基于低空无人机遥感和深度学习的果园无人地面车辆导航冠层检测方法研究报告

作者及发表信息

本研究由Yongda Lin（中国农业大学理学院）、Xiaofei Song（中国农业大学理学院）、Weiming Xiao（江西省吉安市园艺站）、Dongdong Kuang（江西省吉安市园艺站）、Shiyu Xia（中国农业大学理学院）、Honggen Chang（中国农业大学理学院）、Supakorn Wongsuk（泰国清迈大学农学院）、Xiongkui He（中国农业大学理学院，通讯作者）和Yajia Liu（中国农业大学理学院，通讯作者）共同完成。研究成果发表于Computers and Electronics in Agriculture期刊（2025年10月，第239卷，文章编号111077）。

学术背景

研究领域与动机
本研究属于智慧农业（Smart Agriculture）与自主导航技术（Autonomous Navigation）的交叉领域。随着全球粮食安全面临气候变化、农业劳动力短缺等挑战，农业机器人（如无人地面车辆，Unmanned Ground Vehicles, UGV）在除草、喷药、运输等任务中的高效导航需求日益迫切。传统导航方法（如GNSS-RTK、SLAM激光雷达）在复杂果园环境中存在效率低、全局信息提取不完整、地形适应性差等问题，而基于视觉的导航方法受限于二维路径规划，难以适应丘陵或不平坦果园的三维地形。

研究目标
本研究提出一种融合低空无人机（UAV）遥感、改进轻量级LS-YOLO目标检测算法和多尺度滑动窗口融合方法的新工作流程，旨在实现果园UGV的高精度三维导航路径生成，解决大尺度果园场景中小目标冠层检测、路径连续性及地形安全性等关键问题。

研究流程与方法

1. 无人机数据采集与三维重建

• 研究对象：中国江西省吉安市（27.14°N, 114.87°E）的柑橘园，总面积46,783平方米，涵盖晴天与多云条件下的航拍数据。
  
• 设备与参数：使用大疆Phantom 4 RTK无人机，搭载2000万像素可见光相机，飞行高度25米，航向和旁向重叠率80%。
  
• 数据处理：通过摄影测量技术生成数字表面模型（DSM）和真实数字正射影像（TDOM），构建包含经纬度及高程信息的果园三维场景。
  

2. 数据集构建与冠层标注

• 数据集：采集1446张无人机图像，标注58,762个树冠目标，按8:1:1比例划分为训练集、验证集和测试集。
  
• 标注工具：使用LabelMe手动标注树冠边界框，并通过数据增强（如旋转、缩放）提升样本多样性。
  

3. 改进的LS-YOLO冠层检测算法

• 算法改进：
  
  • FEM模块（Feature Enhancement Module）：通过多分支结构和空洞卷积扩大感受野，提升小目标检测能力。
    
  • DWConv模块（Depthwise Convolution）：减少参数冗余，降低计算量。
    
  • FasterNext模块：结合部分卷积（PConv）和点卷积（PWConv），优化特征融合效率。
    
• 训练环境：Ubuntu 23.04系统，NVIDIA 4090 GPU，输入图像尺寸640×640，批量大小16，使用Adam优化器（初始学习率0.01）。
  
• 性能指标：改进后的LS-YOLO-S模型在测试集上达到精确度（P）85.5%、召回率（R）76.3%、mAP50 86.5%，较基线模型提升1.7%（P）和1.2%（mAP50）。
  

4. 多尺度滑动窗口融合与大图像处理

• 方法设计：针对大尺度航拍图像（40099×37272像素），提出多尺度滑动窗口（如10000×9345、8000×7476像素）分割策略，重叠率20%。
  
• 优势：通过融合不同尺度的检测结果，冠层检测准确率提升2.52%（达96.69%），解决了单尺度下小目标漏检和边缘预测不连续问题。
  

5. 三维导航路径生成与验证

• 路径提取：基于树冠中心点计算导航点，开发定制化软件将二维路径与DSM高程数据融合，生成包含经纬度及高程的KML格式导航文件。
  
• 精度验证：对比专业RTK设备测量结果，导航点经纬度误差仅9.89厘米，满足果园UGV厘米级导航需求。
  

主要结果与逻辑关联

1. 冠层检测性能：LS-YOLO-S的mAP50-95达59.4%，显著优于YOLOv3、YOLOv5等对比模型（表4），为后续路径规划提供高精度目标定位。
   
2. 多尺度融合效果：滑动窗口融合使冠层检测准确率提升至96.69%，解决了大图像中小目标检测的尺度敏感性问题（图13）。
   
3. 导航路径精度：三维路径的厘米级误差验证了无人机遥感与算法融合的可行性，为丘陵果园的UGV安全作业奠定基础。
   

结论与价值

科学价值：
- 提出首个结合低空无人机遥感与改进LS-YOLO算法的果园三维导航框架，填补了传统二维路径规划在复杂地形中的技术空白。
- 开发的多尺度滑动窗口融合方法和轻量化检测模型为农业大尺度图像处理提供了新范式。

应用价值：
- 可实现果园UGV的自主喷药、运输等任务，提升作业效率70.67%（较传统RTK方法）。
- 开源数据集与定制化软件工具（如三维路径提取软件）为智慧农业导航技术落地提供支持。

研究亮点

1. 创新算法：LS-YOLO首次引入FEM和FasterNext模块，在保持轻量化（模型权重14.6MB）的同时提升检测精度。
   
2. 工程突破：多尺度滑动窗口方法解决了大图像处理中的内存与计算瓶颈，适用于实际果园场景。
   
3. 跨学科融合：结合无人机遥感、深度学习和三维地理信息技术，推动农业自动化向高维感知发展。
   

其他价值

• 研究团队开发的导航软件支持KML格式输出，可直接集成至商用UGV控制系统，具备即插即用潜力。
  
• 未来可扩展至其他作物（如葡萄园、菠萝田）的导航任务，适应性广。