基于改进DeeplabV3+的茶园移动机器人视觉导航路径提取方法

《Smart Agricultural Technology》：Visual Navigation Path Recognition Method for Tea Plantation based on Improved DeeplabV3+

本文针对茶园复杂环境下传统DeeplabV3+模型在茶树分割中存在计算参数大、检测效率低及光照适应性差等问题，研究人员开展了基于改进DeeplabV3+的视觉导航路径提取研究。通过引入轻量级Mobilenetv2模块、多尺度MSE_ASPP特征提取模块和SAM特征提取模块进行模型优化，结果表明改进模型在mPA、Accuracy和MIoU指标上分别达到94.96%、94.27%和90.03%，导航路径拟合平均航向角误差为4.10°，显著提升了移动机器人在茶园环境中的导航精度和实时性，为茶园自动化作业提供了有效技术支撑。

　　

在智慧农业快速发展的背景下，茶园生产管理的自动化与智能化已成为提升茶叶品质和作业效率的关键。然而，茶园环境具有其独特的复杂性：茶树行间狭窄，地形起伏不定，且伴随着多变的光照条件，这些因素都给移动机器人的自主导航带来了巨大挑战。传统的导航方法往往依赖于预定义的路径或昂贵的传感器，难以适应茶园这种非结构化的自然环境。特别是，茶树与杂草在颜色特征上高度相似，在复杂光照下更难以区分，使得基于视觉的导航路径提取变得异常困难。尽管深度学习技术，尤其是语义分割网络如DeeplabV3+，在图像识别领域展现出强大潜力，但其原有的模型结构在茶园场景中仍存在计算参数庞大、实时性不佳以及对光照变化鲁棒性不足等缺陷，限制了其在茶园移动机器人上的实际应用。因此，开发一种能够精准、高效且稳定地提取茶园导航路径的新方法，对于推动茶园生产管理的智能化升级具有紧迫的现实意义。本研究旨在解决这一关键技术瓶颈，相关成果发表在《Smart Agricultural Technology》上。

为开展本研究，研究人员主要采用了以下几种关键技术方法：首先，对原始的DeeplabV3+语义分割网络进行了结构优化，使用轻量级的MobileNetv2模块替换原有的Xception主干网络，以显著降低模型的计算参数和内存占用。其次，设计了多尺度的MSE_ASPP（Multi-Scale MSE_ASPP）特征提取模块，该模块融合了可分离卷积和SA（Shuffle Attention）、ECA（Efficient Channel Attention）两种注意力机制，以增强模型在不同尺度上捕捉茶树特征信息的能力，并改善上下文信息的关联。此外，还引入了SAM（Shallow Feature Aggregation Module）特征提取模块，通过整合MobileNetv2中多个瓶颈层的浅层特征信息，并利用SA注意力机制进行优化，从而丰富浅层特征的语义信息。在获取茶树分割图像后，研究采用扫描法提取图像中心像素点，并结合Huber回归模型进行导航路径的拟合，以计算移动机器人的航向角。实验所使用的茶园图像数据集为研究人员在不同茶园环境中实时采集的图像。

模型分割性能对比实验

通过将改进的DeeplabV3+模型与原始DeeplabV3+、UNet和PSPNet模型进行对比实验，评估其分割性能。结果表明，改进模型的运行参数仅为4.14×10⁶，内存占用为15.81 MB，相较于原始模型分别减少了5.06×10⁷和192.89 MB。平均推理时间从170.77 ms降至44.86 ms。在评价指标上，改进模型的mPA（平均像素精度）、Accuracy（准确率）和MIoU（平均交并比）分别达到94.96%、94.27%和90.03%，均优于对比模型。视觉分割结果也显示，改进模型能够更准确地识别茶树的全局和局部特征，特别是对茶树边缘信息的提取更为精细，误识别和漏识别区域显著减少。

改进模型消融实验

通过设置不同的模型结构变体（A: 原始模型；B: 引入MobileNetv2模块；C: 引入MobileNetv2和MSE_ASPP模块；改进的DeeplabV3+：完整模型）进行消融实验，以验证各改进组件的有效性。结果显示，完整改进模型的mPA、Accuracy和MIoU分别达到95.22%、94.42%和90.19%，相较于原始模型（A）提升了10.45%、9.94%和16.15%。虽然引入SAM模块中的SA注意力机制使内存占用略有增加（0.01 MB），但模型检测性能得到显著提升。在不同茶园环境的图像分割测试中，改进模型展现出良好的泛化能力，能够准确分割茶树区域，为机器人提供精确的导航路径。

不同光照强度检测性能实验

为了评估模型在不同光照条件下的鲁棒性，研究在低光照、正常光照和强光照三种环境下进行了测试。在正常光照下，改进模型的mPA、Accuracy和MIoU分别为94.23%、93.62%和88.57%。在低光照和强光照环境下，改进模型的mPA和Accuracy均保持在92%以上，MIoU分别达到88.28%和87.95%，其性能均稳定优于原始模型。特别是在强光照环境下，改进模型的mPA和MIoU相较于原始模型提升了29.76%和28.61%。分割效果表明，改进模型能够适应多变的茶园光照条件，有效提取连续平滑的茶树边缘特征。

导航路径拟合实验

在三个不同的茶园场景（A: 茶树密集；B、C: 茶树密度较低）中，基于改进模型分割得到的茶树掩码图像，利用扫描法提取中心像素点，并采用Huber回归模型拟合导航路径，计算其航向角误差。在场景A中，机器人的平均航向角误差为3.31°；在场景B和C中，由于茶树像素点较少，平均误差分别为4.46°和4.52%。三个场景的总平均航向角误差为4.10°，结果表明拟合出的导航路径具有较高的精度和稳定性，能够满足茶园移动机器人的视觉导航需求。

本研究通过系统性的优化与实验验证，成功开发了一种基于改进DeeplabV3+的茶园移动机器人视觉导航路径提取方法。该方法通过引入轻量级网络模块、多尺度特征提取和注意力机制，显著提升了模型在复杂茶园环境下的分割精度、运行效率和鲁棒性。改进后的模型不仅大幅降低了计算资源消耗，保证了机器人运行的实时性，而且在不同光照强度和茶树密度条件下均表现出稳定的性能。导航路径拟合实验进一步证实了该方法能够为移动机器人提供准确可靠的导航信息。这项研究为解决茶园自动化作业中的视觉导航难题提供了有效的技术方案，对推动智慧农业的发展具有重要的实践意义。未来的工作将集中于将该方法部署到实际机器人平台，并集成路径跟踪算法，以实现机器人在茶园中的实时自主作业。