Autonomous Agricultural Robot Framework featuring Temporal Dynamic Graph Neural Network based Semantic Segmentation coupled with Novel Navigation Line Extraction for efficient field operation and intelligent decision making

方法

EfficientNet-B7分割、HEOA参数优化、TDGNN提取导航线，用玉

发现

框架总体准确率达98.01%，优于三个对比框架，可稳定识别可通行路径。

机会点

可探索多作物、多光照真实田间泛化，并将导航线与作业决策闭环结合。

背景：自主农业机器人支持精准农业并提高作业效率；然而，由于光照不一致、土壤质地多变、作物生长模式不规则以及视觉遮挡等因素，复杂田间环境中的可靠导航仍具有挑战性。这些条件阻碍了作物行检测、语义分割和导航线提取的准确性。本研究提出了一种自主农业机器人框架，该框架采用基于时间动态图神经网络的语义分割并结合新型导航线提取方法（AAR-TDGNN-SS-NLE），以提高可通行路径识别能力和自主田间作业水平。结果：使用Crop Row Detection Dataset中的玉米作物行RGB图像进行标注，生成真实掩膜以区分可通行区域和不可通行区域。采用逆无迹卡尔曼滤波（IUKF）进行图像预处理，包括降噪、归一化、尺寸调整和对比度增强。应用几何变换和颜色调整以增加数据集多样性并提高模型泛化能力。EfficientNet-B7执行像素级语义分割，而人类进化优化算法（HEOA）优化模型参数。随后，时间动态图神经网络（TDGNN）通过捕捉时间关系、路径曲率和方向来提取稳定的导航线。使用准确率、精确率、召回率、F1分数和交并比（IoU）评估性能。所提出的AAR-TDGNN-SS-NLE框架实现了98.01%的总体准确率，根据所报告的实验结果，其性能优于现有的DLSS-NNLE-AAR、SS-EID-FRNLE和UDA-SS-AR框架。结论：所提出的框架集成了语义分割、进化优化和基于时间图的导航线提取，以支持准确的路径识别和自主农业导航。该框架具有提高农业田间作业效率并支持复杂农业环境中智能决策的潜力。© 2026 Society of Chemical Industry。