近期，齐龙研究员团队在IEEE Transactions on Image Processing（CCF A类期刊、中科院一区Top，影响因子10.8）、Smart Agricultural Technology（JCR 1区，影响因子6.3）、Computers and Electronics in Agriculture（中科院一区Top，影响因子7.7）等刊物上发表了农业机器视觉研究的新成果，在水田杂草精准识别和视觉导航方面取得了新突破。
频域+Attention的水田杂草精准辨识网络
团队在国际著名刊物IEEE Transactions on Image Processing上发表题为“Learning Attention in the Frequency Domain for Flexible Real Photograph Denoising”的研究论文。该论文联合澳门大学及湖南大学共同完成。工程学院马锐军老师为第一作者，水利与土木工程学院齐龙研究员和澳门大学张一博副教授为共同通讯作者。
现有基于自注意力、通道/空间注意力的深度学习模型，在非结构化水田环境下难以提取具有表达力和判别性的杂草表征信息。在本研究中，团队利用离散余弦变换将空域的杂草深度特征转换到频域上，并将相同的频率特征进行聚类；设计了基于二阶注意力机制的网络架构，显示地建模不同频域特征的相关性，提高杂草表征信息的交互性能。在此基础上，构建了多头注意力模块，以挖掘更多的频率特征分量，实现了杂草语义信息以及局部特征的深度挖掘。实验结果表明：所提算法可实现对稻田6种主要杂草（稗草、千金子、空心莲子草、丁香蓼、野慈姑、鳢肠）的精准识别，识别准确率大于95%。
基于点标签的弱监督稻田杂草实例分割网络
团队在国际著名刊物Smart Agricultural Technology上发表题为“PIS-Net: Efficient Weakly Supervised Instance Segmentation Network based on Annotated Points for Rice Field Weed Identification”的研究论文。工程学院硕士研究生陈豪为第一作者，水利与土木工程学院齐龙研究员和工程学院马锐军副教授为共同通讯作者。
近年来，深度学习技术广泛应用于农田杂草种类识别和位置信息获取。然而，现有的模型大多在有限的数据规模下进行训练，且只针对有限的杂草类型，限制了模型的泛化性能和适用范围。本研究中，团队提出了基于点标签的弱监督杂草实例分割模型，该模型在每个杂草实例内随机生成13个点标签后，设计实例掩模生成策略与自适应精炼网络，并结合多层级的特征金字塔结构，通过迭代训练，该网络能快速提取杂草语义实例特征，实现非结构环境下水田杂草种类的精准识别和位置信息的获取。
基于视觉的水田机器人作业轨迹生成方法和跟踪模型
团队在国际著名刊物Computers and Electronics in Agriculture上发表题为“Vision-based Trajectory Generation and Tracking Algorithm for Maneuvering of a Paddy Field Robot”的研究论文。工程学院博士研究生傅灯斌为第一作者，水利与土木工程学院齐龙研究员和工程学院冯骁副教授为共同通讯作者。
在农业机器人导航中，由于视觉导航能够捕捉环境语义信息，相较于其他方法可有效降低作业伤苗率。在本研究中，团队设计了一种基于视觉的作业轨迹生成方法与跟踪控制模型，旨在指导田间管理机器人随行作业。为了精准获取作业轨迹，设计了一种基于区域生长顺序聚类-随机样本一致性（RANSAC）的水稻作物行快速检测算法。此外，为了满足非结构化水田环境下机器人的运动控制需求，设计了一种基于滑移动力学的预测控制器，且可部署到嵌入式设备上。田间试验表明：该机器人分别以0.3m/s、0.6m/s和0.9m/s的速度运行时，横向误差分别为4.55cm、5.65cm和6.41cm；且运行过程中可有效避免作物损伤，满足田间管理机器人自主导航的作业要求。
上述研究得到了国家自然科学基金（U23A20174、62302171）、国家水稻产业体系岗位专家（CARS-01）和广东省重点研发计划（2023B0202130001）等项目资助。
论文链接：
https://ieeexplore.ieee.org/document/10541898
https://doi.org/10.1016/j.atech.2024.100557
https://www.sciencedirect.com/science/article/pii/S0168169924007592?dgcid=coauthor
文图/水利与土木工程学院
