突破光遮挡难题：深度学习助力露天卷心菜精准识别

为解决露天蔬菜在光遮挡下识别精度低的问题，研究人员以卷心菜为对象开展基于深度学习的在线目标识别模型研究。结果显示该模型在不同数据集表现出色，还能部署于边缘计算设备。此研究为精准喷药提供技术支持。

　　在农业生产的大舞台上，卷心菜作为全球广泛种植的蔬菜，其产量和质量对满足人们的饮食需求至关重要。然而，病虫害却如同潜伏的 “敌人”，时刻威胁着卷心菜的生长。目前，化学农药仍是防治病虫害的主要手段，但传统的均匀连续喷洒方式存在严重弊端。在卷心菜生长的早期到中期，植株行距较大，传统喷药方式导致农药利用率极低，仅有约 30% 的农药能附着在作物上，其余大部分都沉积在土壤或散发到大气中，造成了资源浪费和环境污染。

精准的目标识别是实现精准喷药的关键前提。在露天环境下，作物的目标识别技术众多，其中机器视觉技术凭借其独特优势脱颖而出。它通过捕捉包含语义信息的作物图像，并借助基于机器学习或深度学习的图像处理方法来提取作物特征，从而识别和分类目标。不过，基于机器学习的图像处理技术需要人工手动提取图像特征，在复杂的田间环境中，全面准确地提取有效目标特征困难重重，这大大限制了模型的鲁棒性和稳定性，也难以实现作物目标的端到端定位。深度学习中的目标检测方法虽能自动提取图像特征并确定目标位置，但在非结构化的田间环境中，光照不均和阴影遮挡问题严重影响了模型的识别精度。此前的研究大多在静态、受控的光照条件下进行离线图像处理，其模型在实际田间环境中的性能尚未得到有效验证。

为了攻克这些难题，来自国内的研究人员积极开展研究。他们以卷心菜为研究对象，旨在构建一个能够在光遮挡条件下实现实时精准识别的模型，为后续的精准喷药提供有力的技术支持。最终，研究人员成功构建了基于 Yolov8n 的在线卷心菜识别模型，并取得了一系列令人瞩目的成果。该研究成果发表在《Artificial Intelligence in Agriculture》上，为农业智能化发展注入了新的活力。

研究人员在此次研究中运用了多种关键技术方法。首先，他们收集了大量的卷心菜图像数据，这些数据来自北京小汤山国家精准农业研究示范基地，涵盖了不同生长阶段、不同光照条件下的卷心菜植株。之后，研究人员使用了基于 Transformer 的卷心菜识别模型对图像进行预处理，并通过 Labelimg 软件修正标注结果。在模型构建方面，他们设计了由线性调整滤波器、伽马校正滤波器和锐化滤波器组成的卷心菜图像滤波器组合，以减轻光遮挡对识别精度的影响；同时，构建了基于卷积神经网络（CNN）的滤波器参数自适应学习模块，用于生成滤波器所需的参数。最后，将这些模块嵌入到 Yolov8n 目标检测网络中，进行端到端的训练。

下面让我们详细了解一下研究的具体结果：

1. 自适应滤波器参数学习模块卷积层数的影响：研究人员对不同卷积层数的自适应滤波器参数学习模块进行测试，发现当卷积层数为 6 时，模型在光遮挡条件下的识别精度最高，达到 93.1%。此时，模型的参数数量和权重文件大小相对合理，在保证识别精度的同时，兼顾了模型的复杂度。
2. 滤波器组合顺序的影响：通过对不同滤波器组合顺序的测试，研究发现 Liner - Gamma - Sharp 的组合在光遮挡数据集上表现最佳。这种组合先通过线性滤波器调整图像像素值范围，使图像亮度更均匀，增强全局对比度；接着，伽马滤波器在已有对比度基础上，更有效地调整亮度，增强低亮度区域，且不会导致过度曝光；最后，锐化滤波器突出图像中亮度变化大的区域，使图像结构更清晰。若滤波器顺序不当，会降低网络对图像的处理效果，进而影响识别精度。
3. 消融实验分析：消融实验表明，模型中的各个滤波器对提高平均精度都至关重要。去除线性滤波器和锐化滤波器分别导致精度下降 4.6% 和 4.0%，而去除伽马滤波器后，模型在光照遮挡数据集上的识别精度下降最为显著，降至 82.6%，下降了 10.3%。这充分说明伽马滤波器在增强受光照遮挡影响的卷心菜图像特征方面效果最为突出，它通过非线性变换调整图像亮度和对比度，对过暗区域的特征增强作用明显。而在正常光照数据集上，单个滤波器或滤波器组合的有无对识别精度的影响较小，变化幅度在 0.3% 以内，表明滤波器组合在正常光照条件下对增强卷心菜特征的作用不明显。
4. 不同模型在不同测试数据集上的识别精度：在正常均匀光照条件下，研究提出的模型、Yolov5n 和 Yolov8n 都能取得较好的识别效果。但在光遮挡条件下，Yolov5n 和 Yolov8n 模型存在明显缺陷，对阴影区域的卷心菜容易误判，且难以识别高亮区域的小卷心菜目标。而研究提出的模型在阴影和高亮区域都表现出良好的识别性能。在混合数据集、光遮挡数据集和正常光照数据集上，该模型的识别精度分别为 95.0%、93.1% 和 97.5%，均显著高于 Yolov5n 和 Yolov8n 模型。通过 Grad - CAM 可视化技术分析发现，该模型对光遮挡产生的阴影区域中的卷心菜特征响应更强，增强了图像中的卷心菜特征信息，从而提高了识别精度。此外，经过滤波器组合增强后的图像平均熵从 13.5 增加到 18.3，表明图像信息含量增加，这也有助于提高识别精度。
5. 不同光遮挡程度下的识别结果：研究人员进一步探究了不同光遮挡程度对模型识别精度的影响。结果显示，当光遮挡造成的阴影区域与正常区域的亮度比小于 0.2 时，所有模型都难以正确识别光遮挡区域的卷心菜；当亮度比在 0.2 - 0.4 之间时，三个模型都能部分识别；而当亮度比超过 0.4 时，研究提出的模型在识别精度上表现更优。随着光遮挡程度降低，所有模型的识别精度都呈上升趋势。当光遮挡程度为 0.2 时，该模型精度比 Yolov8n 低 0.8%，但比 Yolov5n 高 8.2%；当光遮挡程度超过 0.4 时，该模型识别精度达到 93.1%，分别比 Yolov8n 和 Yolov5n 高 9.9% 和 13.7%，性能表现更稳定。
6. 部署在边缘计算设备上的模型性能比较：研究人员将模型部署在 10W 的 Nvidia Jetson Orin NX 边缘计算设备上进行测试。结果表明，添加滤波器参数自适应学习模块后，模型的参数数量和权重文件大小有所增加，分别比 Yolov5n 和 Yolov8n 增加了 0.28M 和 2.05M，0.57MB 和 2.94MB。同时，该模型的图像处理帧率为 26.32f/s，比对比模型分别低 8.04fps 和 7.35fps。这是因为图像滤波器和滤波器参数自适应模块的运行时间为 11.47ms，导致了处理速度的下降。
7. 不同生长周期卷心菜的识别精度：研究发现，卷心菜的识别精度随着生长天数的增加而提高，但同时也受到环境条件的影响。例如，生长 12 天的卷心菜由于个体较小且存在阴影，识别精度为 88.5%；生长 33 天的卷心菜因田间管理不善，杂草较多，识别精度降至 93.7%；而生长 30 天的卷心菜，由于生长管理正常且田间无杂草，识别精度高达 99.4%。
8. 西兰花和大白菜数据集的验证实验结果：研究人员使用西兰花和大白菜数据集对提出的蔬菜识别模型进行训练和验证。结果显示，该模型在光遮挡区域和正常光照区域都能有效识别西兰花和大白菜目标，在测试数据集上，对大白菜的识别精度达到 99.3%，对西兰花的识别精度达到 98.3%，表明该模型在识别其他蔬菜方面也具有良好的性能。
9. 田间实验结果：研究人员利用构建的卷心菜识别模型对正常光照和光遮挡条件下的视频数据进行处理。在正常光照条件下，共有 846 棵卷心菜，模型识别出 812 棵，识别精度为 95.9%；在光遮挡条件下，共有 817 棵卷心菜，模型识别精度为 91.2%。实验结果表明，该模型在不同光照条件下均表现良好，适用于露天卷心菜的在线识别。

综合研究结果和讨论部分，这项研究具有重要意义。研究人员成功构建的在线卷心菜识别模型，有效解决了光遮挡条件下露天卷心菜识别精度低的问题。该模型在不同数据集上展现出卓越的识别精度，在光遮挡数据集上达到 93.1%，在正常光照数据集上达到 97.5%，在混合数据集上达到 95.0%。同时，该模型在识别其他蔬菜方面也表现出色，并且能够部署在边缘计算设备上实现实时识别，为精准喷药提供了强有力的技术支持，推动了植物保护操作的智能化发展。

然而，研究也存在一些有待改进的地方。例如，对于光遮挡程度低于 0.2 的图像，由于阴影区域和正常区域亮度差异过大，伽马滤波器处理时容易导致正常亮度区域过曝光，影响整体识别精度。此外，在田间测试中发现，受病虫害胁迫的卷心菜以及小个体卷心菜存在识别困难的问题。未来的研究可以针对这些问题，进一步探索更有效的特征增强方法，设计更适合小目标识别的骨干特征提取网络，从而提高模型的适应性和识别精度，为农业智能化发展做出更大的贡献。