融合注意力机制的旱田田垄分割算法研究.pdfVIP

2025年3月下SouthForum南方论坛5

融合注意力机制的旱田田垄分割算法研究*

李楚琳，黄晓颖，杨朝阳

（湖北汽车工业学院汽车工程学院，湖北十堰442002）

摘要：【目的】解决由于旱田田垄颜色信息相近、纹理差异小以及在计算资源有限的嵌入式设备上部署传统模型的检测速度

慢、分割检测准确率低而导致的田垄边界信息准确提取难、效果差等问题。【方法】提出了一种轻量化的旱田田垄目标检测模

型New-Field，通过将CBAM注意力机制嵌入至YOLOv8n-seg模型，自适应地调整卷积块的通道和空间特征，增强了模型对

关键信息的捕捉能力，从而显著提升了对垄面边界信息的处理能力。【结果】在试验田，New-Field识别田垄的精确率能达到

99.398%及以上，平均精度均值分别为86.205%和90.113%，召回率均为100%，部署至NVIDIAJetsonXavierNX嵌入式开发

板上的检测帧率能达到30fps，均明显优于YOLOv8n-seg。【结论】研究提出的模型在提高检测精度方面具有显著优势，能为

智能化农场收获过程中的行驶工作提供技术基础，而且能较好地满足智能农机高效性和可靠性等实时检测需求。

关键词：智能农机；旱田田垄；嵌入式设备；语义分割；注意力机制

中图分类号：TP183；TP391.4文献标志码：ADOI：10.3969/j.issn.1672-3872.2025.06.002

0引言然而，目前仍存在对某些场景分割检测准确率低

随着现代农业技术的快速发展，农业正向着更高和嵌入式设备算法耗时长等问题。基于此，本文提出

水平的机械化、自动化和智能化方向迈进，智慧农业了一种轻量化的田垄目标检测模型New-Field，使模

[1]型能够更好地处理垄面边界信息，从而提高目标检测

已成为农业发展的未来趋势，提高智能农机现场的

[2]的精度和速度。

作业效率成为迫在眉睫的现实需求。农业自动导

航技术运用多种传感器采集农田环境数据，通过这些1数据集采集与制作

数据来确定田垄行进路线，进而实现对设备的精确操1.1数据集构建

控，因此针对田垄的边界信息提取分割尤为重要。针对智能农机的种植环境采集田垄图像并制作

[3]

乔榆杰等针对典型的地头灰度激变型场景，通数据集，选择2块不同试验田进行图像采集，采集设

过解算每个区域内的灰度平均值拐点，从而拟合出备为ZED双目相机。为了提高模型的适用性，分别

农田的地头边界线，实现了对田垄地头的准确提取。采集了有明显农作物和仅幼苗的田垄图像共411张，

[4]其中142张为试验田1，如图1（a）所示，269张为试

Zhang等提出了一种除草机器人导航方法，即基于

SUSAN角点和改进的有序聚类算法，能够有效应对验田2，如图1（b）所示。

[5]

复杂环境。Wang等运用灰度化的方法对农田图像

进行分割，提出了一种基于垂直投影法的中央导航

[6]

线提取算法。饶秀勤等为了提升农作物垄间导航

的效率，提出了Fast-Unet模型，通过剪枝和优化技

术，提高了模型的处理速度，使其能够更好地满足实

[7]（a）试验田1

时导航的需求。刘星通过引入AttentionGate机制

强化水田田垄的特征响应，构成AM_UNet模型，提

高了水田田垄分割结果的准确性和鲁棒性。俞高红

[8]

等对DeepLabV3+网络进行了改进，利用时间戳