A Method for 3D Morphological Measurement and Cutting Point Localization of Green Asparagus Based on Improved YOLOv8n-seg and RGB-D Data

In den stillen Reihen eines Gemüsefeldes frustriert ein einfaches, aber hartnäckiges Problem seit langem die Landwirte: Wie erntet man eine Pflanze, die schnell wächst, in Gruppen wächst und sich weigert, stillzustehen? Spargel ist eine ausdauernde Pflanze, die jeden Frühling zarte Triebe hervorbringt, doch diese Triebe sind nicht einheitlich. Sie krümmen sich, sie winden sich, und sie verstecken ihre Wurzeln oft tief in der Erde, was es für eine Maschine schwierig macht, genau zu wissen, wo sie schneiden muss. Jahrzehntelang bedeutete dies, dass die Ernte vollständig auf menschliche Hände angewiesen war – ein arbeitsintensiver Prozess, der zunehmend teurer und schwieriger zu besetzen wird. Um dies zu lösen, haben sich Wissenschaftler der Computer Vision zugewandt, einem Zweig der Technologie, der Maschinen lehrt, die Welt durch Kameras zu „sehen“ und zu verstehen. Das Ziel ist es, einen Roboter zu bauen, der ein Stück Spargel betrachten, erkennen kann, welche Stangen bereit zum Verzehr sind, deren Größe messen und die exakte Stelle bestimmen kann, an der sie von der Erde abgetrennt werden. Das Lehren einer Maschine, dies zu tun, ist jedoch nicht so einfach wie das Aufnehmen eines Fotos; die unregelmäßige Form der Pflanze und die komplexe Beleuchtung eines Bauernhofs schaffen ein visuelles Rätsel, an dem Standardsoftware oft scheitert.

Ein Team von Forschern der Jiangxi Academy of Agricultural Sciences und der Chinese Academy of Agricultural Sciences hat kürzlich einen neuen Weg entwickelt, um einem Roboter dabei zu helfen, grünen Spargel klar zu sehen. Sie entwickelten ein spezialisiertes Computerprogramm, eine Art künstliche Intelligenz, die darauf ausgelegt ist, einzelne Pflanzen in einem Foto zu erkennen und zu umreißen. Die Forscher begannen mit einem bestehenden, bekannten System zur Objekterkennung in Bildern, stellten jedoch fest, dass es zu schwerfällig und langsam für einen Roboter war, der sich durch ein Feld bewegt. Das ursprüngliche System war wie ein leistungsstarker, aber sperriger Motor, der zu viel Treibstoff verbrauchte, um für eine kleine, batteriebetriebene Maschine praktikabel zu sein. Um dies zu beheben, gestaltete das Team den Kern des Programms neu, indem es unnötiges Gewicht entfernte und es gleichzeitig schärfer darin machte, die spezifische, schlanke Form eines Spargelstängels zu erkennen. Sie ersetzten das standardmäßige „Gehirn“ des Systems durch eine effizientere Struktur, die Informationen schneller verarbeiten konnte, ohne an Genauigkeit zu verlieren. Sie fügten auch spezielle Werkzeuge hinzu, die dem Computer helfen, die lange, dünne Natur der Pflanze zu verstehen und das Rauschen von Unkraut oder Schatten zu ignorieren, die ihn verwirren könnten.

Das Ergebnis dieser Neugestaltung ist ein neues Modell namens SES-YOLO, das als Augen für einen potenziellen Ernte-Roboter fungiert. Wenn dieses Modell ein Bild eines Spargelfeldes betrachtet, findet es nicht nur die Pflanze; es zeichnet eine präzise Umrandung um jeden einzelnen Stängel und trennt ihn vom Boden und den Blättern. Dies ist ein entscheidender Schritt, denn im Gegensatz zu Früchten, die eine klare Schale oder eine ausgeprägte Form haben, ist Spargel ein langer, kontinuierlicher Stängel, der sich in jede beliebige Richtung biegen kann. Die Forscher testeten ihr neues Modell gegen mehrere andere populäre Systeme und fanden heraus, dass es nicht nur schneller, sondern auch genauer war. In ihren Tests identifizierte und umrandete das neue Modell die Spargelstiele mit einer Präzision von 98,6 Prozent korrekt, was bedeutet, dass es selten eine Pflanze übersah oder Unkraut mit einer Nutzpflanze verwechselte. Es lief auch signifikant schneller als die älteren Versionen und verarbeitete Bilder schnell genug, um mit einem fahrenden Roboter Schritt zu halten. Diese Geschwindigkeit ist entscheidend, da ein Ernte-Roboter nicht auf einen langsamen Computer warten kann, um nachzudenken; er muss Entscheidungen in Echtzeit treffen, während er die Reihe entlangfährt.

Sob� nachdem der Computer den Stängel erfolgreich umrandet hat, ist die nächste Herausforderung, ihn zu messen und zu entscheiden, wo geschnitten werden soll. Die Forscher kombinierten die visuelle Umrandung mit Daten einer Tiefenkamera, einer speziellen Art von Linse, die angeben kann, wie weit jeder Teil des Bildes entfernt ist. Durch die Verschmelzung des flachen Bildes mit dieser Distanzinformation kann das System die wahre Länge und Dicke des Spargelstängels berechnen, selbst wenn er gekrümmt ist. Sie fanden heraus, dass sie durch das Aufteilen des Stängels in kleine Segmente und das Messen jedes einzelnen die Gesamtlänge mit einem durchschnittlichen Fehler von weniger als 2 Prozent bestimmen konnten. Diese Genauigkeit ist wichtig, da Landwirte die Größe der Ernte kennen müssen, um zu bestimmen, ob sie bereit zur Ernte ist. Das System lokalisiert auch den „Schnittpunkt“, die spezifische Stelle am Stiel, an der der essbare Teil beginnt und das zähe, holzige Wurzelende endet. Da der Übergang zwischen dem zarten grünen oberen Teil und der weißen unterirdischen Wurzel oft knapp unter der Bodenoberfläche verborgen ist, programmierten die Forscher das System so, dass es diesen Punkt basierend auf der Geometrie des Stängels schätzt. In ihren Feldtests lokalisierte das System diesen Schnittpunkt mit einem durchschnittlichen Fehler von nur 0,34 Zentimetern, eine Fehlermarge, die so gering ist, dass ein mechanischer Arm sie leicht ausgleichen kann.

Um zu beweisen, dass dieses System in der realen Welt funktionieren kann, installierten die Forscher ihr neues Programm auf einem kleinen, tragbaren Computer, der für Roboter bekannt als Jetson Orin NX. Dieses Gerät ist leistungsstark genug, um komplexe Software auszuführen, aber klein und effizient genug, um von einem Roboter im Feld getragen zu werden. Als sie das System auf dieser Hardware testeten, verarbeitete es Bilder mit einer Geschwindigkeit von 38,69 Bildern pro Sekunde. Das bedeutet, der Roboter konnte mehr als 38 Mal pro Sekunde „sehen“ und Entscheidungen treffen, eine Rate, die schnell genug ist, um die bei einer Ernte erforderlichen schnellen Bewegungen zu bewältigen. Die Forscher stellten fest, dass diese Geschwindigkeit fast 60 Prozent schneller war als das ursprüngliche, unveränderte System, was zeigt, dass ihr leichtgewichtiges Design erfolgreich die Balance zwischen Geschwindigkeit und Genauigkeit hielt. Die Studie kommt zu dem Schluss, dass dieser Ansatz eine zuverlässige technische Grundlage für den Bau automatisierter Spargererntemaschinen bietet und einen Weg aufzeigt, die mühsame Handarbeit des manuellen Pflückens durch eine Maschine zu ersethen, die sehen, messen und mit menschenähnlicher Präzision schneiden kann.