实时植物表型分析与在线覆盖路径规划算法研究

### 实时植物表型分析与在线覆盖路径规划算法研究 在农业和机器人领域，实时植物表型分析以及机器人在线覆盖路径规划是两个重要的研究方向。前者有助于精准农业的发展，后者则能提高机器人在复杂环境中的工作效率。下面我们将详细探讨相关的研究成果。 #### 实时植物表型分析系统 植物表型分析对于识别不同品种植物在不同环境条件下的行为至关重要，它能帮助农民选择合适的品种。传统的手动植物表型分析方法成本高、耗时长且具有破坏性，难以满足大规模分析的需求。随着计算机视觉技术的发展，基于图像的植物表型分析成为研究热点，但大多数基于深度神经网络（DNN）的方法需要高计算资源，不适合实时决策。 ##### 相关研究工作 现有的图像植物表型分析研究主要基于公开的拟南芥植物数据集。相关文献中，叶计数方法可分为三类： - **基于回归的直接图像到计数模型**：这类方法将输入图像计算特征后转换为叶计数。例如，Andrei等人使用多源莲座状植物数据训练改进的ResNet - 50模型；还有方法在CVPPP 2017挑战数据集上，先利用SegNet架构分割整株植物，再将分割和原始RGB图像输入另一个基于VGG的网络进行叶计数；Pheno - Deep模型则结合不同成像源（可见光、近红外和荧光）的特征来提高叶计数准确性。 - **基于目标检测的方法**：此类方法通过单遍或多遍进行目标分类和定位。常见的方法有YOLO和R - CNN。YOLO速度快，但难以检测紧密耦合的对象；R - CNN更准确，但计算速度慢。如基于Tiny - YOLOv3的实时叶计数方法在自生成的拟南芥植物数据集上进行训练。 - **基于实例分割的方法**：通过分割每个叶子来计算叶子数量，如采用Mask - RCNN的叶检测和分割方法，以及基于注意力机制的循环实例分割方法。这些方法更准确，但在低端硬件上实现计算成本高。 | 相关工作 | 数据集 | 方法 | 实时性 | 表型特征 | 低端设备支持 | | --- | --- | --- | --- | --- | --- | | [8] | CVPPP - 2017的LCC数据集、香蕉数据集 | 回归、检测(Resnet50 + FPN) | 是 | 叶计数、叶中心检测 | 否 | | [2] | 拟南芥植物 | 检测(Tiny - YOLOv3) | 是 | 叶计数 | 是 | | [25] | CVPPP A1数据、花椰菜数据集 | 检测改进的YOLOv3 | 是 | 叶计数 | 否 | | [1] | CVPPP - 2017的LSC数据集、LCC数据集 | 回归(SegNet + VGG) | 否 | 植物分割、叶计数 | 否 | | [28] | CVPPP - 2017的LSC数据集 | 实例分割(Mask - RCNN) | 否 | 叶计数、叶分割 | 否 | | [7] | CVPPP - 2017 A1、A2、A3、A4数据集 | 回归(改进的ResNet50) | 是 | 叶计数 | 否 | | [27] | 甜菜田间数据集 | 检测(FPN + CenterNet) | 是 | 植物检测、叶计数 | 否 | 从表中可以看出，大多数现有方法不适合在低端设备上进行实时计算。 ##### 提出的方法 为了解决上述问题，研究提出了一种适合低端设备的实时植物表型分析系统。该系统的流程图如下： ```mermaid graph LR A[当前和上一图像] --> B[Tiny - Y ```