紅花是特色經(jīng)濟(jì)作物之一，在醫(yī)藥,、飼料,、天然色素和染料等領(lǐng)域有著廣泛的應(yīng)用,。中國(guó)是世界上主要的紅花絲生產(chǎn)國(guó)之一,。目前的紅花花絲收獲方法主要依靠人工,，費(fèi)時(shí)費(fèi)力,，效率低下,。采用機(jī)器人采摘紅花絲，能有效地提高花絲的產(chǎn)量和品質(zhì),，但是由于紅花花絲體積小,，且受天氣、光照變化,、枝葉遮擋等非結(jié)構(gòu)化環(huán)境的干擾,，花絲的顏色和紋理特征難以提取，容易造成誤檢和漏檢,。因此,，提高非結(jié)構(gòu)化環(huán)境下紅花花絲的檢測(cè)精度有利于農(nóng)業(yè)機(jī)器人自動(dòng)采摘的發(fā)展。

近日,，新疆農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院張振國(guó)副教授團(tuán)隊(duì)在《Agronomy》在線發(fā)表一篇題為"Improved Faster Region-Based Convolutional Neural Networks (R-CNN) Model Based on Split Attention for the Detection of Safflower Filaments in Natural Environments"的研究論文,。該研究提出一種基于分散注意力的Faster R-CNN模型用于檢測(cè)非結(jié)構(gòu)化環(huán)境中的紅花花絲。結(jié)合紅花圖像中花絲密集且細(xì)小的特點(diǎn),，該模型采用具有殘差網(wǎng)絡(luò)結(jié)構(gòu)的ResNeSt-101作為特征提取網(wǎng)絡(luò)的骨干,，以增強(qiáng)提取特征的表現(xiàn)力，并利用Region of Interest (ROI) Align改進(jìn)ROI Pooling,，以減少雙重量化造成的特征誤差,。此外，還采用了PAM聚類技術(shù)來(lái)優(yōu)化網(wǎng)絡(luò)的規(guī)模和初始錨點(diǎn)數(shù)量,，以提高對(duì)小尺寸紅花花絲的檢測(cè)精度,。

Faster R-CNN-S101使用ResNest-101作為骨干特征提取網(wǎng)絡(luò)，如圖1所示,。ResNest-101中的“Split Attention”模塊用于跨特征圖組的信息交互,，以改進(jìn)對(duì)小尺寸紅花花絲的特征提取。ROI Align用于改進(jìn)ROI Pooling,，以減少特征量化誤差,，并更準(zhǔn)確地描繪目標(biāo)邊界框。PAM聚類算法用于優(yōu)化網(wǎng)絡(luò)初始預(yù)測(cè)框的規(guī)模和數(shù)量,。提高模型對(duì)小尺寸細(xì)絲的檢測(cè)精度,。

圖1  Faster R-CNN-S101網(wǎng)絡(luò)結(jié)構(gòu)圖

為驗(yàn)證Faster R-CNN-S101模型在檢測(cè)小尺寸紅花花絲的適應(yīng)性和有效性，分別進(jìn)行了四組消融測(cè)試進(jìn)行驗(yàn)證,。消融測(cè)試結(jié)果如表1所示,。與Faster R-CNN模型相比,，Faster R-CNN-S101模型的mAP提高了9.52%。這充分證明了使用ResNeSt-101作為骨干網(wǎng)絡(luò),、使用ROI Align代替 ROI Pooling以及優(yōu)化錨框大小可以提高網(wǎng)絡(luò)性能,。

為評(píng)估Faster R-CNN-S101網(wǎng)絡(luò)檢測(cè)紅花花絲的效果。在相同條件下,，使用紅花花絲訓(xùn)練集訓(xùn)練YOLOv3、YOLOv4,、YOLOv5,、YOLOv6、Faster R-CNN和Faster R-CNN-S101檢測(cè)模型,。紅花花絲測(cè)試集用于評(píng)估上述6個(gè)檢測(cè)模型的檢測(cè)效果,。表2列出了這6個(gè)檢測(cè)模型的性能比較。結(jié)果表明,，Faster R-CNN-S101模型的召回率,、AP和mAP顯著高于其他模型。Faster R-CNN-S101模型在小尺寸紅花花絲檢測(cè)中的表現(xiàn)優(yōu)于其他模型,，具有出色的綜合檢測(cè)性能,。

為驗(yàn)證Faster R-CNN-S101模型在非結(jié)構(gòu)化環(huán)境中的適應(yīng)性和有效性，我們根據(jù)不同的天氣,、光照和遮擋條件對(duì)自然場(chǎng)景進(jìn)行了分類,，并在相同的實(shí)驗(yàn)條件下對(duì)不同場(chǎng)景中的紅花圖像進(jìn)行了檢測(cè)。表3列出了不同場(chǎng)景下的檢測(cè)數(shù)據(jù),，以此評(píng)估Faster R-CNN-S101模型的各項(xiàng)性能,。

試驗(yàn)結(jié)果表明，由于天氣變化,，光照強(qiáng)度也發(fā)生了變化,。由于陰天光照強(qiáng)度較弱，花絲的顏色和紋理特征會(huì)發(fā)生變化,，導(dǎo)致花絲特征與土壤背景色相似,，要提取花絲特征非常困難。陰天光照不均,，紅花花絲的顏色和紋理特征表現(xiàn)不均,，容易造成誤檢和漏檢。背光下光照不均勻,，紅花花絲變暗不清晰,，導(dǎo)致花絲顏色和紋理模糊，特征難以提取,。種植模式密集,，枝葉會(huì)遮擋部分紅花花絲特征,，導(dǎo)致顯示的特征不足，模型無(wú)法進(jìn)行正確檢測(cè),。

新疆農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院張振國(guó)副教授為論文的第一及通訊作者,，2022級(jí)碩士研究生史瑞猛等為主要完成者。該研究得到了國(guó)家自然科學(xué)基金（52265041和31901417）,、浙江省農(nóng)業(yè)智能裝備與機(jī)器人重點(diǎn)實(shí)驗(yàn)室開(kāi)放課題（2022ZJZD2202）等項(xiàng)目的部分資助,。