苑 朝，張 鑫，王家豪，趙明雪，徐大偉

（華北電力大學(xué)自動化系，保定 071000）

0 引言

蝴蝶蘭為蘭科蝴蝶蘭屬植物，其花型奇特，姿態(tài)優(yōu)雅，素有“蘭花皇后”之美譽，市場需求量越來越大。蝴蝶蘭的傳統(tǒng)繁殖方式為分株繁殖，但繁殖系數(shù)低、速度慢[1-2]，不能滿足日益增長的市場需求，組織培養(yǎng)作為植物無性繁殖的一種有效方法，其能夠有效提高植物個體成活率并減少病毒傳播范圍，提高產(chǎn)量。因此，組培苗快速繁育技術(shù)開始廣泛應(yīng)用于蝴蝶蘭培育[3]。

蝴蝶蘭組培苗的擴繁流程較為復(fù)雜，主要分為4 個階段，3 次移植。第1 次移植是將第1 個階段母瓶中的蝴蝶蘭幼苗從基部將芽團分開并切掉大主芽的頂端及葉片，移植到新的母瓶中進行第2 個階段培養(yǎng)；第2 次移植是將第2 個階段母瓶中的多個芽團分開成單芽，并將合格單芽移植入中母瓶中進行第3 階段培養(yǎng)；第3 次移植是將中母瓶中的幼苗大于1 cm 的根全部切除，并切掉多余老葉片，留下新葉片，將切割好的蝴蝶蘭幼苗移植進入子母瓶中；最后進行第4 個階段室外培養(yǎng)。每次移植都需要將組培苗從培養(yǎng)瓶中取出，并進行剪切處理后再種入新的培養(yǎng)瓶。

然而，目前大部分的組培苗快速繁育工作主要由人工完成，存在工作強度大、重復(fù)性高、效率低下等問題[4-6]。在中國城鎮(zhèn)化加快、農(nóng)業(yè)領(lǐng)域從業(yè)人員大大減少、人工成本急劇上升的背景下，亟需發(fā)展組培苗自動化快速繁育技術(shù)，以解決人工不足、效率低下、生產(chǎn)成本高等問題，促進農(nóng)業(yè)發(fā)展。

蝴蝶蘭種苗組織培養(yǎng)過程中自動化移植操作關(guān)鍵在于能夠準(zhǔn)確快速的定位，以便機器人進行自動移植。蝴蝶蘭組織快速繁育過程的每個階段組培苗具有不同圖像特征[7]，因此給組培苗夾取點定位帶來了困難。由于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)具有強大的特征提取與學(xué)習(xí)能力，常用于農(nóng)作物目標(biāo)檢測，如YOLO 系列、Mask R-CNN 等算法被應(yīng)用于紅花絲[8]、蘋果[9-12]、香蕉[13]、芒果[14]、荔枝[15]、番茄[16-18]的檢測。XIAO 等[19]使用輕量級MobileNets 網(wǎng)絡(luò)對蝴蝶蘭組培苗的各階段圖像進行了分類，成功率達98.1%；李威等[20]采用YOLOv4 識別網(wǎng)絡(luò)對中耕期幼苗進行了識別和定位；馬翠花等[21]通過基于顯著性檢測與改進Hough 變換對番茄進行了檢測，具有較好的普適性。然而，將顯著性檢測算法應(yīng)用到組培苗夾取中的相關(guān)研究較少。

針對快速繁育過程各階段蝴蝶蘭種苗形態(tài)不同導(dǎo)致的夾取點識別困難問題，本文旨在分析夾取蝴蝶蘭組培苗時需要滿足的要求，并提出一種基于顯著性檢測的方法以定位夾取點，完成蝴蝶蘭種苗移植。該方法首先通過顯著性檢測網(wǎng)絡(luò)得到蝴蝶蘭組培苗的顯著性圖像，然后對圖像進行形態(tài)學(xué)分析，自動計算出各階段組培苗的夾取點，最后使用機器人完成種苗培育各階段移植任務(wù)。在組培苗圖像顯著性檢測過程中，該方法僅需對圖像中組培苗與背景做二分類，因此模型對語義信息不敏感，不需要種類豐富的樣本進行訓(xùn)練，從而能夠更快速高效完成組培苗的檢測，有效完成蝴蝶蘭組織培養(yǎng)中各個階段的組培苗移植任務(wù)。

1 種苗移植方法

1.1 整體流程

組培苗移植系統(tǒng)由視覺檢測模塊、夾取點定位模塊和機械臂控制模塊構(gòu)成，如圖1 所示。該系統(tǒng)通過工業(yè)相機拍攝組培苗圖像，并通過深度學(xué)習(xí)算法對其進行處理，得到組培苗與背景分割的顯著性圖像。然后，通過圖像處理獲取組培苗的待夾取點像素坐標(biāo)，通過手眼標(biāo)定算法將像素坐標(biāo)轉(zhuǎn)化為機械臂基坐標(biāo)系下的世界坐標(biāo)后再將其傳輸給機械臂，機械臂控制末端夾取裝置完成組培苗移植。

圖1 蝴蝶蘭組培苗移植整體流程Fig.1 Overall flow of phalaenopsis tissue-cultured seedlings transplantation

1.2 視覺檢測算法

由于本文的目標(biāo)是針對蝴蝶蘭組培苗進行夾取移植工作，在培育過程中，蝴蝶蘭組培苗與背景區(qū)別明顯。因此，通過將蝴蝶蘭組培苗與背景圖像分離完成二分類顯著性檢測，再處理顯著性檢測的結(jié)果以獲得最終的夾取目標(biāo)點。U2-Net[22]是一種高效的應(yīng)用于圖像顯著性檢測的深度網(wǎng)絡(luò)。由于該網(wǎng)絡(luò)參數(shù)量較大，所以本文在U2-Net的編碼解碼階段均加入了MBConv 模塊對U2-Net 進行改進，降低了模型的權(quán)重大小，提高了檢測速度；本文在處理U2-Net 的基模塊RSU 模塊時，加入了深度可分離卷積（depth-wise separable convolutions），以進一步減少模型的參數(shù)量，增強了模型的可移植性，使其易于部署。

1.2.1 MBConv 模塊

MBConv（mobile inverted bottleneck convolution）[23]是一種包含深度可分離卷積的倒置線性瓶頸層，其中加入了SENet 注意力機制模塊[24]，能夠加強圖像不同通道中的前景信息，并壓縮背景信息。MBConv 模塊的結(jié)構(gòu)如圖2 所示。從左至右，MBConv 模塊包含以下部分：第1 部分是一個1×1 普通卷積模塊，起到將特征圖升維的作用，卷積核個數(shù)是輸入特征圖通道數(shù)的n（n∈{1,6}）倍，n=1 時，該卷積不參與運算。第2 部分是一個k×k的深度可分離卷積模塊，k通常取3 或5。第3 部分是一個SE 注意力模塊，SE 由一個全局平均池化（壓縮），兩個全連接層（激勵）構(gòu)成；全局平均池化將H×W×C（高×寬×通道數(shù)）的特征圖壓縮至1×1×C；第1個全連接層的節(jié)點個數(shù)為MBConv模塊的輸入特征圖的通道數(shù)的1/4，且使用Swish 激活函數(shù)，Swish 激活函數(shù)是一個平滑的、非單調(diào)的函數(shù)，常被用于深度網(wǎng)絡(luò)，能夠使網(wǎng)絡(luò)稀疏化，減少參數(shù)間的耦合關(guān)系，能夠一定程度緩解過擬合問題；第2 個全連接層的節(jié)點個數(shù)等于逐通道卷積的輸出特征圖的通道數(shù)，且使用Sigmoid 激活函數(shù)，得到輸入特征圖的各個通道的權(quán)重系數(shù)，后一個1×1 卷積將壓縮后的特征圖進行升維操作，并通過殘差結(jié)構(gòu)與輸入特征圖進行融合。第3 部分是一個1×1 普通卷積模塊，起到將特征圖降維的作用。最后一個部分是Dropout 層，起到減小模型參數(shù)量的作用。

圖2 MBConv 模塊結(jié)構(gòu)圖Fig.2 MBConv module structure diagram

1.2.2 改進型U2-Net 算法

大多數(shù)顯著性檢測算法使用了圖像分類網(wǎng)絡(luò)的骨干網(wǎng)絡(luò)。這些帶有骨干網(wǎng)絡(luò)的算法的準(zhǔn)確率很高，但往往過于復(fù)雜，因為其包含很多復(fù)雜的額外特征模塊。此外，這些骨干網(wǎng)絡(luò)最初是為圖像分類任務(wù)而設(shè)計，主要用于提取圖像中的語義信息。然而顯著性檢測任務(wù)的重點是提取圖像的局部信息和全局對比信息。U2-Net 采用了一種兩級嵌套的U 形結(jié)構(gòu)[25]，不需要使用任何預(yù)訓(xùn)練的骨干網(wǎng)絡(luò)。該結(jié)構(gòu)中的基本模塊RSU 模塊能夠在不降低圖像分辨率的情況下提取圖像的多尺度特征，并獲得良好的效果。但是，使用大量的U 形塊以及殘差的堆疊會增大計算量，并導(dǎo)致模型參數(shù)量增加。為實現(xiàn)組培苗夾取點提取的高效準(zhǔn)確，需要對模型進行輕量化。本文提出了一種MBU2-Net+網(wǎng)絡(luò)結(jié)構(gòu)，將深度可分離卷積應(yīng)用到每一個RSU 模塊中，該模塊稱為DSCRSU-n，為了增加模型的感受野，在DSCRSU-n模塊中使用擴張卷積（dilated convolution），該模塊稱為DSCRSU-nF，DSCRSU結(jié)構(gòu)減少了計算量和參數(shù)量，使網(wǎng)絡(luò)更加輕量化、更容易部署，結(jié)構(gòu)如圖3 所示。為了增加網(wǎng)絡(luò)在處理各種尺度和復(fù)雜度特征時的表達能力，提高泛化性，在U2-Net的輸入輸出階段加入了MBConv 模塊，MBU2-Net+網(wǎng)絡(luò)結(jié)構(gòu)由多個DSCRSU-n或DSCRSU-nF 模塊組成，如圖4所示。在本文中，en4、de4 層的擴張卷積參數(shù)為2，en5、de5 的擴張參數(shù)為4，en6 的擴張參數(shù)為8。

圖3 DSCRSU-n 與DSCRSU-nF 模塊結(jié)構(gòu)圖Fig.3 DSCRSU-n and DSCRSU-nF module structure diagram

1.3 夾點定位算法

為了移植蝴蝶蘭組織培養(yǎng)苗，需要對進入視覺傳感器視野的蝴蝶蘭組培苗進行準(zhǔn)確的待夾取點計算。常用的目標(biāo)檢測算法計算待夾取點的坐標(biāo)是使用目標(biāo)檢測框的中點作為待夾取點[26]，或者對目標(biāo)的各個部分進行檢測，如根、莖、葉，再對檢測圖像進行處理得到夾取點坐標(biāo)。然而，在蝴蝶蘭組織培養(yǎng)過程中母瓶到子母瓶的移植階段，理想夾取點范圍如圖5 所示。使用上述算法得到的夾取點坐標(biāo)易不滿足所在區(qū)域要求，并且上述算法在數(shù)據(jù)集種類不夠（僅中母瓶到子母瓶移植階段）時，夾取點提取的準(zhǔn)確度較低，導(dǎo)致種夾取過程對組培苗造成損傷或因為夾取點提取錯誤導(dǎo)致移植失敗。由于實際組培苗培育過程中，蝴蝶蘭組培苗各階段的背景信息簡單且相對單一，所以可以通過顯著檢測網(wǎng)絡(luò)將組培苗和背景分割，再對蝴蝶蘭組培苗的顯著性圖進行分析得到夾取點。本文對顯著性檢測的二值化圖進行處理，并得到組培苗圖像處理過后的骨架圖。通過對組培苗的結(jié)構(gòu)進行分析，發(fā)現(xiàn)各階段組培苗的夾取點常位于根莖的交叉處，而在骨架圖上，該處是兩個交叉點位置的中心。本文利用多種圖像處理算法提取根莖的交叉位置中心作為待夾取點，使機械臂能夠在不傷害蝴蝶蘭組培苗的情況下，成功完成對各個階段蝴蝶蘭組培苗的移植。

圖5 夾取點區(qū)域及夾取角度Fig.5 Grasping point area and grab angle

對蝴蝶蘭組培苗結(jié)構(gòu)進行分析得知，在根莖葉的連接處，所檢測到的骨架圖交叉點最多，而夾取點常位于根莖、莖葉連接點之間的莖處。通過這種分析，可確定骨架線交點的集合C(x,y)中的點為備選夾取點。為解決集合C中的點分布過于分散的問題，使用K 近鄰（Knearest neighbor，KNN）算法對集合 的每個點p(xi,yi)進行聚類，當(dāng)以p(xi,yi)為圓心，m個像素為半徑的圓內(nèi)的備選點個數(shù)小于j時，則將該點從備選點集合C(x,y)中刪除。遍歷結(jié)束后，通過隨機抽樣一致（random sample consensus，RANSAC）算法剔除掉噪聲點并擬合夾具中心線投影，然后求取所有備選點的中點，即為待夾取點Co(xo,yo)，并得到擬合中心線投影直線的斜率k，對斜率求反三角函數(shù)得到鑷子中心線投影與水平方向夾角θ。

夾取點提取的流程如下：相機拍攝組培苗圖像，首先對移植條件進行判斷，在滿足移植條件的情況下，將拍攝的組培苗圖像送入顯著性檢測網(wǎng)絡(luò)，得到顯著性圖像。若不滿足移植條件，則持續(xù)拍攝圖像直至滿足條件。然后對顯著性圖像進行一系列濾波、降噪、圖像增強，再使用ZHANG-SUEN[27]圖像細化算法，得到組培苗的骨架圖，對骨架圖進行預(yù)處理后，再進行交點檢測，得到骨架圖中所有骨架線交點的集合C，對該集合使用KNN算法進行遍歷，將位于圖像邊緣的交點剔除，然后更新集合C，再對C通過RANSAC 數(shù)據(jù)篩選并擬合夾具中心線投影，得到擬合中心線投影并計算更新后的集合C的中點(xo,yo)即待夾取點，以及直線斜率k，整體流程如圖6 所示。

圖6 夾取點定位流程Fig.6 Grasping point localization process

2 試驗系統(tǒng)搭建

2.1 試驗平臺搭建

本文采用?？礛V-CE060-10UC 彩色工業(yè)相機采集蝴蝶蘭組培苗的圖像。相機與機械臂以眼在手外的方式進行操作。本文使用ZHANG'S 標(biāo)定法[28]標(biāo)定相機參數(shù)，并通過眼在手外的手眼標(biāo)定獲得圖像坐標(biāo)系到機械臂基坐標(biāo)系的轉(zhuǎn)換矩陣。利用式（1）將相機坐標(biāo)系下的像素點轉(zhuǎn)化為機械臂基坐標(biāo)下的空間坐標(biāo)。

式中X、Y、Z為機械臂基坐標(biāo)系下的x、y、z坐標(biāo)，mm；Px、Py為相機坐標(biāo)系下目標(biāo)的像素坐標(biāo)。

本文試驗采用的機械臂為JAKA Zu3 六自由度協(xié)作機械臂，最大負載為3 kg，重復(fù)定位精度低于±0.03 mm，最大工作半徑為639 mm。由于蝴蝶蘭組培苗的結(jié)構(gòu)特別且脆弱，需要將其移植進入培養(yǎng)皿中，當(dāng)前常見的機械臂末端執(zhí)行機構(gòu)并不能完成當(dāng)前任務(wù)，對此，本文設(shè)計了一種蝴蝶蘭組培苗的移植末端。末端夾具與試驗平臺如圖7 所示。夾具使用的鑷子長為30 cm，材質(zhì)為不銹鋼，由電磁推桿控制開合。電磁推桿的推力為20 N。除電磁推桿和鑷子外，本末端均為3D 打印制作，材料為ABS。末端連接件連接機械臂和工具，所有工具均布置在底盤上滑塊能夠調(diào)整鑷子的位置，電磁推桿能夠控制鑷子開合。當(dāng)檢測到蝴蝶蘭組培苗的夾取點時，控制機械臂使組培苗夾取點位于鑷子中心，驅(qū)動電磁推桿使鑷子閉合以完成夾取。

圖7 末端夾具與試驗平臺Fig.7 End tool and experimental platform

2.2 數(shù)據(jù)采集與模型訓(xùn)練

數(shù)據(jù)集采用的是蝴蝶蘭組培苗培育階段中，從中母瓶到子母瓶切割組培苗前的圖像，圖像分辨率為3 072×2 048 像素，如圖8 所示。由于蝴蝶蘭花卉昂貴，且在培育過程中極易發(fā)生病變，影響其生長，因此數(shù)據(jù)集僅限于單一階段的蝴蝶蘭組培苗，導(dǎo)致數(shù)據(jù)集較小。通過圖像增強，最終得到包含986 張圖像的數(shù)據(jù)集。本文采用9:1 的訓(xùn)練集驗證集比例對總體數(shù)據(jù)集進行隨機抽樣。數(shù)據(jù)集中的圖像均包含清晰前景，即蝴蝶蘭組培苗，且背景相對簡單。本文使用Labelimg 工具對蝴蝶蘭組培苗與背景進行分割，并將圖片手動分成Mask 和Images 兩部分。在視覺模型訓(xùn)練方面，本文使用Ubuntu18.04 操作系 統(tǒng)，64GB 內(nèi) 存，Nvidia GeForceRTX3090 顯 卡，pytorch1.9.1，CUDA11.1 環(huán)境。模型測試與機械臂夾取試驗在Windows 操作系統(tǒng)下進行。在訓(xùn)練過程中，每個圖像先被垂直翻轉(zhuǎn)并裁剪為640×640 像素，使用Adam優(yōu)化器來訓(xùn)練網(wǎng)絡(luò)，初始學(xué)習(xí)率為0.01，所有模型均訓(xùn)練了360 個輪次。

圖8 部分蝴蝶蘭組培苗數(shù)據(jù)集Fig.8 Partial phalaenopsis seedling data set

2.3 算法驗證

為了驗證本算法的實際效果，選取4 組共112 顆蝴蝶蘭組培苗進行夾取點提取試驗。滿足夾取點識別范圍在主莖范圍內(nèi)條件，則可認為夾取點提取成功。采用室內(nèi)試驗的方式，相機采用眼在手外的安裝方式，手動將蝴蝶蘭組培苗放入相機視野內(nèi)，每次間隔5 s，共計放入112 顆蝴蝶蘭組培苗。

將相機所拍攝的原始圖像傳入MBU2-Net+模型中，對待移植的蝴蝶蘭組培苗進行夾取試驗，計算夾取點提取成功率，成功率S的計算式為

式中Cs為成功提取夾點組培苗數(shù)；Ca為總蝴蝶蘭組培苗數(shù)。

3 結(jié)果與分析

3.1 模型訓(xùn)練結(jié)果

模型的性能指標(biāo)由平均絕對誤差(mean absolute error)和Fβ來體現(xiàn)。平均絕對誤差是一種線性分數(shù)，它表示預(yù)測值和觀測值之間的絕對誤差的平均值。Fβ基于查準(zhǔn)率（precision）、查全率（recall）的加權(quán)調(diào)和平均定義，能夠表達出對查準(zhǔn)率和查全率的不同側(cè)重，用來綜合評價查準(zhǔn)率、查重率。平均絕對誤差、Fβ的計算式如下：

式中r、c分別為特征圖的行數(shù)、列數(shù)；P為預(yù)測概率圖；G為圖像標(biāo)簽。

式中Pr為查準(zhǔn)率；R為查全率；β為常系數(shù)，當(dāng)β=1 時為F1，β＞1 時查全率有更大影響，0＜β＜1 時查準(zhǔn)率有更大影響。

每秒幀數(shù)（frames per second，F(xiàn)PS）是測量用于保存、顯示動態(tài)視頻的信息數(shù)量。每秒鐘幀數(shù)越高，所顯示的動作就會越流暢。通常，為了保證畫面動作流暢，需要達到30 幀/s。由于蝴蝶蘭組培苗需要實時移植，因此該指標(biāo)非常關(guān)鍵。

本文對U2-Net、U2-Net+、Res2Net-PoolNet 模型與本文提出的改進的MBU2-Net、MBU2-Net+模型分別進行了360 個輪次的訓(xùn)練。輸入圖像的分辨率為3 072×2 048 像素，batch size 為4，訓(xùn)練結(jié)果對比如表1 所示。

表1 不同模型性能對比Table 1 Performance comparison of different models

因為在實際的工業(yè)培育過程中，蝴蝶蘭組培苗和背景有較為明顯的區(qū)分度，所以蝴蝶蘭數(shù)據(jù)集背景簡單，在這種情況下，顯著性檢測任務(wù)并不困難，各類算法的性能指標(biāo)較為接近。通過對比表1 中的5 種網(wǎng)絡(luò)，其中使用骨干網(wǎng)絡(luò)的Res2Net-PoolNet 的平均絕對誤差為0.004，U2-Net+、MBU2-Net、MBU2-Net+的平均絕對誤差均在0.002 左右，平均絕對誤差最大差值為0.02，這是因為訓(xùn)練所使用的數(shù)據(jù)集較小并且背景并不復(fù)雜，各種網(wǎng)絡(luò)的平均絕對誤差指標(biāo)差距不明顯，但是在加入改進模塊后，MBU2-Net、MBU2-Net+的最大F1分數(shù)較U2-Net、U2-Net+模型有一定提升，均提高到0.993。經(jīng)過改進的MBU2-Net、MBU2-Net+雖然訓(xùn)練時間不是最低的，但是權(quán)重大小相比于U2-Net、U2-Net+有較大提升，其中MBU2-Net+權(quán)重大小僅為2.37 MB，更便于實際工業(yè)過程中的模型部署。此外，MBU2-Net+的幀率對比U2-Net+提升了5幀，大于30 幀，滿足蝴蝶蘭組培苗移植過程的實時性要求。綜上所述，本文提出的MBU2-Net+在保證精度的同時推理速度更快，適用于蝴蝶蘭組培苗夾取點的檢測。

3.2 蝴蝶蘭組培苗夾點提取試驗結(jié)果

通過對112 顆蝴蝶蘭組培苗進行4 組組培苗夾取點提取試驗，結(jié)果見表2、圖9。平均夾取點檢測成功率達到85.71%。導(dǎo)致夾取點提取失敗的原因是部分組培苗的老根老葉較多，骨架圖得到的交點在根或葉處更密集。而第2 組組培苗夾取點提取的成功率低于平均水平是由于第二組有部分組培苗圖像過曝，導(dǎo)致算法并未完整提取到顯著性圖像，從而導(dǎo)致夾取點計算錯誤。

表2 組培苗夾點提取試驗結(jié)果Table 2 Results of tissue-cultured seedlings pinch test extracted

圖9 部分試驗結(jié)果Fig.9 Partial experimental results

3.3 夾點提取算法的適應(yīng)性驗證結(jié)果

為證明本文提出方法的普適性，本試驗選取了蝴蝶蘭組織培養(yǎng)過程中不同時期的組培苗，選擇母瓶到中母瓶時期蝴蝶蘭組培苗6 株，中母瓶到子母階段2 株。制作了虛擬樣本2 株模擬其他類型組培苗進行了試驗，試驗結(jié)果如表3、圖10 所示。

表3 夾取點提取適應(yīng)性試驗結(jié)果Table 3 Result of pinch point extraction universality test

從表3 夾取點提取適應(yīng)性試驗結(jié)果可知，母瓶-中母瓶時期以及中母瓶-子母瓶的蝴蝶蘭組培苗的夾取點提取成功率總體為81.82%，可以證明本文提出的算法在僅有中母瓶-子母瓶時期的未經(jīng)過切除老葉的蝴蝶蘭組培苗數(shù)據(jù)集的情況下，能夠適用于蝴蝶蘭組織培養(yǎng)全過程的蝴蝶蘭組織培養(yǎng)苗的夾取點提取。從表3 的虛擬樣本的夾取點識別成功率還可以看出本文提出的算法對于類似蝴蝶蘭結(jié)構(gòu)的組織培養(yǎng)苗的夾取點提取有一定的泛化性。

4 結(jié)論

1）本文針對蝴蝶蘭組培苗培育過程中，部分圖像識別算法對各階段不同特征的組培苗識別適應(yīng)性差的問題，提出了一種基于顯著性特征的蝴蝶蘭組培苗夾取點提取方法。通過組培苗夾點提取試驗結(jié)果分析，使用本文構(gòu)建的MBU2-Net+網(wǎng)絡(luò)模型能夠高效的提取組培苗夾取點，4 組共112 顆組培苗的平均提取成功率為85.71%；

2）對本文構(gòu)建的MBU2-Net+網(wǎng)絡(luò)進行夾點提取適應(yīng)性試驗。對于試驗中所處的另外三種類型的組培苗，總體成功率為81.82%，結(jié)果表明，構(gòu)建的MBU2-Net+網(wǎng)絡(luò)具有一定的泛化性能；

3）通過引入MBConv 與深度可分離卷積對U2-Net+進行改進，試驗與Res2Net-PoolNet、U2-Net、U2-Net+等網(wǎng)絡(luò)對比，MBU2-Net+網(wǎng)絡(luò)在準(zhǔn)確率沒有損失的情況下，有效減小了的模型參數(shù)量，并提高了檢測速度，檢測速度為33.99 幀/s；

對于形態(tài)各異的組培苗，僅使用2 維識別定位難免出現(xiàn)誤差造成機械臂移植失敗。下一步研究中，擬采用3 維識別定位的方案，提升組培苗移植的成功率。