基于SOLOv2改进的苹果采摘机器人实例分割算法OA

为解决现有苹果实例分割算法中存在的目标尺度多变、易受背景噪声干扰影响分割精度,以及推理速度过慢的问题,提出一种基于SOLOv2改进的苹果实例分割算法AE-SOLOv2。首先,采用StarBlock(星形卷积)优化特征提取网络,提升推理速度;然后,设计一种增强型双向特征金字塔网络(E-BiFPN),以额外的跨层连接促进高层语义信息与低层几何细节信息的充分融合,解决因分割目标尺度不一导致的精度下降问题;此外,引入注意力特征融合模块,通过综合多层次与多分支的特征信息,并结合自适应分组策略及全局与局部特征的协同处理,显著增强算法抗背景噪声干扰的能力。结果表明,改进后的算法能够有效提高苹果的实例分割精确率,在验证集上交并比为0.5时的平均精确率均值(mAP_(50))达到91.2%,单张图像推理耗时12.3 ms,可满足苹果实例分割的实时性需求。此外,采摘实验表明,即便在计算资源受限的苹果采摘机器人场景下,AE-SOLOv2的各项性能仍表现出色,可为农业智能化发展提供一种新的解决思路。