[目的/意义]在大田作业、野外放牧、果园采收等典型农业应用场景下,多机器人(包括移动式智能农机装备等)高精度快速协同同步定位与建图(Simultaneous Localization and Mapping,SLAM)是智慧农业乃至无人农场的关键基础和核心支撑。与单...[目的/意义]在大田作业、野外放牧、果园采收等典型农业应用场景下,多机器人(包括移动式智能农机装备等)高精度快速协同同步定位与建图(Simultaneous Localization and Mapping,SLAM)是智慧农业乃至无人农场的关键基础和核心支撑。与单机器人SLAM相比,多机器人协同SLAM具有精度高、范围广、实时性强、扩展性好等优势,但在农业种植和养殖等自然复杂环境下,由于场景动态可变、地形复杂多变、环境丰富多样、通信约束受限等多重因素叠加影响,尚存在诸多问题与挑战。[进展]现有研究主要是从通用基础技术的视角对多机器人SLAM的研究脉络、优缺点、适用条件和关键核心问题等方面进行总结归纳,但缺乏针对农业复杂场景特性的剖析。本研究面向农业复杂场景的主要特征,以“多传感器数据融合—协同定位—协同建图—回环检测”为关键技术主线,分析了多机器人协同SLAM的优缺点及其在农业领域的适用性;从多机器人协同作业的视角,明晰了集中式、分布式和混合式三种主要协同框架的优势、局限性及适用的典型农业应用场景;进而探讨了农业复杂场景下多机器人SLAM存在的多传感器融合精度偏低、协同通信环境受限、相对位姿估计准确性不高等突出问题。[结论/展望]从优化数据融合底层算法、融合深度学习和强化学习、引入大语言模型、应用数字孪生技术等方面,对农业复杂环境下多机器人SLAM的未来发展方向和趋势进行了展望。展开更多
准确地识别农作物病害种类、病害程度,是能够正确防治病害的基础,对农作物的高质量生产有重要意义。针对传统深度学习模型对图像的细粒度分类不够精准的问题,提出不参与残差计算的通道注意力(efficient channel attention without parti...准确地识别农作物病害种类、病害程度,是能够正确防治病害的基础,对农作物的高质量生产有重要意义。针对传统深度学习模型对图像的细粒度分类不够精准的问题,提出不参与残差计算的通道注意力(efficient channel attention without participating in residual calculation,EWPRC)结构,该结构将改进的通道注意力机制ECANet3放在残差块之后,增加模型对通道维度的权重学习能力,并将EWPRC结构用于骨干网络为ResNet50的迁移学习模型中,通过替换模型中的layer3、layer4层得到了EWPRC-RseNet-t模型。试验使用了AIChallenger 2018数据集,在数据预处理、数据增强、超参数相同的情况下,首先对比了固定核大小为3、5、7、11、13的通道注意力机制对模型准确率的影响,在此试验中,模型的准确率随卷积核变大呈下降趋势,其中一维卷积核大小为3的模型准确率最高,达到了87.42%,比核大小为5、7、11、13的模型分别提高了0.03、0.42、0.51、0.64百分点。再将EWPRC-ResNet-t模型与经过微调的迁移学习模型ResNet-t以及GoogLeNet、MobileNet-v3、ResNet50模型进行对比,以准确率、精确率、召回率以及F1值作为评价指标,试验结果证明EWPRC-ResNet-t模型取得了最好的效果,比传统深度学习模型中准确率最高的ResNet50模型提高了0.99百分点,比ResNet-t模型提高了0.75百分点。且相比传统的深度学习模型,EWPRC-ResNet-t模型有更高的精度、召回率与F1得分。展开更多
文摘[目的/意义]在大田作业、野外放牧、果园采收等典型农业应用场景下,多机器人(包括移动式智能农机装备等)高精度快速协同同步定位与建图(Simultaneous Localization and Mapping,SLAM)是智慧农业乃至无人农场的关键基础和核心支撑。与单机器人SLAM相比,多机器人协同SLAM具有精度高、范围广、实时性强、扩展性好等优势,但在农业种植和养殖等自然复杂环境下,由于场景动态可变、地形复杂多变、环境丰富多样、通信约束受限等多重因素叠加影响,尚存在诸多问题与挑战。[进展]现有研究主要是从通用基础技术的视角对多机器人SLAM的研究脉络、优缺点、适用条件和关键核心问题等方面进行总结归纳,但缺乏针对农业复杂场景特性的剖析。本研究面向农业复杂场景的主要特征,以“多传感器数据融合—协同定位—协同建图—回环检测”为关键技术主线,分析了多机器人协同SLAM的优缺点及其在农业领域的适用性;从多机器人协同作业的视角,明晰了集中式、分布式和混合式三种主要协同框架的优势、局限性及适用的典型农业应用场景;进而探讨了农业复杂场景下多机器人SLAM存在的多传感器融合精度偏低、协同通信环境受限、相对位姿估计准确性不高等突出问题。[结论/展望]从优化数据融合底层算法、融合深度学习和强化学习、引入大语言模型、应用数字孪生技术等方面,对农业复杂环境下多机器人SLAM的未来发展方向和趋势进行了展望。
文摘准确地识别农作物病害种类、病害程度,是能够正确防治病害的基础,对农作物的高质量生产有重要意义。针对传统深度学习模型对图像的细粒度分类不够精准的问题,提出不参与残差计算的通道注意力(efficient channel attention without participating in residual calculation,EWPRC)结构,该结构将改进的通道注意力机制ECANet3放在残差块之后,增加模型对通道维度的权重学习能力,并将EWPRC结构用于骨干网络为ResNet50的迁移学习模型中,通过替换模型中的layer3、layer4层得到了EWPRC-RseNet-t模型。试验使用了AIChallenger 2018数据集,在数据预处理、数据增强、超参数相同的情况下,首先对比了固定核大小为3、5、7、11、13的通道注意力机制对模型准确率的影响,在此试验中,模型的准确率随卷积核变大呈下降趋势,其中一维卷积核大小为3的模型准确率最高,达到了87.42%,比核大小为5、7、11、13的模型分别提高了0.03、0.42、0.51、0.64百分点。再将EWPRC-ResNet-t模型与经过微调的迁移学习模型ResNet-t以及GoogLeNet、MobileNet-v3、ResNet50模型进行对比,以准确率、精确率、召回率以及F1值作为评价指标,试验结果证明EWPRC-ResNet-t模型取得了最好的效果,比传统深度学习模型中准确率最高的ResNet50模型提高了0.99百分点,比ResNet-t模型提高了0.75百分点。且相比传统的深度学习模型,EWPRC-ResNet-t模型有更高的精度、召回率与F1得分。
