基于YOLO-seg和三维点云数据的芦笋鲁棒性视觉测量定位系统-慧诺瑞德（北京）科技有限公司|叶绿素荧光|光合作用|植物表型

学术中心

全部分类

基于YOLO-seg和三维点云数据的芦笋鲁棒性视觉测量定位系统

发布时间：

2025-03-23

来源：

作者：

芦笋长度可用来判断其成熟度。传统采收方法劳动强度大，人工成本高。为了解决以上问题，本研究报道了一种基于YOLO-V9架构的动态比例长度计算方法，结合ZED2双目立体相机获得的点云数据进行对象检测和实例分割，并利用动态比例系数计算芦笋的实际长度和收获点。试验主要分为两大步骤：①利用YOLO-V9结构模型分割感兴趣区域，在分割图像上获取芦笋平均直径和长度。②提出一种基于平均直径、长度的动态比例系数，同时计算实际长度和收获点位置的动态比例。

通过分割芦笋图像信息并融合其对应的三维信息，确定芦笋长度和收获点。结果表明，当IoU为50%时，检测和分割的平均精度分别为0.983和0.952。长度测量的均方根误差为1.1厘米，平均绝对误差为0.9厘米，平均相对误差为3.5%，相关系数R2为0.910。x轴采集点定位的平均绝对误差为0.15 cm，最大误差为0.5厘米。通过对误差较大实例分析发现，不同的芦笋密度及光照条件是导致模型表现不同的主要原因。

该研究基于YOLO-V9架构论证了芦笋测量长度和收获点定位的可靠性和有效性，解决了芦笋三维信息获取不完整对测量结果的影响，为芦笋自动化收获提供了技术基础。

图1. 芦笋视觉测量定位系统工作流程

图2. 数据收集场景。(a)现场测试； (b)人工测量；(c)测试设备；(d)摄像机的安装位置；(e)实时长度测量和定位

图3. 检测收获点和理论收获点

图4. 模型训练结果。(a)检测mAP50曲线；(b)分割mAP50曲线

图5. 检测和分割效果。(a)原始图像；(b) YOLO-V8预测结果；(c) YOLO-V9预测结果：(1)单个芦笋(2)重叠芦笋(3)交叉芦笋

图6. 手动测量值和视觉系统检测值之间的比较

图7. 长度检测相对误差

图8. 收获点定位误差

图9. 长度测量误差原因。(a)芦笋底部分割错误；(b)芦笋偏离参考平面

来源

Chen, C., Li, J., Liu, B., Huang, B., Yang, J., & Xue, L. (2025). A robust vision system for measuring and positioning green asparagus based on YOLO-seg and 3D point cloud data. Computers and Electronics in Agriculture.

编辑

JAYz

推荐新闻

石时之约|韩志国：透过表型数据，看见植物的喜怒哀乐！

本期石时之约，我们将对话慧诺瑞德（北京）科技有限公司总经理、国际植物表型学会（IPPN）执委会委员/工业分会副主席韩志国，一起从表型数据的科学角度，去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起，为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种，是在给定的环境条件下，选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种，从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选，是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”，要在肉眼可见之前就能测量并预判出变化趋势，才是这个技术的核心价值。叶绿素荧光成像，恰好满足了这个要求。

视频展示