基于顯著性特征的蝴蝶蘭組培苗夾取點(diǎn)檢測(cè)方法

苑 朝，張 鑫，王家豪，趙明雪，徐大偉

（華北電力大學(xué)自動(dòng)化系，保定 071000）

0 引言

蝴蝶蘭為蘭科蝴蝶蘭屬植物，其花型奇特，姿態(tài)優(yōu)雅，素有“蘭花皇后”之美譽(yù)，市場(chǎng)需求量越來(lái)越大。蝴蝶蘭的傳統(tǒng)繁殖方式為分株繁殖，但繁殖系數(shù)低、速度慢[1-2]，不能滿(mǎn)足日益增長(zhǎng)的市場(chǎng)需求，組織培養(yǎng)作為植物無(wú)性繁殖的一種有效方法，其能夠有效提高植物個(gè)體成活率并減少病毒傳播范圍，提高產(chǎn)量。因此，組培苗快速繁育技術(shù)開(kāi)始廣泛應(yīng)用于蝴蝶蘭培育[3]。

蝴蝶蘭組培苗的擴(kuò)繁流程較為復(fù)雜，主要分為4 個(gè)階段，3 次移植。第1 次移植是將第1 個(gè)階段母瓶中的蝴蝶蘭幼苗從基部將芽團(tuán)分開(kāi)并切掉大主芽的頂端及葉片，移植到新的母瓶中進(jìn)行第2 個(gè)階段培養(yǎng)；第2 次移植是將第2 個(gè)階段母瓶中的多個(gè)芽團(tuán)分開(kāi)成單芽，并將合格單芽移植入中母瓶中進(jìn)行第3 階段培養(yǎng)；第3 次移植是將中母瓶中的幼苗大于1 cm 的根全部切除，并切掉多余老葉片，留下新葉片，將切割好的蝴蝶蘭幼苗移植進(jìn)入子母瓶中；最后進(jìn)行第4 個(gè)階段室外培養(yǎng)。每次移植都需要將組培苗從培養(yǎng)瓶中取出，并進(jìn)行剪切處理后再種入新的培養(yǎng)瓶。

然而，目前大部分的組培苗快速繁育工作主要由人工完成，存在工作強(qiáng)度大、重復(fù)性高、效率低下等問(wèn)題[4-6]。在中國(guó)城鎮(zhèn)化加快、農(nóng)業(yè)領(lǐng)域從業(yè)人員大大減少、人工成本急劇上升的背景下，亟需發(fā)展組培苗自動(dòng)化快速繁育技術(shù)，以解決人工不足、效率低下、生產(chǎn)成本高等問(wèn)題，促進(jìn)農(nóng)業(yè)發(fā)展。

蝴蝶蘭種苗組織培養(yǎng)過(guò)程中自動(dòng)化移植操作關(guān)鍵在于能夠準(zhǔn)確快速的定位，以便機(jī)器人進(jìn)行自動(dòng)移植。蝴蝶蘭組織快速繁育過(guò)程的每個(gè)階段組培苗具有不同圖像特征[7]，因此給組培苗夾取點(diǎn)定位帶來(lái)了困難。由于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的特征提取與學(xué)習(xí)能力，常用于農(nóng)作物目標(biāo)檢測(cè)，如YOLO 系列、Mask R-CNN 等算法被應(yīng)用于紅花絲[8]、蘋(píng)果[9-12]、香蕉[13]、芒果[14]、荔枝[15]、番茄[16-18]的檢測(cè)。XIAO 等[19]使用輕量級(jí)MobileNets 網(wǎng)絡(luò)對(duì)蝴蝶蘭組培苗的各階段圖像進(jìn)行了分類(lèi)，成功率達(dá)98.1%；李威等[20]采用YOLOv4 識(shí)別網(wǎng)絡(luò)對(duì)中耕期幼苗進(jìn)行了識(shí)別和定位；馬翠花等[21]通過(guò)基于顯著性檢測(cè)與改進(jìn)Hough 變換對(duì)番茄進(jìn)行了檢測(cè)，具有較好的普適性。然而，將顯著性檢測(cè)算法應(yīng)用到組培苗夾取中的相關(guān)研究較少。

針對(duì)快速繁育過(guò)程各階段蝴蝶蘭種苗形態(tài)不同導(dǎo)致的夾取點(diǎn)識(shí)別困難問(wèn)題，本文旨在分析夾取蝴蝶蘭組培苗時(shí)需要滿(mǎn)足的要求，并提出一種基于顯著性檢測(cè)的方法以定位夾取點(diǎn)，完成蝴蝶蘭種苗移植。該方法首先通過(guò)顯著性檢測(cè)網(wǎng)絡(luò)得到蝴蝶蘭組培苗的顯著性圖像，然后對(duì)圖像進(jìn)行形態(tài)學(xué)分析，自動(dòng)計(jì)算出各階段組培苗的夾取點(diǎn)，最后使用機(jī)器人完成種苗培育各階段移植任務(wù)。在組培苗圖像顯著性檢測(cè)過(guò)程中，該方法僅需對(duì)圖像中組培苗與背景做二分類(lèi)，因此模型對(duì)語(yǔ)義信息不敏感，不需要種類(lèi)豐富的樣本進(jìn)行訓(xùn)練，從而能夠更快速高效完成組培苗的檢測(cè)，有效完成蝴蝶蘭組織培養(yǎng)中各個(gè)階段的組培苗移植任務(wù)。

1 種苗移植方法

1.1 整體流程

組培苗移植系統(tǒng)由視覺(jué)檢測(cè)模塊、夾取點(diǎn)定位模塊和機(jī)械臂控制模塊構(gòu)成，如圖1 所示。該系統(tǒng)通過(guò)工業(yè)相機(jī)拍攝組培苗圖像，并通過(guò)深度學(xué)習(xí)算法對(duì)其進(jìn)行處理，得到組培苗與背景分割的顯著性圖像。然后，通過(guò)圖像處理獲取組培苗的待夾取點(diǎn)像素坐標(biāo)，通過(guò)手眼標(biāo)定算法將像素坐標(biāo)轉(zhuǎn)化為機(jī)械臂基坐標(biāo)系下的世界坐標(biāo)后再將其傳輸給機(jī)械臂，機(jī)械臂控制末端夾取裝置完成組培苗移植。

圖1 蝴蝶蘭組培苗移植整體流程Fig.1 Overall flow of phalaenopsis tissue-cultured seedlings transplantation

1.2 視覺(jué)檢測(cè)算法

由于本文的目標(biāo)是針對(duì)蝴蝶蘭組培苗進(jìn)行夾取移植工作，在培育過(guò)程中，蝴蝶蘭組培苗與背景區(qū)別明顯。因此，通過(guò)將蝴蝶蘭組培苗與背景圖像分離完成二分類(lèi)顯著性檢測(cè)，再處理顯著性檢測(cè)的結(jié)果以獲得最終的夾取目標(biāo)點(diǎn)。U2-Net[22]是一種高效的應(yīng)用于圖像顯著性檢測(cè)的深度網(wǎng)絡(luò)。由于該網(wǎng)絡(luò)參數(shù)量較大，所以本文在U2-Net的編碼解碼階段均加入了MBConv 模塊對(duì)U2-Net 進(jìn)行改進(jìn)，降低了模型的權(quán)重大小，提高了檢測(cè)速度；本文在處理U2-Net 的基模塊RSU 模塊時(shí)，加入了深度可分離卷積（depth-wise separable convolutions），以進(jìn)一步減少模型的參數(shù)量，增強(qiáng)了模型的可移植性，使其易于部署。

1.2.1 MBConv 模塊

MBConv（mobile inverted bottleneck convolution）[23]是一種包含深度可分離卷積的倒置線性瓶頸層，其中加入了SENet 注意力機(jī)制模塊[24]，能夠加強(qiáng)圖像不同通道中的前景信息，并壓縮背景信息。MBConv 模塊的結(jié)構(gòu)如圖2 所示。從左至右，MBConv 模塊包含以下部分：第1 部分是一個(gè)1×1 普通卷積模塊，起到將特征圖升維的作用，卷積核個(gè)數(shù)是輸入特征圖通道數(shù)的n（n∈{1,6}）倍，n=1 時(shí)，該卷積不參與運(yùn)算。第2 部分是一個(gè)k×k的深度可分離卷積模塊，k通常取3 或5。第3 部分是一個(gè)SE 注意力模塊，SE 由一個(gè)全局平均池化（壓縮），兩個(gè)全連接層（激勵(lì)）構(gòu)成；全局平均池化將H×W×C（高×寬×通道數(shù)）的特征圖壓縮至1×1×C；第1個(gè)全連接層的節(jié)點(diǎn)個(gè)數(shù)為MBConv模塊的輸入特征圖的通道數(shù)的1/4，且使用Swish 激活函數(shù)，Swish 激活函數(shù)是一個(gè)平滑的、非單調(diào)的函數(shù)，常被用于深度網(wǎng)絡(luò)，能夠使網(wǎng)絡(luò)稀疏化，減少參數(shù)間的耦合關(guān)系，能夠一定程度緩解過(guò)擬合問(wèn)題；第2 個(gè)全連接層的節(jié)點(diǎn)個(gè)數(shù)等于逐通道卷積的輸出特征圖的通道數(shù)，且使用Sigmoid 激活函數(shù)，得到輸入特征圖的各個(gè)通道的權(quán)重系數(shù)，后一個(gè)1×1 卷積將壓縮后的特征圖進(jìn)行升維操作，并通過(guò)殘差結(jié)構(gòu)與輸入特征圖進(jìn)行融合。第3 部分是一個(gè)1×1 普通卷積模塊，起到將特征圖降維的作用。最后一個(gè)部分是Dropout 層，起到減小模型參數(shù)量的作用。

圖2 MBConv 模塊結(jié)構(gòu)圖Fig.2 MBConv module structure diagram

1.2.2 改進(jìn)型U2-Net 算法

大多數(shù)顯著性檢測(cè)算法使用了圖像分類(lèi)網(wǎng)絡(luò)的骨干網(wǎng)絡(luò)。這些帶有骨干網(wǎng)絡(luò)的算法的準(zhǔn)確率很高，但往往過(guò)于復(fù)雜，因?yàn)槠浒芏鄰?fù)雜的額外特征模塊。此外，這些骨干網(wǎng)絡(luò)最初是為圖像分類(lèi)任務(wù)而設(shè)計(jì)，主要用于提取圖像中的語(yǔ)義信息。然而顯著性檢測(cè)任務(wù)的重點(diǎn)是提取圖像的局部信息和全局對(duì)比信息。U2-Net 采用了一種兩級(jí)嵌套的U 形結(jié)構(gòu)[25]，不需要使用任何預(yù)訓(xùn)練的骨干網(wǎng)絡(luò)。該結(jié)構(gòu)中的基本模塊RSU 模塊能夠在不降低圖像分辨率的情況下提取圖像的多尺度特征，并獲得良好的效果。但是，使用大量的U 形塊以及殘差的堆疊會(huì)增大計(jì)算量，并導(dǎo)致模型參數(shù)量增加。為實(shí)現(xiàn)組培苗夾取點(diǎn)提取的高效準(zhǔn)確，需要對(duì)模型進(jìn)行輕量化。本文提出了一種MBU2-Net+網(wǎng)絡(luò)結(jié)構(gòu)，將深度可分離卷積應(yīng)用到每一個(gè)RSU 模塊中，該模塊稱(chēng)為DSCRSU-n，為了增加模型的感受野，在DSCRSU-n模塊中使用擴(kuò)張卷積（dilated convolution），該模塊稱(chēng)為DSCRSU-nF，DSCRSU結(jié)構(gòu)減少了計(jì)算量和參數(shù)量，使網(wǎng)絡(luò)更加輕量化、更容易部署，結(jié)構(gòu)如圖3 所示。為了增加網(wǎng)絡(luò)在處理各種尺度和復(fù)雜度特征時(shí)的表達(dá)能力，提高泛化性，在U2-Net的輸入輸出階段加入了MBConv 模塊，MBU2-Net+網(wǎng)絡(luò)結(jié)構(gòu)由多個(gè)DSCRSU-n或DSCRSU-nF 模塊組成，如圖4所示。在本文中，en4、de4 層的擴(kuò)張卷積參數(shù)為2，en5、de5 的擴(kuò)張參數(shù)為4，en6 的擴(kuò)張參數(shù)為8。

圖3 DSCRSU-n 與DSCRSU-nF 模塊結(jié)構(gòu)圖Fig.3 DSCRSU-n and DSCRSU-nF module structure diagram

1.3 夾點(diǎn)定位算法

為了移植蝴蝶蘭組織培養(yǎng)苗，需要對(duì)進(jìn)入視覺(jué)傳感器視野的蝴蝶蘭組培苗進(jìn)行準(zhǔn)確的待夾取點(diǎn)計(jì)算。常用的目標(biāo)檢測(cè)算法計(jì)算待夾取點(diǎn)的坐標(biāo)是使用目標(biāo)檢測(cè)框的中點(diǎn)作為待夾取點(diǎn)[26]，或者對(duì)目標(biāo)的各個(gè)部分進(jìn)行檢測(cè)，如根、莖、葉，再對(duì)檢測(cè)圖像進(jìn)行處理得到夾取點(diǎn)坐標(biāo)。然而，在蝴蝶蘭組織培養(yǎng)過(guò)程中母瓶到子母瓶的移植階段，理想夾取點(diǎn)范圍如圖5 所示。使用上述算法得到的夾取點(diǎn)坐標(biāo)易不滿(mǎn)足所在區(qū)域要求，并且上述算法在數(shù)據(jù)集種類(lèi)不夠（僅中母瓶到子母瓶移植階段）時(shí)，夾取點(diǎn)提取的準(zhǔn)確度較低，導(dǎo)致種夾取過(guò)程對(duì)組培苗造成損傷或因?yàn)閵A取點(diǎn)提取錯(cuò)誤導(dǎo)致移植失敗。由于實(shí)際組培苗培育過(guò)程中，蝴蝶蘭組培苗各階段的背景信息簡(jiǎn)單且相對(duì)單一，所以可以通過(guò)顯著檢測(cè)網(wǎng)絡(luò)將組培苗和背景分割，再對(duì)蝴蝶蘭組培苗的顯著性圖進(jìn)行分析得到夾取點(diǎn)。本文對(duì)顯著性檢測(cè)的二值化圖進(jìn)行處理，并得到組培苗圖像處理過(guò)后的骨架圖。通過(guò)對(duì)組培苗的結(jié)構(gòu)進(jìn)行分析，發(fā)現(xiàn)各階段組培苗的夾取點(diǎn)常位于根莖的交叉處，而在骨架圖上，該處是兩個(gè)交叉點(diǎn)位置的中心。本文利用多種圖像處理算法提取根莖的交叉位置中心作為待夾取點(diǎn)，使機(jī)械臂能夠在不傷害蝴蝶蘭組培苗的情況下，成功完成對(duì)各個(gè)階段蝴蝶蘭組培苗的移植。

圖5 夾取點(diǎn)區(qū)域及夾取角度Fig.5 Grasping point area and grab angle

對(duì)蝴蝶蘭組培苗結(jié)構(gòu)進(jìn)行分析得知，在根莖葉的連接處，所檢測(cè)到的骨架圖交叉點(diǎn)最多，而夾取點(diǎn)常位于根莖、莖葉連接點(diǎn)之間的莖處。通過(guò)這種分析，可確定骨架線交點(diǎn)的集合C(x,y)中的點(diǎn)為備選夾取點(diǎn)。為解決集合C中的點(diǎn)分布過(guò)于分散的問(wèn)題，使用K 近鄰（Knearest neighbor，KNN）算法對(duì)集合 的每個(gè)點(diǎn)p(xi,yi)進(jìn)行聚類(lèi)，當(dāng)以p(xi,yi)為圓心，m個(gè)像素為半徑的圓內(nèi)的備選點(diǎn)個(gè)數(shù)小于j時(shí)，則將該點(diǎn)從備選點(diǎn)集合C(x,y)中刪除。遍歷結(jié)束后，通過(guò)隨機(jī)抽樣一致（random sample consensus，RANSAC）算法剔除掉噪聲點(diǎn)并擬合夾具中心線投影，然后求取所有備選點(diǎn)的中點(diǎn)，即為待夾取點(diǎn)Co(xo,yo)，并得到擬合中心線投影直線的斜率k，對(duì)斜率求反三角函數(shù)得到鑷子中心線投影與水平方向夾角θ。

夾取點(diǎn)提取的流程如下：相機(jī)拍攝組培苗圖像，首先對(duì)移植條件進(jìn)行判斷，在滿(mǎn)足移植條件的情況下，將拍攝的組培苗圖像送入顯著性檢測(cè)網(wǎng)絡(luò)，得到顯著性圖像。若不滿(mǎn)足移植條件，則持續(xù)拍攝圖像直至滿(mǎn)足條件。然后對(duì)顯著性圖像進(jìn)行一系列濾波、降噪、圖像增強(qiáng)，再使用ZHANG-SUEN[27]圖像細(xì)化算法，得到組培苗的骨架圖，對(duì)骨架圖進(jìn)行預(yù)處理后，再進(jìn)行交點(diǎn)檢測(cè)，得到骨架圖中所有骨架線交點(diǎn)的集合C，對(duì)該集合使用KNN算法進(jìn)行遍歷，將位于圖像邊緣的交點(diǎn)剔除，然后更新集合C，再對(duì)C通過(guò)RANSAC 數(shù)據(jù)篩選并擬合夾具中心線投影，得到擬合中心線投影并計(jì)算更新后的集合C的中點(diǎn)(xo,yo)即待夾取點(diǎn)，以及直線斜率k，整體流程如圖6 所示。

圖6 夾取點(diǎn)定位流程Fig.6 Grasping point localization process

2 試驗(yàn)系統(tǒng)搭建

2.1 試驗(yàn)平臺(tái)搭建

本文采用?？礛V-CE060-10UC 彩色工業(yè)相機(jī)采集蝴蝶蘭組培苗的圖像。相機(jī)與機(jī)械臂以眼在手外的方式進(jìn)行操作。本文使用ZHANG'S 標(biāo)定法[28]標(biāo)定相機(jī)參數(shù)，并通過(guò)眼在手外的手眼標(biāo)定獲得圖像坐標(biāo)系到機(jī)械臂基坐標(biāo)系的轉(zhuǎn)換矩陣。利用式（1）將相機(jī)坐標(biāo)系下的像素點(diǎn)轉(zhuǎn)化為機(jī)械臂基坐標(biāo)下的空間坐標(biāo)。

式中X、Y、Z為機(jī)械臂基坐標(biāo)系下的x、y、z坐標(biāo)，mm；Px、Py為相機(jī)坐標(biāo)系下目標(biāo)的像素坐標(biāo)。

本文試驗(yàn)采用的機(jī)械臂為JAKA Zu3 六自由度協(xié)作機(jī)械臂，最大負(fù)載為3 kg，重復(fù)定位精度低于±0.03 mm，最大工作半徑為639 mm。由于蝴蝶蘭組培苗的結(jié)構(gòu)特別且脆弱，需要將其移植進(jìn)入培養(yǎng)皿中，當(dāng)前常見(jiàn)的機(jī)械臂末端執(zhí)行機(jī)構(gòu)并不能完成當(dāng)前任務(wù)，對(duì)此，本文設(shè)計(jì)了一種蝴蝶蘭組培苗的移植末端。末端夾具與試驗(yàn)平臺(tái)如圖7 所示。夾具使用的鑷子長(zhǎng)為30 cm，材質(zhì)為不銹鋼，由電磁推桿控制開(kāi)合。電磁推桿的推力為20 N。除電磁推桿和鑷子外，本末端均為3D 打印制作，材料為ABS。末端連接件連接機(jī)械臂和工具，所有工具均布置在底盤(pán)上滑塊能夠調(diào)整鑷子的位置，電磁推桿能夠控制鑷子開(kāi)合。當(dāng)檢測(cè)到蝴蝶蘭組培苗的夾取點(diǎn)時(shí)，控制機(jī)械臂使組培苗夾取點(diǎn)位于鑷子中心，驅(qū)動(dòng)電磁推桿使鑷子閉合以完成夾取。

圖7 末端夾具與試驗(yàn)平臺(tái)Fig.7 End tool and experimental platform

2.2 數(shù)據(jù)采集與模型訓(xùn)練

數(shù)據(jù)集采用的是蝴蝶蘭組培苗培育階段中，從中母瓶到子母瓶切割組培苗前的圖像，圖像分辨率為3 072×2 048 像素，如圖8 所示。由于蝴蝶蘭花卉昂貴，且在培育過(guò)程中極易發(fā)生病變，影響其生長(zhǎng)，因此數(shù)據(jù)集僅限于單一階段的蝴蝶蘭組培苗，導(dǎo)致數(shù)據(jù)集較小。通過(guò)圖像增強(qiáng)，最終得到包含986 張圖像的數(shù)據(jù)集。本文采用9:1 的訓(xùn)練集驗(yàn)證集比例對(duì)總體數(shù)據(jù)集進(jìn)行隨機(jī)抽樣。數(shù)據(jù)集中的圖像均包含清晰前景，即蝴蝶蘭組培苗，且背景相對(duì)簡(jiǎn)單。本文使用Labelimg 工具對(duì)蝴蝶蘭組培苗與背景進(jìn)行分割，并將圖片手動(dòng)分成Mask 和Images 兩部分。在視覺(jué)模型訓(xùn)練方面，本文使用Ubuntu18.04 操作系 統(tǒng)，64GB 內(nèi) 存，Nvidia GeForceRTX3090 顯 卡，pytorch1.9.1，CUDA11.1 環(huán)境。模型測(cè)試與機(jī)械臂夾取試驗(yàn)在Windows 操作系統(tǒng)下進(jìn)行。在訓(xùn)練過(guò)程中，每個(gè)圖像先被垂直翻轉(zhuǎn)并裁剪為640×640 像素，使用Adam優(yōu)化器來(lái)訓(xùn)練網(wǎng)絡(luò)，初始學(xué)習(xí)率為0.01，所有模型均訓(xùn)練了360 個(gè)輪次。

圖8 部分蝴蝶蘭組培苗數(shù)據(jù)集Fig.8 Partial phalaenopsis seedling data set

2.3 算法驗(yàn)證

為了驗(yàn)證本算法的實(shí)際效果，選取4 組共112 顆蝴蝶蘭組培苗進(jìn)行夾取點(diǎn)提取試驗(yàn)。滿(mǎn)足夾取點(diǎn)識(shí)別范圍在主莖范圍內(nèi)條件，則可認(rèn)為夾取點(diǎn)提取成功。采用室內(nèi)試驗(yàn)的方式，相機(jī)采用眼在手外的安裝方式，手動(dòng)將蝴蝶蘭組培苗放入相機(jī)視野內(nèi)，每次間隔5 s，共計(jì)放入112 顆蝴蝶蘭組培苗。

將相機(jī)所拍攝的原始圖像傳入MBU2-Net+模型中，對(duì)待移植的蝴蝶蘭組培苗進(jìn)行夾取試驗(yàn)，計(jì)算夾取點(diǎn)提取成功率，成功率S的計(jì)算式為

式中Cs為成功提取夾點(diǎn)組培苗數(shù)；Ca為總蝴蝶蘭組培苗數(shù)。

3 結(jié)果與分析

3.1 模型訓(xùn)練結(jié)果

模型的性能指標(biāo)由平均絕對(duì)誤差(mean absolute error)和Fβ來(lái)體現(xiàn)。平均絕對(duì)誤差是一種線性分?jǐn)?shù)，它表示預(yù)測(cè)值和觀測(cè)值之間的絕對(duì)誤差的平均值。Fβ基于查準(zhǔn)率（precision）、查全率（recall）的加權(quán)調(diào)和平均定義，能夠表達(dá)出對(duì)查準(zhǔn)率和查全率的不同側(cè)重，用來(lái)綜合評(píng)價(jià)查準(zhǔn)率、查重率。平均絕對(duì)誤差、Fβ的計(jì)算式如下：

式中r、c分別為特征圖的行數(shù)、列數(shù)；P為預(yù)測(cè)概率圖；G為圖像標(biāo)簽。

式中Pr為查準(zhǔn)率；R為查全率；β為常系數(shù)，當(dāng)β=1 時(shí)為F1，β＞1 時(shí)查全率有更大影響，0＜β＜1 時(shí)查準(zhǔn)率有更大影響。

每秒幀數(shù)（frames per second，F(xiàn)PS）是測(cè)量用于保存、顯示動(dòng)態(tài)視頻的信息數(shù)量。每秒鐘幀數(shù)越高，所顯示的動(dòng)作就會(huì)越流暢。通常，為了保證畫(huà)面動(dòng)作流暢，需要達(dá)到30 幀/s。由于蝴蝶蘭組培苗需要實(shí)時(shí)移植，因此該指標(biāo)非常關(guān)鍵。

本文對(duì)U2-Net、U2-Net+、Res2Net-PoolNet 模型與本文提出的改進(jìn)的MBU2-Net、MBU2-Net+模型分別進(jìn)行了360 個(gè)輪次的訓(xùn)練。輸入圖像的分辨率為3 072×2 048 像素，batch size 為4，訓(xùn)練結(jié)果對(duì)比如表1 所示。

表1 不同模型性能對(duì)比Table 1 Performance comparison of different models

因?yàn)樵趯?shí)際的工業(yè)培育過(guò)程中，蝴蝶蘭組培苗和背景有較為明顯的區(qū)分度，所以蝴蝶蘭數(shù)據(jù)集背景簡(jiǎn)單，在這種情況下，顯著性檢測(cè)任務(wù)并不困難，各類(lèi)算法的性能指標(biāo)較為接近。通過(guò)對(duì)比表1 中的5 種網(wǎng)絡(luò)，其中使用骨干網(wǎng)絡(luò)的Res2Net-PoolNet 的平均絕對(duì)誤差為0.004，U2-Net+、MBU2-Net、MBU2-Net+的平均絕對(duì)誤差均在0.002 左右，平均絕對(duì)誤差最大差值為0.02，這是因?yàn)橛?xùn)練所使用的數(shù)據(jù)集較小并且背景并不復(fù)雜，各種網(wǎng)絡(luò)的平均絕對(duì)誤差指標(biāo)差距不明顯，但是在加入改進(jìn)模塊后，MBU2-Net、MBU2-Net+的最大F1分?jǐn)?shù)較U2-Net、U2-Net+模型有一定提升，均提高到0.993。經(jīng)過(guò)改進(jìn)的MBU2-Net、MBU2-Net+雖然訓(xùn)練時(shí)間不是最低的，但是權(quán)重大小相比于U2-Net、U2-Net+有較大提升，其中MBU2-Net+權(quán)重大小僅為2.37 MB，更便于實(shí)際工業(yè)過(guò)程中的模型部署。此外，MBU2-Net+的幀率對(duì)比U2-Net+提升了5幀，大于30 幀，滿(mǎn)足蝴蝶蘭組培苗移植過(guò)程的實(shí)時(shí)性要求。綜上所述，本文提出的MBU2-Net+在保證精度的同時(shí)推理速度更快，適用于蝴蝶蘭組培苗夾取點(diǎn)的檢測(cè)。

3.2 蝴蝶蘭組培苗夾點(diǎn)提取試驗(yàn)結(jié)果

通過(guò)對(duì)112 顆蝴蝶蘭組培苗進(jìn)行4 組組培苗夾取點(diǎn)提取試驗(yàn)，結(jié)果見(jiàn)表2、圖9。平均夾取點(diǎn)檢測(cè)成功率達(dá)到85.71%。導(dǎo)致夾取點(diǎn)提取失敗的原因是部分組培苗的老根老葉較多，骨架圖得到的交點(diǎn)在根或葉處更密集。而第2 組組培苗夾取點(diǎn)提取的成功率低于平均水平是由于第二組有部分組培苗圖像過(guò)曝，導(dǎo)致算法并未完整提取到顯著性圖像，從而導(dǎo)致夾取點(diǎn)計(jì)算錯(cuò)誤。

表2 組培苗夾點(diǎn)提取試驗(yàn)結(jié)果Table 2 Results of tissue-cultured seedlings pinch test extracted

圖9 部分試驗(yàn)結(jié)果Fig.9 Partial experimental results

3.3 夾點(diǎn)提取算法的適應(yīng)性驗(yàn)證結(jié)果

為證明本文提出方法的普適性，本試驗(yàn)選取了蝴蝶蘭組織培養(yǎng)過(guò)程中不同時(shí)期的組培苗，選擇母瓶到中母瓶時(shí)期蝴蝶蘭組培苗6 株，中母瓶到子母階段2 株。制作了虛擬樣本2 株模擬其他類(lèi)型組培苗進(jìn)行了試驗(yàn)，試驗(yàn)結(jié)果如表3、圖10 所示。

表3 夾取點(diǎn)提取適應(yīng)性試驗(yàn)結(jié)果Table 3 Result of pinch point extraction universality test

從表3 夾取點(diǎn)提取適應(yīng)性試驗(yàn)結(jié)果可知，母瓶-中母瓶時(shí)期以及中母瓶-子母瓶的蝴蝶蘭組培苗的夾取點(diǎn)提取成功率總體為81.82%，可以證明本文提出的算法在僅有中母瓶-子母瓶時(shí)期的未經(jīng)過(guò)切除老葉的蝴蝶蘭組培苗數(shù)據(jù)集的情況下，能夠適用于蝴蝶蘭組織培養(yǎng)全過(guò)程的蝴蝶蘭組織培養(yǎng)苗的夾取點(diǎn)提取。從表3 的虛擬樣本的夾取點(diǎn)識(shí)別成功率還可以看出本文提出的算法對(duì)于類(lèi)似蝴蝶蘭結(jié)構(gòu)的組織培養(yǎng)苗的夾取點(diǎn)提取有一定的泛化性。

4 結(jié)論

1）本文針對(duì)蝴蝶蘭組培苗培育過(guò)程中，部分圖像識(shí)別算法對(duì)各階段不同特征的組培苗識(shí)別適應(yīng)性差的問(wèn)題，提出了一種基于顯著性特征的蝴蝶蘭組培苗夾取點(diǎn)提取方法。通過(guò)組培苗夾點(diǎn)提取試驗(yàn)結(jié)果分析，使用本文構(gòu)建的MBU2-Net+網(wǎng)絡(luò)模型能夠高效的提取組培苗夾取點(diǎn)，4 組共112 顆組培苗的平均提取成功率為85.71%；

2）對(duì)本文構(gòu)建的MBU2-Net+網(wǎng)絡(luò)進(jìn)行夾點(diǎn)提取適應(yīng)性試驗(yàn)。對(duì)于試驗(yàn)中所處的另外三種類(lèi)型的組培苗，總體成功率為81.82%，結(jié)果表明，構(gòu)建的MBU2-Net+網(wǎng)絡(luò)具有一定的泛化性能；

3）通過(guò)引入MBConv 與深度可分離卷積對(duì)U2-Net+進(jìn)行改進(jìn)，試驗(yàn)與Res2Net-PoolNet、U2-Net、U2-Net+等網(wǎng)絡(luò)對(duì)比，MBU2-Net+網(wǎng)絡(luò)在準(zhǔn)確率沒(méi)有損失的情況下，有效減小了的模型參數(shù)量，并提高了檢測(cè)速度，檢測(cè)速度為33.99 幀/s；

對(duì)于形態(tài)各異的組培苗，僅使用2 維識(shí)別定位難免出現(xiàn)誤差造成機(jī)械臂移植失敗。下一步研究中，擬采用3 維識(shí)別定位的方案，提升組培苗移植的成功率。