Research on segmentation method for Lycium barbarum garden images during non-fruiting period

方法

编码器-解码器网络结合深度可分离卷积、跳跃连接与多尺度上下文特征，多场景数据增强

发现

内部测试mIoU达90.10%，两个未见果园微调后mIoU提升至92.43%和90.23%。

机会点

可探索跨果园域适应与少样本微调策略，并融合导航基线提取实现果园机器人自主导航闭环。

引言 在枸杞园中，对植株行与道路区域进行准确分割，是实现自主农业平台视觉导航与基线提取的关键。在非结果期，由于枝叶稀疏、枝条裸露、落叶、杂草、相似的土壤背景以及多变的光照条件，植株行与道路区域之间的视觉对比度被削弱，使得基于颜色或纹理的传统分割方法并不可靠。方法 我们提出了一种面向非结果期枸杞园图像的深度学习语义分割方法。按照导航基线提取的要求，采用基于区域的标注策略对连续的植株行与道路区域进行标注。该编码器—解码器模型融合了深度可分离卷积、跳跃连接和多尺度上下文特征提取，以增强对复杂田间场景的特征表达能力。图像数据采集自不同年份、生长阶段、光照条件、灌溉方式和土壤类型的多个果园；在模型训练过程中实施了数据增强。使用包含230幅图像的独立内部测试集验证模型性能，并在两个未见过的田间地点通过有限微调评估跨果园泛化能力。结果 在内部测试集上，模型的精确率为95.24 ± 2.66%，召回率为94.68 ± 3.15%，平均交并比（mIoU）为90.10 ± 5.43%，Dice系数为94.68 ± 3.15%，平均像素精度（mPA）为94.64 ± 3.14%。对于两个未见过的果园，原始mIoU分别达到86.84%和84.60%，在使用少量新标注图像进行微调后分别提升至92.43%和90.23%。讨论 所提方法能够为非结果期枸杞园场景提供可靠的区域级分割，在缓解域偏移的同时保持较强的像素级和区域重叠性能。轻微的边界差异可能源于标注歧义。该方法为农业机器人系统中的导航基线提取提供了有力的技术支持。