16、深度学习框架在果园树干检测中的潜力

深度学习框架在果园树干检测中的潜力

1. 引言

热传感器可测量物体温度及其散发的热量。基于这一成像原理，热成像相机被用于评估树干健康状况并检测内部损伤。此外，热成像相机的检测功能不受可见光影响，因此可用于果园树干检测，为机器人导航定位目标。结合人工智能和深度学习的进展，能在不同光照条件下实现车辆导航的树干检测。

常见的目标检测方法包括基于分类的 R - CNN 系列和基于回归的 YOLO。而 CenterNet 作为无锚点目标检测网络，通过关键点估计找到中心点并回归其他物体属性，减少了检测时间。本研究旨在利用热成像相机进行树干检测，比较 Faster R - CNN、YOLO 和 CenterNet 的检测结果，为自主速度喷雾器导航系统选择合适的方法。

2. 材料与方法

2.1 实地数据收集

使用分辨率为 640 × 512 的 FLIR ADK® 热成像相机，在筑波大学筑波植物创新研究中心的梨园收集图像。研究使用了两种梨园：传统梨园和联合树栽培梨园。在高光（12 - 2 PM）、低光（5 - 6 PM）和无光（7 - 8 PM）条件下分别收集三次图像，具体数据收集时间和光照条件如下表所示：
| 日期 | 时间 | 光照条件 |
| ---------- | ---------- | -------- |
| 2021.8.24 | 19:00 - 20:00 | 无光 |
| 2021.8.26 | 13:00 - 14:00 | 强光 |
| 2021.9.06 | 17:00 - 18:00 | 低光 |

收集完成后，对不同光照条件下的热成像图像进行分析。