用于改进农田杂草检测的新运动模糊恢复方法

有效的用于运动杂草控制在农业中对于确保高作物生产力至关重要。它需要在田间喷洒除草剂之前仔细分离杂草和作物。改进简单来说，农田杂草控制的杂草目标是在确保作物不受伤害的同时去除杂草。传统的检测杂草控制方法有几个缺点，例如作物污染、模糊除草剂浪费和准确性差。恢复因此，用于运动有必要开发能够精确定位和识别作物与杂草之间边界并实施更好的改进杂草控制的方法。

使用“语义分割”编程的农田农业机器人，这是杂草一种深度学习算法，可以从捕获的检测图像中准确识别不同的植物，可以为这个问题提供解决方案。模糊这些机器人可以自动区分杂草和农作物，恢复提高喷洒除草剂的用于运动效率。然而，当相机捕捉植物的图像时，农业机器人、农作物和/或杂草的振动可能会产生“运动模糊”。

在一项新研究中，韩国东国大学KangRyoungPark教授领导的研究小组提出了一种方法，可以恢复运动模糊图像并改进作物和杂草分割。这是第一项考虑将运动模糊用于作物杂草分割的研究。该研究的结果发表在PlantPhenomics上。

Park教授分享了他们研究背后的动机，他说：“运动模糊会严重降低所捕获的作物和杂草图像的质量，从而降低高级视觉任务的准确性。这项研究提出了一种将运动模糊图像恢复为进行农作物和杂草分割，这是第一项考虑运动模糊的农作物和杂草分割研究。”

该团队提出使用“宽感受野注意力网络”（WRA-Net）这一深度学习模型来恢复运动模糊的图像并提高图像质量以进行进一步处理。后图像恢复，U-Net，一种语义分割技术，用于分离农作物和杂草。

WRA-Net由一个编码器组成，它从模糊图像中提取有用的特征并将它们发送到解码器，然后解码器对图像进行升级。编码器的主要功能是为解码器提供丰富的图像特征，以细化和提高图像质量。为了有效恢复，所提出的方法将输入图像分成多个块，而不是一次使用整个图像。

该小组使用三个公开可用的数据库测试了WRA-Net方法：BoniRob、作物/杂草田间图像数据集(CWFID)以及水稻幼苗和杂草数据集。他们还评估了恢复效率，以检查恢复图像和原始图像之间的相似性。语义分割性能是使用mIOU（并集平均交集）来衡量的，mIOU是一种用于评估深度学习算法的参数。

在所有测量参数中，WRA-Net优于其他数据库。它有效地恢复了运动模糊的图像，结果证明是最好的杂草分割模型。就分割精度而言，该方法也比最先进的方法更有效。

WRA-Net恢复的测试图像的mIOUs在CWFID、BoniRob和水稻秧草数据库中分别为0.7741、0.7444和0.7749。此外，即使在计算资源有限的嵌入式系统（计算机处理器、计算机内存和输入/输出外围设备的组合）中，WRA-Net也表现出色。

那么，该团队的下一步是什么？“在未来的研究中，我们将研究使用预处理的方法来减少由作物和杂草的高相似性和对象的薄区域引起的错误。此外，我们将研究可以直接从中获得高语义分割结果的特征融合。运动模糊图像无需执行恢复和语义分割两个步骤，”Park教授补充道。

粮食安全正逐渐变得难以实现，并受到缺乏人力和天气暴行的影响。这种方法可以帮助克服这些问题并提高作物生产力。