对性设计,模型参数量和浮点运算居高不下,难以在算力有限的农机边缘终端上实时运行;同时,检测之后的路径拟合环节仍多采用最小二乘法或霍夫变换,这类算法对噪声和异常定位点敏感,一旦杂草遮挡或检测框偏移,拟合出的导航线极易偏离实际行间中心,导致航向角偏差过大,无法满足精准作业需求,基于此,本方案提供了基于yolo-dp检测器与dsdi拟合的果园视觉导航路径提取方法,以解决上述问题。

技术实现思路

1、本发明的目的是提供基于yolo-dp检测器与dsdi拟合的果园视觉导航路径提取方法,能够在复杂果园环境下稳定提取准确的导航路径,兼顾检测精度与运行效率。

2、本发明采取的技术方案具体如下:

3、基于yolo-dp检测器与dsdi拟合的果园视觉导航路径提取方法,包括:

4、通过对果园内的果树行间图像进行预处理,输出用于表征果树行间结构的基准图像;

5、通过多尺度融合和注意力机制对基准图像进行特征增强,并识别树干的边界框,且基于边界框的几何属性筛选出相邻侧果树行的特征点集;

6、基于特征点集,通过最短距离准则拟合两侧树行线,得到相邻侧果树行线方程,并分别记录为左树行线方程和右树行线方程;

7、联立左树行线方程和右树行线方程,并求解几何交点坐标,且将几何交点坐标记录为导航路径的基准点;

8、基于基准点,通过角平分线原理计算导航路径的斜率和截距,生成用于指导果园机器人行进方向的导航路径方程。

9、在一种优选方案中,所述通过对果园内的果树行间图像进行预处理,输出用于表征果树行间结构的基准图像的步骤,包括:

10、对原始采集的果树间图像进行灰度化、滤波和边缘增强处理,抑制光照与枝叶遮挡干扰;

11、采用自适应直方图均衡化提升果树间图像对比度,并结合形态学闭运算填充树干边缘断裂区域;

12、将处理后的图像进行二值化分割,提取树干连通区域,并通过最小外接矩形拟合生成初始树干轮廓;

13、对初始树干轮廓进行轮廓筛选,剔除面积小于预设筛选阈值的噪声区域,并保留面积大于预设阈值且长宽比符合竖直特征的竖直型轮廓作为有效树干候选区域;

14、将有效树干候选区域映射回原始图像坐标系,生成具有空间一致性的基准图像。

15、在一种优选方案中,所述通过多尺度融合和注意力机制对基准图像进行特征增强,并识别树干的边界框,且基于边界框的几何属性筛选出相邻侧果树行的特征点集的步骤,包括:

16、预构建yolo-dp深度检测网络,并基于yolo-dp深度检测网络对基准图像进行端到端目标检测,输出果树树干的检测框;

17、对检测框进行非极大值抑制处理,剔除重叠度高于容许重叠阈值的冗余框,再依据检测框中心点坐标与图像主轴方向,计算各歌果树树干在行间空间中的相对方位角;

18、依据相对方位角对检测框进行左右树行聚类,将方位角位于图像左半区域的检测框归为左树行候选集,方位角位于图像右半区域的检测框归为右树行候选集;

19、从左树行候选集和右树行候选集中分别提取各个检测框的底部中心点坐标作为表征树行走向的特征点,并汇总为相邻侧果树行的特征点集。

20、在一种优选方案中,所述预构建yolo-dp深度检测网络时,包括以下步骤:

21、以yolo11s网络结构作为基础网络框架,并在基础网络框架上集成dac特征融合架构,其中,dac特征融合架构包括动态采样尺度特征融合模块、自适应多尺度特征融合模块以及通道与位置注意力机制;

22、通过动态采样尺度特征融合模块统一不同层级特征图的通道维度,并通过动态上采样方式对齐空间分辨率,保留低层细节信息;

23、基于自适应多尺度特征融合模块将特征图划分为多个尺寸的特征图块,并通过混合池化降采样和动态上采样操作,实现多尺度特征的自适应加权融合;

24、通过通道与位置注意力机制对融合后的特征图进行双重注意力加权,输出增强后的多尺度特征表示,强化对树干边缘与遮挡区域的判别能力;

25、将基准图像分类为训练样本集、验证样本集与测试样本集,并使用训练样本集对改进后的yolo-dac网络进行训练,其中,训练样本集中包含各个季节、光照条件及枝叶遮挡程度下的基准图像;

26、对训练后的yolo-dac网络应用层自适应幅值剪枝策略进行压缩,降低yolo-dac网络的参数量与计算复杂度,生成轻量化yolo-dp检测器。

27、在一种优选方案中,所述基于特征点集,通过最短距离准则拟合两侧树行线,得到相邻侧果树行线方程的步骤,包括:

28、将特征点集分类为左树行特征点集和右树行特征点集,并分别计算左树行特征点集和右树行特征点集的左中心坐标和右中心坐标;

29、对左树行特征点集和右树行特征点集分别平移,使左中心坐标与右中心坐标成为原点,得到新点集;

30、对新点集采用最短距离准则拟合直线方程,通过最小化点到直线距离的平方和求解得到斜率参数和截距参数,其中,斜率参数包括与左树行线对应的左斜率参数和与右树行线对应的右斜率参数;

31、将斜率参数和截距参数代回原坐标系,获得左树行线方程与右树行线方程。

32、在一种优选方案中,所述联立左树行线方程和右树行线方程,并求解几何交点坐标,且将几何交点坐标记录为导航路径的基准点的步骤,包括:

33、将左树行线方程与右树行线方程进行联立,形成联立方程组;

34、通过代数变换对联立方程进行重排求解,得到交点横坐标的表达式,再将交点横坐标代入左树行线方程或右树行线方程中求解交点纵坐标;

35、将交点横坐标与纵坐标组合为二维坐标对,并记录为当前图像帧下的导航基准点。

36、在一种优选方案中,所述基于基准点,通过角平分线原理计算导航路径的斜率和截距,生成用于指导果园机器人行进方向的导航路径方程的步骤,包括:

37、基于左树行线的斜率参数与右树行线的斜率参数,通过角平分线原理计算导航路径的斜率参数,并记录为导航路径斜率;

38、依据导航基准点与导航路径斜率,计算导航路径的截距参数,并记录为导航路径截距;

39、将导航路径斜率与导航路径截距组合为线性方程形式,生成用于指导果园机器人实时行进的导航路径方程。

40、在一种优选方案中,所述导航路径方程生成后,同步进行路径有效性验证,具体验证步骤如下:

41、计算左树行线与右树行线之间的夹角,并判断该夹角是否处于合理夹角区间;

42、若夹角处于合理夹角区间内,则基于导航路径方程计算导航路径与图像水平基准线之间的航向偏角;

43、判断航向偏角是否小于或等于安全偏角阈值;

44、若航向偏角小于或等于安全偏角阈值,则判定导航路径有效,并将导航路径方程输出至果园机器人的控制端;

45、若夹角超出合理夹角区间,或航向偏角大于安全偏角阈值,则判定导航路径失效,触发重新采集图像并进行路径重规划。

46、本发明还提供了,一种导航路径提取系统,使用上述的基于yolo-dp检测器与dsdi拟合的果园视觉导航路径提取方法,包括:

47、预处理模块,用于通过对果园内的果树行间图像进行预处理,输出用于表征果树行间结构的基准图像;

48、特征提取模块,用于通过多尺度融合和注意力机制对基准图像进行特征增强,并识别树干的边界框,且基于边界框的几何属性筛选出相邻侧果树行的特征点集;

49、方程构建模块,用于基于特征点集,通过最短距离准则拟合两侧树行线,得到相邻侧果树行线方程,并分别记录为左树行线方程和右树行线方程;

50、方程联立模块,用于联立左树行线方程和右树行线方程,并求解几何交点坐标,且将几何交点坐标记录为导航路径的基准点;

51、方程输出模块,用于基于基准点,通过角平分线原理计算导航路径的斜率和截距,生成用于指导果园机器人行进方向的导航路径方程。

52、以及,一种电子设备,所述电子设备包括:

53、至少一个处理器;

54、以及与所述至少一个处理器通信连接的存储器;

55、其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的基于yolo-dp检测器与dsdi拟合的果园视觉导航路径提取方法。

56、本发明取得的技术效果为:

57、本发明通过构建轻量化、高精度的yolo-dp检测器,实现对树干小目标的鲁棒识别,并创新性地提出dsdi路径拟合算法,在几何约束下精准提取行间导航线,整体方案兼顾检测精度、运行效率与抗干扰能力,有效解决了传统方法在光照变化、杂草干扰、树干细小等场景下的失效问题,为果园作业机器人提供了可靠、实时的导航支持,推动了农业机器人向智能化、自主化方向发展。