Computers and Electronics in Agriculture·9月14日 · 周一论文智慧农业 / 农业物联网阅读 0
Real-time on-tree Korla pear grading with a shared ordinal–anomaly descriptor field
Bingyu Cao · Peng Zhou · Zhikai Yang 等 7 人
论文解读
83精选
速览
提出共享序数-异常描述子场，实现树上库尔勒香梨实时分级。
方法
在共享特征层级加入序数、缺陷、前景三通道描述子，用KPR-3数据集训练。
发现
mAP@50达94.0%，分级准确率92.6%，不安全采摘率从4.8%降至2.1%。
机会点
可探索多模态或深度传感融合，解决严重前后遮挡下的单目感知局限。
影响力18
信息增量23
专业深度19
信源权威14
时效性9
提出序数-异常描述子场的树上香梨实时分级方法，在自建KPR-3数据集与Jetson边缘端验证，方法新颖、数据扎实，对果园采摘机器人有直接参考价值。
原文摘要
库尔勒香梨的树上分级耦合了两个性质不同的决策：渐变的A级/B级外观过渡，以及C级表面缺陷判定，二者均在光照变化、遮挡和尺度变化下做出。将果实视为单一类别的检测器，以及将三个等级置于同一扁平分类轴上的分级器，通过相同的几何结构优化较小的A/B偏差和A/C缺陷误差，却未明确说明每个空间位置应保留何种序数信息和缺陷信息。我们通过在共享特征层级中增加一个显式的序数–异常描述符场来解决这一问题。一个浅层模块生成三个通道——序数倾向、缺陷倾向和前景置信度——用以调节四个下游检测器阶段，一个层级式头部将两类证据转换为归一化等级概率。在果园不相交的KPR-3数据集（3826幅图像、12458个实例、三个商业果园）上，模型达到94.0% mAP@50和92.6%的匹配实例等级准确率，并将不安全采摘率从4.8%降至2.1%。在15 W的Jetson Orin Nano上，INT8引擎以93.1% mAP@50运行，并维持42 FPS的端到端流水线吞吐量。在严重前后果实重叠情况下，单目感知仍是主要局限。