Навигация роботизированных платформ в промышленном садоводстве: сравнительный анализ трансформерных моделей семантической сегментации

В статье представлены результаты исследований по применению методов глубокого обучения на основе моделей SegFormer для семантической сегментации изображений и автономной навигации роботизированных платформ в рядах садовых насаждений. Проведено сравнение различных версий моделей SegFormer, предобученных на наборах данных ADE20K и CityScapes, показывающих разницу в точности до 4-7 % и отличающихся количеством классов и количеством параметров моделей (от 3,7 млн для B0 до 82 млн для B5). Для трансферного обучения (Transfer learning) моделей подготовлен и размечен набор данных, датасет включает 1200 изображений рядов садовых насаждений с разметкой шести классов объектов (класс «Tree» – деревья яблони) высотой ≥1,5 м, класс «Near-Trunk» – приствольные зоны радиусом 0,5 м, класс «Pole» – опорные конструкции высотой ≥2 м, класс «Sky» – область неба, включая облака, класс «Track» – междурядья, шириной 3 м, класс «Background» – окружающая среда, прочие объекты заднего фона) в среде Robofl ow. Для расширения датасета и улучшения качества моделей проведена аугментация данных (вращение изображений, коррекция яркости). Эксперименты показали, что увеличение размерности скрытых слоев в моделях SegFormer B0-B5 улучшает извлечение признаков из изображений, коррелируя с ростом метрик семантической сегментации. Сравнительный анализ 12 версий моделей SegFormer (B0-B5) выявил оптимальное    соотношение точности и производительности: модель SegFormer версии B4 достигает максимальной точности (Val Dice=0,7927), рекомендуется для задач высокодетализированного картографирования, тогда как модель SegFormer версии B0 обеспечивает наивысшую скорость обработки (1,52 FPS), применима для навигации в реальном времени. Разработанный алгоритм построения траектории на основе кластеризации DBSCAN и аппроксимации RANSAC показал высокую эффективность в устранении шумов сегментации и генерации маршрутов движения, что позволяет роботизированным платформам адаптироваться к динамическим условиям, включая изменения геометрии рядов и фоновых помех. Использование разработанного алгоритма позволит повысить точность позиционирования и снизить зависимость роботизированных платформ от дорогостоящих мультисенсорных систем.

1. Nijak M., Skrzypczyński P., Ćwia K., Zawada M., Szymczyk S., Wojciechowski J. On the Importance of Precise Positioning in Robotised Agriculture, Remote Sens. 2024;16(6):985. DOI: 10.3390/rs16060985.

2. Wang R., Chen L., Huang Z., Zhang W., Wu S. A Review on the High-Effi ciency Detection and Precision Positioning Technology Application of Agricultural Robots, Processes. 2024;12(9):1833. DOI: 10.3390/pr12091833.

3. Liu C., Nguyen B. K. Low-Cost Real-Time Localisation for Agricultural Robots in Un-structured Farm Environments, Machines. 2024;12(9):612. DOI: 10.3390/machines12090612.

4. Хорт Д. О., Кутырев А. И., Смирнов И. Г., Моисеев Г. В., Соловьев В. И. Управление движением сельскохозяйственной автономной роботизированной платформы, Сельскохозяйственные машины и технологии. 2023;17(1):25-34. DOI: 10.22314/2073-7599-2023-17-1-25-34.

5. Cheng B., He X., Li X., Zhang N., Song, W., Wu H. Research on Positioning and Navigation System of Greenhouse Mobile Robot Based on Multi-Sensor Fusion, Sensors. 2024;24(15):4998. DOI: 10.3390/s24154998.

6. Su F., Zhao Y., Shi Y., Zhao D., Wang G., Yan Y., Zu L., Chang S. Tree Trunk and Obstacle Detection in Apple Orchard Based on Improved YOLOv5s Model, Agronomy. 2022;12(10):2427. DOI: 10.3390/agronomy12102427.

7. Huang W., Miao Z., Wu T., Guo Z., Han W., Li T. Design of and Experiment with a Dual-Arm Apple Harvesting Robot System, Horticulturae. 2024;10(12):1268. DOI: 10.3390/horticulturae10121268.

8. Li Y., Li J., Zhou W., Yao Q., Nie J., Qi X. Robot Path Planning Navigation for dense planting red jujube orchards based on the joint improved A* and DWA algorithms under laser SLAM, Agriculture. 2022;12(9):1445. DOI: 10.3390/agriculture12091445.

9. Gu B., Liu Q., Gao Y., Tian G., Zhang B., Wang H., Li H. Research on the Relative Position Detection Method between Orchard Robots and Fruit Tree Rows, Sensors. 2023;23(21):8807. DOI: 10.3390/s23218807.

10. Fue K., Porter W., Barnes E., Li C., Rains G. Evaluation of a Stereo Vision System for Cotton Row Detection and Boll Location Estimation in Direct Sunlight, Agronomy. 2020;10(8):1137. DOI: 10.3390/agronomy10081137.

11. Кутырев А. И. Распознавание и классификация болезней листьев яблони на основе анализа их изображений моделями сверточных нейронных сетей (CNN), Вестник Ульяновской государственной сельскохозяйственной академии. 2023;3(63):215-223. DOI: 10.31676/0235-2591-2024-6-51-59.

12. Кутырев А. И., Смирнов И. Г., Андриянов Н. А. Сравнительный анализ моделей нейронных сетей для распознавания плодов яблони на кроне дерева, Садоводство и виноградарство. 2023;(5):56-63. DOI: 10.31676/0235-2591-2023-5-56-63.

13. Karim M. R., Reza M. N., Jin H., Haque M. A., Lee K. H., Sung J., Chung S. O. Application of LiDAR Sensors for Crop and Working Environment Recognition in Agriculture: A Review, Remote Sens. 2024;16(24):4623. DOI: 10.3390/rs16244623.

14. Li Y., Feng Q., Ji C., Sun J., Sun Y. GNSS and LiDAR Integrated Navigation Method in Orchards with Intermittent GNSS Dropout, Appl. Sci. 2024;14(8):3231. DOI: 10.3390/app14083231.

15. Tao H., Zhang R., Zhang L., Zhang D., Yi T., Wu M. Tea Harvest Robot Navigation Path Generation Algorithm Based on Semantic Segmentation Using a Visual Sensor, Electronics. 2025;14(5):988. DOI: 10.3390/electronics14050988.

16. Agarla M., Napoletano P., Schettini R. Quasi Real-Time Apple Defect Segmentation Using Deep Learning, Sensors. 2023;23(18):7893. DOI: 10.3390/s23187893.

17. Mo L., Fan Y., Wang G., Yi X., Wu X., Wu, P. Deep- MDSCBA: An Improved Semantic Segmentation Model Based on DeepLabV3+ for Apple Images, Foods. 2022;11(24):3999. DOI: 10.3390/foods11243999.

18. Jin T., Kang S.M., Kim N.R., Kim H.R., Han X. Comparative Analysis of CNN-Based Semantic Segmentation for Apple Tree Canopy Size Recognition in Automated Variable-Rate Spraying, Agriculture. 2025;15(7):789. DOI: 10.3390/agriculture15070789.

19. Yang L., Zhang T., Zhou S., Guo J. AAB-YOLO: An Improved YOLOv11 Network for Apple Detection in Natural Environments, Agriculture. 2025;15(8):836. DOI: 10.3390/agriculture15080836.

20. Machefer M., Lemarchand F., Bonnefond V., Hitchins A., Sidiropoulos P. Mask R-CNN Refi tting Strategy for Plant Counting and Sizing in UAV Imagery, Remote Sens. 2020;12(18):3015. DOI: 10.3390/rs12183015.

21. Mo L., Fan Y., Wang G., Yi X., Wu X., Wu P. Deep- MDSCBA: An Improved Semantic Segmentation Model Based on DeepLabV3+ for Apple Images, Foods. 2022;11(24):3999. DOI: 10.3390/foods11243999.

22. Yang T., Zhou S., Xu A., Ye J., Yin J. YOLO-SegNet: A Method for Individual Street Tree Segmentation Based on the Improved YOLOv8 and the SegFormer Network, Agriculture. 2024;14(9):1620. DOI: 10.3390/agriculture14091620.

23. Gurita A., Mocanu I.G. Image Segmentation Using Encoder-Decoder with Deformable Convolutions, Sensors. 2021;21(5):1570. DOI: 10.3390/s21051570.

24. Jiang A., Ahamed T. Navigation of an Autonomous Spraying Robot for Orchard Operations Using LiDAR for Tree Trunk Detection, Sensors. 2023;23(10):4808. DOI: 10.3390/s23104808.