苏州博田 - 智能农业田间机器人

农田作业全自动、零人工干预：百度飞桨携手苏州博田自动化技术，推进农业智能化

‍

案例概述

水稻是中国三大主粮之一。稻田的田间管理复杂且高度重复（如喷洒农药和除草），极其耗费人力，给劳动者带来沉重负担。苏州博田利用百度深度学习平台飞桨，让拖拉机和农业机器人学会视觉导航。它们可以根据秧苗的种植情况实时调整路线，避免压坏秧苗，从而更好地养护和管理秧苗。这项改进让“省工又大幅增产”的梦想成为现实。

合作伙伴简介

苏州博田自动化技术有限公司是一家专注于智能农业装备技术研发和产业化的高科技企业。公司秉持“科技创新、智能引领、众创共享、机器助人”的发展理念，创造性地研发了植保机器人、果蔬采摘机器人、除草机器人、设施农业机器人、智能农机管理系统和农机辅助导航系统等智能农机装备。多项产品填补了国内空白，广泛应用于全国 20 多个省市。

‍

业务挑战

水稻按行种植，行与行之间大致平行。因此，实现农机视觉自动导航的基础，在于实时准确地检测秧苗行的中心线。虽然传统图像处理算法也能提取秧苗行中心线，但自然光照下稻田的非结构化环境、不同时间和天气条件下图像亮度的差异、与秧苗特征相似的浮萍和藻类、零星缺苗以及反光，都对传统算法的鲁棒性构成很大挑战，难以保证准确率。

‍

稻田环境：

‍

‍

解决方案

为解决这个问题，苏州博田的技术人员全面分析了稻田图像的特点，基于百度深度学习平台飞桨开发了稻田导航线自动检测系统。他们使用飞桨图像分割开发套件 PaddleSeg 中的 ICNet 模型，将秧苗按行从背景中分割出来，并在此基础上准确提取秧苗行中心线。

第一阶段：数据集制作

技术人员在一天中的不同时间，分别采集插秧后一周和三周的秧苗图片各 400 张，并在每个时间改变曝光时间，以采集不同亮度的图片。

第二阶段：模型选择

农机视觉导航任务与自动驾驶有些相似，要求在保证一定准确率的同时具备很高的实时性，并能部署在嵌入式系统等移动设备上。ICNet 是 PaddleSeg 支持的主流语义分割网络之一，是专为自动驾驶等低内存、高实时性应用场景设计的轻量级语义分割网络，非常适合农机视觉导航。与 U-Net 系列和 DeepLab 系列等高精度网络相比，ICNet 在准确率仅略微下降的情况下，大幅减少预测时间和内存占用，在 1024*2048 像素等高分辨率图像上也能达到实时效果。

第三阶段：模型训练

在模型训练过程中，可以通过修改相关配置文件，自定义优化器、迭代次数和图像裁剪尺寸等超参数。此外，飞桨包含图像增强模块，可通过配置文件决定是否使用图像增强并修改增强策略，即使数据不足也能训练出泛化能力强的网络。模型输入尺寸设为 640 x 512，配置完成后调用训练脚本即可训练模型。

‍

第四阶段：最优模型选择

在网络训练过程中，每五个 epoch 保存一次参数。使用飞桨可视化工具 VisualDL 查看训练损失值和验证准确率，并选择验证准确率最高的模型，以防止过拟合。

VisualDL 可视化图：

‍

第五阶段：测试结果

借助 PaddleSeg，苏州博田的农业机器人现在即使在有干扰的情况下，也能准确地把秧苗从背景中分割出来，提取原图的外轮廓和特征点，进而提取中间 4-5 行秧苗的中心线，为农机视觉导航打下坚实基础。搭配 GPS，苏州博田的农业机器人已实现从仓库到田间的全自动导航，大幅减少人力和资源投入，保障农民作业的效率与健康。

分割结果从左到右依次为：分割结果图、原图特征点提取图、秧苗行中心线提取结果图。

‍

价值与成果

借助飞桨平台，苏州博田的技术人员在复杂的稻田环境中实现了视觉导航线提取，准确率超过 95%。处理每帧图像的时间（包括 ICNet 网络分割预测时间和后续导航线提取时间）约为 300ms，满足农机作业的速度要求，把农民从重复繁琐的劳动中解放出来。最显著的改进是导航线提取的准确率。在使用 PaddleSeg 之前，苏州博田尝试过多种其他方法，但在特殊条件下无法保证准确率。使用基于 PaddleSeg 的导航线提取后，测试图像的平均角度误差从 3.27° 降至 1.65°，即使在反光或缺苗等条件下，角度误差大于 5° 的情况也很少见。

博田的开发人员称赞：“PaddleSeg 的语义分割库易用、易部署、功能丰富。它可以根据实际需求和测试结果选择不同的分割模型和配置参数，节省了大量‘重复造轮子’的时间。这不仅简化了我们的工作，也真正实现了技术创新，加快了农机智能化的发展步伐。”

苏州博田的应用为自主导航农业机器人提供了准确、高效、可靠的技术支持，朝着智能农机与职业农民的宏伟愿景大步迈进，推动了中国精准农业的发展。接下来，苏州博田计划将飞桨应用于温室环境中的果蔬采摘和智能巡检等任务，希望未来有更多农业从业者真正体验到智慧农业带来的便利。