近日，機(jī)械與電子工程學(xué)院智能畜牧產(chǎn)業(yè)裝備與機(jī)器人團(tuán)隊(duì)在期刊《Computers and Electronics in Agriculture》在線發(fā)表了題為“SSOD-MViT: A novel model for recognizing alfalfa seed pod maturity based on semi-supervised learning”的最新研究成果。山東農(nóng)業(yè)大學(xué)為完成該論文的第一單位，田富洋教授為該論文的第一作者，宋占華教授和于鎮(zhèn)偉副教授為該論文的共同通訊作者。

準(zhǔn)確識(shí)別苜蓿種莢簇的成熟度，能夠確定最佳的收獲時(shí)間，實(shí)現(xiàn)適時(shí)收獲，提高苜蓿種子的產(chǎn)量和質(zhì)量，為畜牧業(yè)提供優(yōu)質(zhì)高產(chǎn)的飼料來源，促進(jìn)牧草業(yè)的發(fā)展。然而，苜蓿生長的復(fù)雜背景使種莢的外觀特征發(fā)生變化，增加了識(shí)別的難度；苜蓿種莢的成熟階段（如青熟期、、黃熟期、、完熟期）缺乏統(tǒng)一的量化標(biāo)準(zhǔn)，不同研究或?qū)嵺`中依賴主觀經(jīng)驗(yàn)判斷，導(dǎo)致模型訓(xùn)練數(shù)據(jù)不一致，影響識(shí)別精度。

針對以上技術(shù)難題，團(tuán)隊(duì)提出了一種基于無人機(jī)和半監(jiān)督深度學(xué)習(xí)模型SSOD-MViT的苜蓿種莢簇成熟度識(shí)別方法（圖1）。該模型采用改進(jìn)的輕量級通用視覺轉(zhuǎn)換器MobileViT作為骨干，在頸部網(wǎng)絡(luò)中增加一個(gè)小目標(biāo)檢測層，在推理過程中融合SAHI算法，提高小尺寸苜蓿種莢簇的檢測精度，增強(qiáng)模型的抗干擾能力。試驗(yàn)結(jié)果表明，SSOD-MViT的mAP@0.5達(dá)到92.23%，平均檢測時(shí)間為82.34 ms。該研究成果可以有效改善現(xiàn)有模型在大田復(fù)雜環(huán)境下苜蓿種莢簇成熟度的檢測效果，為苜蓿種子生產(chǎn)行業(yè)生產(chǎn)效率的提高和生產(chǎn)成本的降低提供技術(shù)支持。

圖1. 苜蓿種莢簇成熟度識(shí)別方法

該研究得到了“十四五”國家重點(diǎn)研發(fā)計(jì)劃課題的資助。

論文鏈接：https://doi.org/10.1016/j.compag.2025.110439

編      輯：萬    千 

審      核：賈    波