编辑推荐：
在果园管理中，现有植物及种植行检测多局限于单图且针对成熟果树，路径规划也存在不足。研究人员基于卷积神经网络（CNN）算法开展研究，提出新模型与算法。结果显示新方法检测性能佳，路径规划误差小。这推动了精准农业发展。
在农业生产的广阔领域中，果园管理一直是个重要环节。随着科技的不断进步，果园管理也逐渐向智能化、精准化迈进。然而，在这个过程中，却面临着诸多挑战。以往，人工进行果园植物的检查工作，不仅耗费大量人力和时间，效率低下，而且容易出现误差。比如在统计果树数量、判断果树生长状况时，人工操作难以做到精确无误。后来，基于无人机（UAV）的遥感技术出现了，它能够获取高分辨率的果园图像，为果园管理提供了更多的数据支持。但问题也接踵而至，现有的研究大多局限于单张地图片段对植物和种植行进行检测，无法从全局角度评估种植条件，这对于果园的整体规划和决策极为不利。同时，目前的研究主要针对成熟阶段的果树，对于幼树的监测以及种植行中缺失植株的评估和补偿等问题，还缺乏有效的解决方案。在果园车辆的导航方面，虽然全球导航卫星系统（GNSS）等技术有所应用，但手动收集果园行跟踪操作路径既耗时又费力，且无法解决动态生长植物行的路径规划难题。在这样的背景下，开展一项能够突破这些困境的研究就显得尤为重要。
为了解决这些问题，中国的研究人员积极投身于相关研究。他们基于卷积神经网络（CNN）算法，提出了一套全面的解决方案，旨在实现从无人机影像中对果树进行定位和计数、检测种植行并生成农业作业路径，以用于果园管理。该研究成果发表在《Computers and Electronics in Agriculture》上。
研究人员在此次研究中用到了几个主要关键技术方法。首先是数据采集，利用搭载在无人机上的摄像头收集果园的 RGB 影像数据，并进行预处理、标注和数据增强。然后将收集到的数据，运用提出的 CNN 模型，分割为训练集、验证集和测试集。最后，对所提方法在果树定位、种植行检测以及果园管理作业路径生成方面的整体性能进行评估。
下面来看具体的研究结果：
- 基于 CNN 模型的果园树木检测实验：研究人员对比了 LSK - GD 模型和其他 CNN 模型（如 Yolo - v5l、v6l、v7l 和 v8x）的检测性能。从评估指标结果来看，基于 LSK - GD 模型得到的精度（P）、召回率（R）和 F1 分数均高于其他模型，而且该模型的权重大小最小。这表明 LSK - GD 模型在检测果园树木方面具有明显优势，能够更精准地识别不同生长阶段的果树。
- 种植行检测与全局定位：研究人员建立了两步种植行检测算法。第一步，将连续地图切片的检测结果合并到全局位置；第二步，考虑相邻树木的株距和行距等种植指标，在全局视角下将带有地理位置的树木聚类成行。通过这种算法，能够准确地确定果园中种植行的位置和走向，为后续的路径规划提供了重要基础。研究结果显示，估算的行数与实际计数的行数一致，最大角度偏差小于 2 度，平均间距偏差小于 0.10 米。这说明该算法在种植行检测方面具有较高的准确性和可靠性。
- 路径规划与作业导航：基于种植行的计算结果，研究人员提出了路径规划算法，用于导航地面无人车辆（UGV）和无人机（UAV）在果园中执行基本的、持续的农业作业任务，如割草、除草、喷洒农药和采摘果实等。实验计算得出，自动化 UGV 和 UAV 农业规划路径的均方根误差小于 0.5 米，且使用该方法的计算时间和路径长度均短于其他规划方法。这意味着该路径规划算法能够有效地引导果园车辆在果园中高效、准确地完成作业任务。
研究结论表明，基于 LSK 和 GD 深度学习机制的 CNN 模型，在检测不同生长阶段的果树方面表现卓越，与其他模型相比，在精度、召回率和 F1 分数等指标上更具优势。同时，通过所提出的种植行检测算法和路径规划算法，能够准确地确定种植行的位置，生成可靠的全局路径规划，有效引导 UGV 和 UAV 在果园中执行各种农业作业任务。这一研究成果具有重要意义，它为果园管理提供了一种全新的、高效的解决方案，有助于推动精准农业的发展。通过精准的果树定位和种植行检测，能够更合理地安排农业作业，提高农业生产效率，减少资源浪费，为果园的可持续发展提供了有力的技术支持。
