融合深度学习与形态学处理的玉米田间杂草生长点定位方法OA

为实现激光除草机器人对杂草生长点的精准、快速定位,该文针对玉米田间环境下杂草目标尺度小、形状不规则及相互遮挡导致定位不准的问题,提出了一种融合YOLOv11检测与数学形态学的杂草生长点定位方法。首先,为解决小目标、不规则及遮挡杂草的检测精度不足问题,构建了YOLOv11n-LBD(YOLOv11n-LAE-BiFPN-DyHeadDCNv4)轻量级检测模型,集成了轻量自适应提取模块(Lightweight adaptive extraction,LAE)、双向特征金字塔网络(Bidirectional feature pyramid network,BiFPN)与DyHeadDCNv4检测头,显著增强了复杂田间环境下对多尺度杂草的特征提取能力,提升了小目标与遮挡杂草的检测精度。改进模型在玉米田间自建杂草数据集上平均精度均值(Mean average precision,mAP)为94.8%,相比基线模型参数量和计算量分别降低了0.4M和0.8G,检测速度为79.4帧/s。针对检测框几何中心与杂草真实生长点存在较大偏差的问题,提出基于骨架密度峰值分析的杂草生长点定位方法(Skeleton density peak analysis for apical meristem localization,SDPL):基于YOLOv11n-LBD模型检测结果截取杂草的感兴趣区域,通过高斯滤波与Otsu自适应阈值分割构建高质量二值化掩膜,有效抑制背景干扰,为后续分析提供清晰的二值化图像;在此基础上,引入Zhang-Suen骨架细化提取与B样条曲线拟合相结合的骨架优化策略,在保留杂草拓扑结构的同时实现骨架的平滑与连贯,解决了传统骨架提取中存在的断裂与毛刺问题;以优化后的骨架分支交点作为候选点,通过分析各候选点圆形邻域内的像素密度分布,识别局部密度峰值,实现杂草生长点的精准定位。试验结果表明,该方法杂草生长点定位准确率达81.2%,相较于检测框几何中心定位法与YOLOv8-pose方法,分别提升14.0与3.0个百分点,为激光除草机器人杂草生长点的精准定位提供技术支持。