水稻是我國三大主糧之一。水稻田的田間管理復(fù)雜、重復(fù)度高(諸如打藥、鋤草等)且工作極其繁重，給從業(yè)人員造成了極大的負(fù)擔(dān)。蘇州博田利用百度飛槳(PaddlePaddle)的深度學(xué)習(xí)技術(shù)讓拖拉機(jī)和農(nóng)業(yè)機(jī)器人學(xué)會了視覺導(dǎo)航，可以根據(jù)水稻秧苗的種植情況實時調(diào)整航向，避免壓苗等情況出現(xiàn)，更好地保養(yǎng)和管理水稻秧苗。
這一改進(jìn)，讓“節(jié)省人力的同時大幅提高農(nóng)作物產(chǎn)量”的夢想成為了現(xiàn)實。
“導(dǎo)航線自動識別”讓農(nóng)機(jī)避免壓苗
由于水稻是按列種植的，列與列之間近似互為平行，因此，實現(xiàn)農(nóng)機(jī)視覺自動導(dǎo)航的基礎(chǔ)在于實時準(zhǔn)確地檢測出秧苗列中心線。
雖然使用傳統(tǒng)算法，水稻秧苗列間也基本能保持平行，但是不同天氣不同時段圖像亮度的差異、水田里夾雜浮萍藍(lán)藻等與秧苗特征相似的植物、偶發(fā)缺苗等干擾因素還是對傳統(tǒng)算法的魯棒性形成了很大的挑戰(zhàn)，精準(zhǔn)度難以保證。
復(fù)雜的水田環(huán)境
為了解決這一難題，蘇州博田技術(shù)人員綜合分析稻田圖像特點，基于百度飛槳深度學(xué)習(xí)平臺研發(fā)了水田導(dǎo)航線自動檢測系統(tǒng)。他們應(yīng)用飛槳圖像分割開發(fā)套件PaddleSeg中的ICNet模型將秧苗按列從背景中分割出來，并以此為基礎(chǔ)實現(xiàn)了秧苗列中心線的精準(zhǔn)提取，準(zhǔn)確率能達(dá)到95%以上,處理每幀圖像耗費的時間僅300ms左右(包括ICNet網(wǎng)絡(luò)的分割預(yù)測時間和后續(xù)導(dǎo)航線提取的時間)，完全滿足農(nóng)機(jī)作業(yè)環(huán)境下的速度要求。
自動檢測系統(tǒng)配上GPS，蘇州博田農(nóng)業(yè)機(jī)器人已經(jīng)實現(xiàn)從出庫到入庫全程自動導(dǎo)航的無人化作業(yè)，大大減少了人力物力的投入，為農(nóng)民的耕作效率、健康等提供了保障。
為什么選PaddleSeg語義分割庫?
農(nóng)機(jī)視覺導(dǎo)航任務(wù)與自動駕駛有一定的相似性，都需要保證一定精度的情況下有高實時性，并且能夠在嵌入式設(shè)備等移動端部署。
飛槳PaddleSeg語義分割庫的語義分割網(wǎng)絡(luò)之一ICNet，屬于參數(shù)量小的輕量級語義分割網(wǎng)絡(luò)，為自動駕駛等需要低內(nèi)存和高實時性的應(yīng)用場景而設(shè)計，非常適合農(nóng)機(jī)視覺導(dǎo)航。與HRNet系列、DeepLab系列等預(yù)測精高的網(wǎng)絡(luò)相比，ICNet在精度降低較少的情況下大幅度減少了預(yù)測時間和占用內(nèi)存，能夠在像1024*2048像素這樣高分辨率的圖像上達(dá)到實時效果。
利用PaddleSeg，蘇州博田農(nóng)業(yè)機(jī)器人已經(jīng)擁有排除干擾精確地將秧苗從背景中分割出來、提取外輪廓和原圖特征點、進(jìn)而準(zhǔn)確提取到中間4~5列秧苗中心線的能力，為實現(xiàn)農(nóng)機(jī)視覺導(dǎo)航打下了堅實的基礎(chǔ)。
PaddleSeg模型訓(xùn)練過程可以參考：
https://github.com/PaddlePaddle/PaddleSeg/blob/release/v2.0.0-rc/README_CN.md
智能農(nóng)業(yè)時代已來
百度飛槳與蘇州博田的合作，為自動導(dǎo)航農(nóng)業(yè)機(jī)器人提供了精準(zhǔn)、高效、可靠的技術(shù)支持，讓農(nóng)機(jī)智能化、農(nóng)民職業(yè)化的偉大愿景邁出了重要的一大步，為我國精細(xì)農(nóng)業(yè)的推廣起到了促進(jìn)作用。
此外，百度飛槳還將攜手蘇州博田，在溫室環(huán)境下果蔬采摘、智能巡檢等設(shè)施農(nóng)業(yè)機(jī)器人方面展開合作。希望未來可以讓更多的農(nóng)業(yè)從業(yè)者能實實在在地感受到智能農(nóng)業(yè)帶來的便利。
