《Information Processing in Agriculture》：OBP-HRNetV2: An attention-enhanced network for robust safflower filament picking point localization in field environments
编辑推荐：
智能红花收获机器人的核心前提是精确的采摘点定位。由于花丝尺寸微小且目标采摘位置处的边界轮廓模糊，收获机构无法达到亚像素级定位精度。本研究实例化了一种增强型HRNetV2架构，命名为OBP-HRNetV2，专门用于红花花丝离层点的同步检测与度量定位。首先，在原始
智能红花收获机器人的核心前提是精确的采摘点定位。由于花丝尺寸微小且目标采摘位置处的边界轮廓模糊，收获机构无法达到亚像素级定位精度。本研究实例化了一种增强型HRNetV2架构，命名为OBP-HRNetV2，专门用于红花花丝离层点的同步检测与度量定位。首先，在原始HRNetV2基本残差块中集成自注意力模块，以增强红花轮廓特征检测能力。采用由三组卷积层组成的网络注意力下采样模块，该模块结合了通道注意力和最大池化，用于提取红花特征并加强通道间依赖性的功能映射。此外，将OCR模块与坐标注意力机制相结合，增强了对不同特征区域轮廓的识别。最后，利用OBP-HRNetV2提取的感兴趣区域（Region of Interest，ROI）选择花丝质心、花球质心和关键轮廓顶点等关键点。通过质心连线斜率和花球关键点确定红花姿态。通过图像二值化处理计算采摘点坐标。实验表明，该算法实现了红花花丝的精确位。OBP-HRNetV2算法的平均交并比（Intersection over Union，IoU）和像素精度（Pixel Accuracy，PA）分别达到89.88%和93.99%，相较其他算法有所提升。在红花花丝定位与收获实验中，采摘成功率为86.66%。这些方法在田间环境中表现出更强的鲁棒性，为智能收获装置在田间条件下红花花丝采摘点的精确定位提供了技术支撑。
**论文解读：OBP-HRNetV2在红花花丝采摘点定位中的研究与应用**
红花是全球重要的经济作物，其花丝在医药、食品、纺织和染料等领域应用广泛，中国是世界主要的花丝生产国之一。智能红花收获设备需快速识别并定位采摘点，以降低田间劳动强度、提高产量和品质。然而，红花花丝体积小，采摘点（花丝与花球连接处的缩颈区域）边界轮廓模糊，且受天气、光照等环境因素干扰，简单颜色分割难以准确提取采摘轮廓。盛花期部分花丝下垂遮挡花球顶部采摘区域，进一步增加定位难度。现有基于卷积神经网络的检测方法大多提供边界框级表示，缺乏引导机械手精确到达狭窄缩颈部所需的亚像素空间精度。因此，研究基于花丝质心、花球质心和关键轮廓顶点的采摘点检测与定位方法具有重要意义。该论文发表在《Information Processing in Agriculture》。
研究人员提出OBP-HRNetV2增强网络，用于红花花丝和花球的同步检测与度量定位。主要关键技术方法包括：在HRNetV2基本残差块中集成自注意力模块构成BSA块，增强全局特征表示；提出金字塔特征注意力（PFA）层级，通过由三组卷积、通道注意力和最大池化构成的注意力下采样（AD）模块，加强通道间依赖性和多尺度特征融合；引入OCR模块与坐标注意力（CA）机制组合的OCR-CA模块，提升空间语义推理和边界细节提取能力。基于分割获得的花丝和花球感兴趣区域（ROI），提取质心和关键轮廓顶点，通过质心连线斜率和花球关键点确定姿态，经图像二值化计算采摘点坐标。采用Intel RealSense D435i深度相机进行RGB-D融合，实现从像素坐标到三维世界坐标的转换。图像数据来源于新疆伊犁哈萨克自治州察布查尔锡伯自治县海努克乡商业种植园，使用Canon EOS 700D和RealSense D435i在不同天气、距离和背景下采集1500幅图像，数据增强至2500幅，按8:1:1划分训练、验证和测试集，并用Labelme进行像素级标注。
在结果分析中，研究人员进行了多项实验。3.2.1 红花检测实验与评估：经1000轮训练，损失曲线收敛，最终平均交并比（mIoU）达89.88%，平均像素精度（mPA）达93.99%，表明算法具有良好分割准确性和收敛性。3.2.2 消融实验：以HRNetV2为基线（mIoU 87.23%，mPA 92.06%），逐步加入PFA、BSA、OCR-CA模块后，mIoU分别提升0.9、0.49、1.26个百分点，mPA分别提升0.68、0.31、0.94个百分点，完整模型达到最优，验证各模块对分割精度的正向贡献。3.2.3 不同算法对比：在PSPNet、U-Net、SegNet、DeepLabv3+、HRNetV2和OBP-HRNetV2六种算法比较中，所提算法mIoU和mPA均最高，较HRNetV2分别提高2.65和1.93个百分点，且边界刻画更准确，漏检和误检更少。3.2.4 红花采摘点视觉定位性能实验：在晴天、阴天、特写、广角、简单背景和复杂背景等场景中测试，水平与垂直像素误差在0～41.5像素之间，所有预测点均落在80×50像素的可接受采摘范围内；按深度图每像素对应0.177 mm换算，最大水平偏差约7.4 mm，小于末端执行器内径15 mm，满足实际采摘精度要求。3.2.5 红花花丝采摘点定位田间试验：将算法嵌入红花收获机器人，进行120次采摘循环，平均识别时间1.8 s/株，平均采摘时间9 s/株，采摘成功率86.66%（104/120），其中定位误差10次、识别误差6次，验证了算法的现场实用性。
在讨论部分，研究人员指出，与基于边界框的检测算法相比，OBP-HRNetV2提供像素级分割，适用于狭窄缩颈部的精确定位；与传统颜色阈值法及边界框方法相比，该方法利用花丝质心、花球质心和固定形态比例w=1.89计算采摘点，减少了视觉遮挡和光照变化的影响，并在田间取得较高成功率。同时，模型计算负荷相对较高，对变形果球定位误差较大，未来将进行轻量化改进和数据集扩展。
研究结论为：针对红花花丝与背景颜色相似、边界模糊导致分割精度不足的问题，本研究提出OBP-HRNetV2增强网络，整合BSA、PFA和OCR-CA模块，增强了轮廓判别和空间上下文推理能力。分割评估显示，OBP-HRNetV2超过基线HRNetV2，mIoU为89.88%，mPA为93.99%，分别提升2.65和1.93个百分点。在采摘点定位方面，该流程分割红花ROI并提取花丝质心、花球质心及轮廓关键点，通过图像二值化和几何计算得到采摘点坐标；水平和垂直误差范围为0～41.5像素，所有点均落在指定采摘范围内。不同天气条件下的田间收获试验取得86.66%的成功率，证实该流程在自主红花收获中的实际鲁棒性和环境适应性。总体而言，该研究为精准红花收获提供了可靠的技术基础，为智能农业机器人在复杂田间环境中的应用提供了方法参考。
