一种轻量级的两阶段框架，用于玉米田中的岬角导航区域定位和路径提取

《Precision Agriculture》：A lightweight two-stage framework for headland navigation area localization and path extraction in cornfields

　　

摘要

目的

在玉米田中，田头定位和转弯路径的提取容易受到杂草、断裂的行以及不规则田界的影响，这限制了单帧视觉方法的可靠性。本研究旨在开发一个轻量级的两阶段框架，以实现自主农业机器人的精确田头导航区域定位和平滑路径提取。

方法

在第一阶段，通过集成DySample、基于MBConv的轻量级头部重建、重新参数化的MobileRepOne主干网络以及Focaler-CIoU损失函数，设计了一个改进的YOLOv12-LiteRep检测器作为触发模块，用于从连续的视频帧中检测作物目标并确定行尾位置。在第二阶段，使用了一个轻量级的AFFormer模型来分割可驾驶的田头区域。基于分割掩码，应用多项式拟合、基于曲率的控制点提取以及五阶贝塞尔曲线来生成平滑的转弯路径。该框架通过mAP@0.5、mIoU、FLOPs、参数数量、延迟、嵌入式推理速度和田间轨迹跟踪精度等指标进行了评估。

结果

所提出的YOLOv12-LiteRep将检测性能从88.0%提升到了94.8%（mAP@0.5），同时将计算成本从8.0 G FLOPs和9.0 M参数降低到了4.8 G FLOPs和4.0 M参数。在比较的模型中，AFFormer分割模型表现最佳，仅使用2.9 G FLOPs和1.6 M参数就实现了85.6%的mIoU。导航线拟合模块保持了良好的几何一致性，平均每张图像需要12毫秒的处理时间。在Jetson TX2平台上，检测、分割和路径生成模块的运行速度分别为21.7 fps、18.2 fps和200 fps，整个流程的运行速度达到了9.43 fps。田间实验进一步证明了其良好的实际性能，最大跟踪误差为0.1026米，平均跟踪误差为0.0374米，均方根误差（RMSE）为0.048米。

结论

所提出的两阶段轻量级框架能够在玉米田中实现准确、高效和实时的田头定位及转弯路径提取。它在复杂农业环境中的嵌入式部署和实际自主导航方面展示了强大的潜力。复杂多变的田间环境经常会导致使用单帧图像检测方法时出现田头检测错误。本文提出了一种两阶段学习框架，以增强算法的鲁棒性。在第一阶段，设计了一个改进的轻量级YOLOv12目标检测网络作为触发模块，实时监控视频帧中玉米作物的存在情况以确定其与行尾的接近程度。当连续多个帧中作物目标消失时，系统进入第二阶段，轻量级的AFFormer模型对田头导航区域进行精确分割，输出可驾驶区域的掩码。根据分割结果，采用多项式拟合方法提取田头的轮廓边界，并结合高阶贝塞尔曲线和边界曲率变化点来生成农业机器人的平滑自主转弯路径。实验验证表明，改进后的YOLOv12将mAP@0.5从88.0%提升到了94.8%，显著提高了田头检测的准确性，同时保持了高效的实时性能。轻量级分割模型在数据集上仅使用2.9 G FLOPs就实现了85.6%的mIoU。该框架为农业机器人导航提供了可靠的解决方案，推动了复杂农业场景下多任务融合的理论创新，并为实际田间自动化操作奠定了坚实的基础。