编辑推荐：
在丘陵地区，稻田田埂不规则且 GNSS 信号易受阻，影响稻田作业智能化。研究人员开展基于 MS-BiSeNetV2 和十字交叉搜索的不规则稻田田埂边界线提取研究。结果显示该方法能满足田埂识别与边界线提取的实时性和准确性要求，助力无人作业。
在农业现代化的进程中，稻田作业正逐步从传统的机械化向无人化迈进。想象一下，在广袤的稻田里，一台台智能农机无需人工驾驶，就能精准地穿梭在田埂之间，完成播种、插秧等一系列农事活动，这是多么令人期待的场景！然而，现实却给这一美好愿景设置了重重障碍。在丘陵地区，独特的地理环境使得 GNSS 卫星信号常常受到山体等障碍物的干扰，无法实现精准定位。而且，稻田田埂的状况也十分复杂，田埂边缘模糊不清，形状弯曲多变，不仅有常见的曲线形，还有 S 形，甚至多条田埂相邻，边界错综复杂。这些难题严重阻碍了稻田作业的智能化发展，使得无人作业难以顺利开展。
为了解决这些棘手的问题，国内的研究人员积极开展研究。他们致力于找到一种高效的方法，能够准确识别不规则的稻田田埂，并精准提取其边界线，为稻田无人作业提供坚实的技术支持。经过不懈努力，研究人员取得了重要成果，相关研究发表在《Computers and Electronics in Agriculture》上。
研究人员采用了多种关键技术方法。首先，利用工业相机采集视频图像，为后续分析提供数据基础。然后，引入 MS-BiSeNetV2 这一轻量化语义分割模型进行监督学习，预测田埂的分割掩码。该模型创新性地融入了多尺度双边引导聚合（MSB）分支和坐标注意力（CA）模块，以提升性能。最后，运用基于十字交叉搜索的分割线性插值方法，从分割掩码中提取田埂边界线，并进行坐标变换与对比。
在研究结果方面：
- 模型性能评估：通过消融试验评估 CA 模块和 MSB 分支对田埂识别的影响。结果表明，在训练过程中，其他模型的平均交并比（mIOU）在前期快速上升，后期趋于稳定，而 BiSeNetV2 的 mIOU 是逐渐上升的。训练 70 轮后，所有模型均收敛，MS-BiSeNetV2 达到最高的 mIOU。这充分显示出 MS-BiSeNetV2 中新增模块对提升模型性能的重要作用。
- 整体性能表现：MS-BiSeNetV2 在平均交并比（mIoU）和平均像素准确率（mPA）上分别达到了 95.12% 和 97.53% ，识别速度为 40.12FPS。对于各种形状田埂的稻田，基于十字交叉搜索的分割线性插值方法在分辨率为 1280×1024 的图像上，平均像素误差为 29.12 像素，整体速度为 14.32FPS。这说明该方法在保证一定精度的同时，能满足实时性要求。
研究结论与讨论部分指出，研究人员开发的 MS-BiSeNetV2 模型可有效识别稻田中弯曲、不规则的田埂。MSB 分支的引入，有助于整合不同尺度的上下文语义信息和空间细节，增强了模型对复杂田埂形状的识别能力。基于十字交叉搜索的分割线性插值方法，很好地弥补了分割精度的不足，能适应多种田埂形状，包括曲线形、S 形以及相邻边界的情况。该研究成果意义重大，为不规则稻田环境下的种植、插秧等无人作业提供了关键的技术支撑，推动了稻田作业智能化的发展进程，让智能农机在复杂的稻田环境中也能精准作业，提高农业生产效率，助力农业现代化建设。
