RowDetr：利用多项式进行端到端作物行检测

《Smart Agricultural Technology》：RowDetr: End-to-End Crop Row Detection Using Polynomials

作物行检测的端到端Transformer模型RowDetr通过多项式参数化和高效注意力机制，解决了GPS遮挡环境下的弯曲行检测难题，提出能量损失函数PolyOptLoss以优化几何对齐，在6962张高分辨率图像上达到F1分数0.74，延迟6.7ms，适合边缘设备部署。

　　在现代农业的快速发展背景下，自主机器人和智能系统在农业作业中的应用日益广泛。尤其是在高通量表型分析领域，这些智能设备正发挥着越来越重要的作用。然而，由于农田环境的复杂性，特别是在GPS信号受到遮挡或无法获取的情况下，自主导航和作物行检测仍然是一个挑战。传统的GPS依赖型导航系统在密集的作物覆盖下容易受到信号干扰或丢失，导致定位不准确，这使得开发一种无需GPS的高效作物行检测方法成为迫切需求。

本文提出了一种名为RowDetr的高效端到端Transformer模型，专门用于在遮挡条件下检测作物行。RowDetr通过引入轻量级的主干网络和混合编码器结构，能够处理直线、曲线或被遮挡的作物行，从而在高精度农业中实现可靠的行识别。为了提高检测效率，RowDetr采用了多项式表示方式，将作物行直接参数化为多项式函数，避免了复杂的后处理步骤，从而减少了计算资源的消耗。这一设计不仅提高了检测的准确性，还增强了模型对标签噪声的鲁棒性，使其更适合部署在边缘计算设备上。

在方法论方面，RowDetr的架构主要由几个关键模块组成：主干网络、混合编码器、多项式提议生成模块、PolySampler、偏移网络以及多尺度可变形注意力解码器。主干网络负责提取图像的多尺度特征，而混合编码器则结合了自注意力机制，使模型能够更好地捕捉图像中的上下文信息。多项式提议生成模块通过logits头选择最具潜力的作物行，然后利用MLP回归这些行的多项式系数。PolySampler和偏移网络则用于进一步优化这些提议，使其更接近真实行结构。最后，多尺度可变形注意力解码器通过关注重要的空间区域，提高行检测的精度。

为了处理标签噪声和不确定性，RowDetr引入了一种基于能量的损失函数PolyOptLoss。该损失函数通过计算预测曲线与真实曲线之间的几何对齐误差，使模型在训练过程中更精确地调整多项式参数。此外，为了确保预测结果与真实行之间的一一匹配，RowDetr还采用了匈牙利算法进行最优匹配，从而简化了训练流程，避免了诸如非极大值抑制（NMS）等后处理步骤。这一设计不仅提升了模型的鲁棒性，还保证了在实际应用中的稳定性。

在数据集方面，RowDetr使用了多种设备采集的图像，包括手持设备、Basler相机以及RealSense D435i，这些图像覆盖了不同作物阶段和环境条件。为了提高模型的泛化能力，图像被调整为统一的尺寸，并在训练过程中进行了多种数据增强，如仿射变换、模拟天气效果、颜色抖动、运动模糊和随机裁剪。这种多样化的数据集使得RowDetr能够在不同的田间条件中表现良好。

实验结果表明，RowDetr在多项个数、平均LPD（车道位置偏差）和TuSimple F1分数等方面均优于其他现有的端到端作物行检测方法，如AgroNav和RowColAttention。例如，在使用ResNet18作为主干网络的情况下，RowDetr的推理延迟仅为6.7毫秒，经过INT8量化优化后，延迟进一步降低至3.5毫秒，远低于其他方法的延迟。同时，RowDetr的参数数量也显著低于其他模型，这使其在边缘计算设备上的部署更具可行性。

此外，通过消融实验，研究者进一步分析了不同参数配置对模型性能的影响。结果显示，当采样点数为3，偏移点数为2时，RowDetr在多项式对齐误差（LPD）和F1分数方面达到了最佳平衡，这一配置在保证高精度的同时，也保持了较低的计算延迟。因此，这种配置被推荐用于实际部署。

在实际应用中，RowDetr展现出显著的优势。特别是在处理密集作物覆盖、行结构复杂以及存在遮挡和杂草干扰的情况下，该模型能够保持较高的检测准确性和稳定性。与传统方法相比，RowDetr无需依赖后处理步骤，即可直接输出结构化的多项式参数，从而在实时性方面表现出色。这种端到端的检测方式，不仅提高了系统的整体效率，还增强了其在复杂农业环境中的适应能力。

值得注意的是，尽管RowDetr在许多方面表现出色，但仍存在一些局限性。例如，在高度不规则的环境（如森林）中，其假设作物行是光滑的曲线，可能无法准确识别复杂结构。此外，目前的数据集主要针对玉米和高粱等作物，尚未扩展到其他作物类型，这可能会影响其在更广泛农业场景中的适用性。因此，未来的研究可以进一步扩展数据集，使其适用于更多类型的作物和不同的田间条件。

从实际影响来看，RowDetr的提出为农业自动化提供了重要的技术支持。其高效的检测能力和对复杂环境的适应性，使得自主机器人能够在GPS信号不可用的情况下，准确地识别作物行，从而实现精准的田间导航和作业。这不仅有助于提高农业生产的效率，还为未来智能农业的发展奠定了基础。

总体而言，RowDetr通过其创新的多项式参数化方法和优化的端到端架构，在作物行检测领域取得了显著进展。其在实际应用中的高效性和鲁棒性，使其成为农业机器人和自主农业设备的理想选择。未来，随着数据集的扩展和多模态传感器的融合，RowDetr有望在更广泛的农业场景中发挥更大作用，推动农业智能化的进一步发展。