基于改進(jìn)Mask R-CNN的花白鰱去鱗率計算方法研究

肖哲非，沈 建，鄭曉偉，徐文其

(1中國水產(chǎn)科學(xué)研究院漁業(yè)機(jī)械儀器研究所，上海 200092；2 農(nóng)業(yè)農(nóng)村部遠(yuǎn)洋漁船與裝備重點實驗室，上海 200092；3 國家水產(chǎn)品加工裝備研發(fā)分中心，上海 200092；4 大連工業(yè)大學(xué)海洋食品精深加工關(guān)鍵技術(shù)省部共建協(xié)同創(chuàng)新中心，遼寧 大連，116034)

隨著經(jīng)濟(jì)的發(fā)展和人民生活質(zhì)量的提高，人們越來越重視飲食健康，淡水魚作為一種低價且優(yōu)質(zhì)的蛋白質(zhì)來源，廣受消費者青睞。2020年，中國淡水水產(chǎn)品總量達(dá)到了3 234.64萬t，但加工轉(zhuǎn)化率僅為12.72%[1]，相比于海水產(chǎn)品50.66%的加工率，淡水產(chǎn)品的加工率明顯偏低。其原因在于，國內(nèi)大部分的淡水魚生產(chǎn)線還存在機(jī)械化程度低的問題[2-3]。

近年來，有很多學(xué)者投入到淡水魚加工設(shè)備的研發(fā)中。去鱗是淡水魚加工前處理過程中非常重要的一個環(huán)節(jié)，目前已有各種去鱗設(shè)備[4-6]。實時快速的去鱗率計算模塊不但可以應(yīng)用于去鱗設(shè)備中，作為運(yùn)行狀態(tài)監(jiān)控，還可以將其結(jié)果作為設(shè)備驗收或評估時的參考之一。上述這些去鱗設(shè)備的去鱗率檢測都是基于操作者感官評價或在坐標(biāo)紙上標(biāo)記剩余魚鱗面積，不但效率低下而且受操作者主觀意識影響，還有可能在測量過程中對魚體造成損壞。為了更客觀準(zhǔn)確地檢測去鱗率，張軍文等[7]提出了使用三維激光掃描儀檢測羅非魚的去鱗率，在羅非魚體表貼上標(biāo)靶點貼紙，并將掃描后的模型導(dǎo)入ProE計算，該方法精度高、成像快，但需要應(yīng)用第三方軟件且對操作人員要求較高。

隨著計算機(jī)科學(xué)的不斷發(fā)展以及工業(yè)相機(jī)成本的下降，機(jī)器視覺識別和檢測等技術(shù)逐漸引起關(guān)注，由于其對魚體無損、檢測快速等特點，在水產(chǎn)行業(yè)得到了越來越廣泛的應(yīng)用[8-10]。如通過魚體圖像實現(xiàn)對質(zhì)量的檢測[11-12]、品種分類[13-16]、魚體損傷區(qū)域檢測[17]。上述方法都以完整的魚體作為研究對象，并不能對魚體的不同部分做精確檢測。近些年，越來越多的基于深度學(xué)習(xí)的實例分割算法被提出，它們可對圖像做像素級的檢測，預(yù)測出輸入圖像哪一個像素屬于待檢測目標(biāo)物體，并且具有良好抗干擾能力以及多維特征提取能力，可應(yīng)用于復(fù)雜的環(huán)境里[18-22]。

針對目前國內(nèi)缺少高效且準(zhǔn)確的去鱗率檢測方法的情況，本研究將實例分割算法(Mask Region Convolution Neutral Network,Mask R-CNN)進(jìn)行改進(jìn)，平衡其運(yùn)算速度與準(zhǔn)確性，以花白鰱作為試驗對象，實現(xiàn)對魚體中有魚鱗區(qū)域與無魚鱗區(qū)域精細(xì)分割，并根據(jù)分割結(jié)果計算去鱗率，為后續(xù)智能去鱗機(jī)的研發(fā)提供參考。

1 改進(jìn)Mask R-CNN模型結(jié)構(gòu)分析

1.1 Mask R-CNN結(jié)構(gòu)分析

選取實例分割算法(Instance Segmentation)分割有魚鱗區(qū)域與無魚鱗區(qū)域，原因是實例分割算法不僅能輸出目標(biāo)物體的檢測框(Bounding Box)，而且可以輸出圖像中屬于目標(biāo)物體的像素點。因此，在多個目標(biāo)物體距離接近的情況下可大幅降低識別不清，相互重疊的情況[23]。Mask R-CNN是由Hue等[24]提出的一種實例分割算法，該算法使用了Ren等[25]提出的兩階段(Two Stage)目標(biāo)檢測算法Faster R-CNN的總體框架，即階段一的區(qū)域建議(Region Proposal)以及階段二的邊界框回歸(Bounding Box Regression)以及分類(Classification)。Mask R-CNN將原算法中用于提取特征圖(Feature Map)的VGG網(wǎng)絡(luò)替換成了ResNet[26]和FPN(Feature Pyramid Networks)[27]結(jié)合的網(wǎng)絡(luò)，ResNet解決了深度學(xué)習(xí)中層數(shù)太多而梯度消失的問題， FPN網(wǎng)絡(luò)在多尺度目標(biāo)檢測上有更好表現(xiàn)；將Faster R-CNN中的ROI Pooling改進(jìn)為ROI Align，解決了特征圖與原圖不對準(zhǔn)的問題,提高了檢測精度；并在Faster R-CNN的基礎(chǔ)上添加了一條與邊界框的回歸和分類并行的掩膜(Mask)分支，在完成目標(biāo)檢測任務(wù)的同時對目標(biāo)進(jìn)行像素級別的分割。

Mask R-CNN的結(jié)構(gòu)如圖1所示，輸入的圖像先經(jīng)過骨架網(wǎng)絡(luò)(Backbone)提取特征圖像(Feature Map)，特征圖像上的每一點會生成若干個錨框(Anchor)并進(jìn)入?yún)^(qū)域建議網(wǎng)絡(luò)(Region Proposal Network，RPN)進(jìn)行二分類以及邊界框的回歸，去掉一部分無用的錨框，ROI Align將剩余的感興趣區(qū)域(ROI，Region of Interest)尺寸統(tǒng)一并與原圖對應(yīng)，最終在得到的感興趣區(qū)域上進(jìn)行分類，邊界框回歸以及掩膜生成。

圖1 Mask R-CNN模型結(jié)構(gòu)

Mask R-CNN使用的骨架網(wǎng)絡(luò)包括3個部分，自下而上、自上而下以及橫向連接[28-29]。自下而上，即圖1中C1至C5層，使用ResNet對原圖進(jìn)行不同尺度的特征圖提取，每一層的步長(Stride)都為2，每個階段輸出的特征圖分辨率都是上一層的1/4。中間的M5層是由C5層經(jīng)過1x1的卷積計算得到的，之后的自上而下是使用FPN網(wǎng)絡(luò)將M5層逐步上采樣，得到M4到M1層。最后的橫向連接是C2、C3、C4、C5的每一層都經(jīng)過一個1x1的卷積計算，再分別于M2、M3、M4、M5相加，得到P2、P3、P4、P5，并通過一個3×3的卷積處理消除混疊效應(yīng)，得到特征圖。P6則是由M5經(jīng)最大池化得到的，P6只用于后續(xù)的區(qū)域建議網(wǎng)絡(luò)中，并不作為特征圖輸出。ResNet和FPN相結(jié)合的特征提取網(wǎng)絡(luò)在計算量保持不變的前提下，提高了對小尺度物體的檢測能力。

經(jīng)過骨架網(wǎng)絡(luò)提取的特征圖上的每一點會自動生成大量的錨框,錨框由RPN中的一個分支softmax進(jìn)行二分類，包括目標(biāo)物體的為正例，不包含目標(biāo)物體的為負(fù)例。 區(qū)域建議網(wǎng)絡(luò)中另一個分支用于計算錨框的邊界框回歸偏移量。兩個分支的計算結(jié)果結(jié)合以獲得精確的建議錨框。從精確的建議錨框中剔除超出邊界以及太小的錨框，再通過非極大值抑制(Non-Maximum Suppression)對包含目標(biāo)物體的錨框進(jìn)行篩選，得到感興趣區(qū)域。

當(dāng)目標(biāo)物的邊界框?qū)?yīng)到特征圖上時，以及得到感興趣區(qū)域映射成固定尺寸時，得到的值通常是浮點數(shù)。在Faster R-CNN中，這兩個浮點數(shù)被量化取整，而產(chǎn)生的誤差導(dǎo)致了特征圖上的感興趣區(qū)域在對應(yīng)到原圖上出現(xiàn)很大的偏差[20]。為了消除這部分誤差，Mask R-CNN提出了ROI Align，引入了雙線性插值的概念，取消了量化操作，保留了小數(shù)[30-31]。

圖2展示的是Faster R-CNN中使用的ROI Pooling和Mask R-CNN中使用的ROI Align的對比。假設(shè)原圖大小為800×800，目標(biāo)物體在原圖中大小為665×400，得到的特征圖大小為32×32，包含著目標(biāo)物體的邊界框?qū)?yīng)到特征圖上時，得到的結(jié)果是(665/32)×(400/32)=20.78×12.5，ROI Pooling將其量化為20×12，之后再次將20×12的ROI映射成大小為7×7的ROI時，結(jié)果為(20/7)×(12/7)=2.86×1.71,ROI Pooling將其再次量化為2×1。兩次量化過程造成了數(shù)據(jù)量丟失，導(dǎo)致了特征圖上的感興趣區(qū)域在對應(yīng)到原圖上出現(xiàn)偏差。

圖2 ROI Pooling 和ROI Align的對比

而ROI Align則通過雙線性插值將浮點數(shù)保留下來。雙線性插值的本質(zhì)是通過x和y兩個方向上分別做線性插值來計算二維區(qū)間上某一點的值[33]。如圖3中左圖所示，已知Q11、Q12、Q21和Q22的值，計算P點的值可先在x方向上對Q11和Q21做線性插值，得到R1的值，再在x方向上對Q12和Q22做線性插值，得到R2的值，隨后在y方向上對R1和R2做線性插值，得到P的值：

(1)

(2)

(3)

式中：Q11、Q21、Q12和Q22圖中已知值的像素點，坐標(biāo)分別為(x1，y1)、(x2，y1)、(x1，y2)和(x2，y2)。R1、R2以及P是數(shù)值為未知的像素點，坐標(biāo)分別為(x，y1)、(x，y2)和(x，y)。

圖3右圖為ROI Align的示意圖，圖中虛線部分表示特征圖，實線部分表示感興趣區(qū)域，這里將感興趣區(qū)域切分成2×2的單元格，假設(shè)采樣點數(shù)為4，將每個單元格分成2×2的小單元格，中心點則是采樣點。但采樣點的坐標(biāo)一般都為浮點數(shù)，于是使用雙線性插值得到中心點的值，然后再對每個單元格內(nèi)的四個采樣點做最大池化處理，即可得到ROI Align的結(jié)果。

圖3 雙線性插值(左圖)和ROI Align(右圖)

得到的感興趣區(qū)域通過3個分支分別進(jìn)行邊界框回歸，分類以及掩膜的生成，最終同時得到目標(biāo)識別以及實例分割的結(jié)果。

1.2 Backbone改進(jìn)

1.2.1 注意力機(jī)制模塊SENet

本研究目的是實現(xiàn)去魚鱗率的識別，實際應(yīng)用中需要分割的實例只有2個，即魚體上無魚鱗的區(qū)域和有魚鱗的區(qū)域。對于魚體的其余部分，比如魚頭魚尾不需要給予特別的關(guān)注。并且需要分割的實例相對于整張圖像只是小部分。并且考慮到在實際應(yīng)用中，檢測的快速與準(zhǔn)確同時重要，針對這種情況對骨架網(wǎng)絡(luò)進(jìn)行改進(jìn)，使用層數(shù)較小的ResNet50保證計算速度，并加入注意力機(jī)制模塊SENet提高檢測精度。

Squeeze-and-Excitation Net (SENet)是由Hu等[32]提出的一種網(wǎng)絡(luò)，它改變了傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)(convolutional Neural Networks,CNN)對每一個通道同等關(guān)注的特點，對不同的通道賦予了權(quán)重，使得網(wǎng)絡(luò)更加重視有價值的通道。SENet的基本結(jié)構(gòu)如圖 4所示。

圖4 注意力機(jī)制SENet結(jié)構(gòu)

在得到大小為H×W×C的特征圖U之后，首先對其進(jìn)行擠壓操作(Squeeze)：對U進(jìn)行全局平均池化(Global Average Pooling)，得到大小為1×1×C的數(shù)列，計算公式為：

(4)

U=[u1,u2,…,uc]

(5)

式中：zc表示擠壓操作的計算結(jié)果，uc表示構(gòu)成U的第c個二維矩陣，其高和寬分別為H和W。

選擇全局平均池化，可以保留了全局感受野，使網(wǎng)絡(luò)的低層也可使用全局信息。

之后將擠壓操作的結(jié)果做非線性變化，即激活操作(Excitation),為每一個通道生成權(quán)重。激活操作的計算公式如下：

s=Fex(z,W)=σ[g(z,W)]=σ[W2δ(W1z)]

(6)

(7)

式中：sc為各個通道對應(yīng)的權(quán)重。

1.2.2 改進(jìn)Backbone結(jié)構(gòu)

將SENet作為模塊插入到ResNet50的stage2、stage3和stage4中。加入SENet后，輸出的特征圖每一層都會被賦予相應(yīng)的權(quán)重。而stage5由于層數(shù)較多，如果加入SENet需要較大的計算量，為了保證計算速度，本研究中沒有在stage5中加入SENet。

由上文可知，加入SENet后多出的計算量主要來源于2個全連接層，為了平衡加入SENet而增加的計算量，減少了stage4的層數(shù)，并且為了提高模型的泛化能力與魯棒性，防止過擬合，在最后一個全連接層前加入dropout。

圖 5為原ResNet50的結(jié)構(gòu)與經(jīng)過本文改進(jìn)后的結(jié)構(gòu)。

圖5 原ResNet50與改進(jìn)后的ResNet50結(jié)構(gòu)圖

1.3 改進(jìn)損失函數(shù)

Mask R-CNN的損失函數(shù)由3個部分構(gòu)成，分別是分類誤差Lcls,邊界框誤差Lbox以及掩膜誤差Lmask，公式如下所示：

L=Lcls+Lbox+Lmask

(8)

本研究中去鱗率的計算完全取決于掩膜的分割，為了使模型學(xué)習(xí)過程中更加側(cè)重掩膜的分割，本研究在掩膜誤差Lmask前乘以1.05，改進(jìn)后的損失函數(shù)如下式所示：

L=Lcls+Lbox+1.05Lmask

(9)

2 試驗驗證

2.1 樣本采集

圖像采集使用Basler acA1920-155ucMED，拍攝的圖像分辨率為1 920×1 200，使用兩條24 W白色條形LED背光光源作為輔助。

使用自制的數(shù)據(jù)集訓(xùn)練花白鰱去鱗率的檢測。 選用36條1.1～1.8 kg的花白鰱，購于上海當(dāng)?shù)厥袌觥Ｊ褂秒妱尤[工具對魚體進(jìn)行去鱗處理后拍攝照片，每一條魚在不同的角度下拍攝10到15張圖像，共采集435張圖像。使用Labelme對圖像中魚體的無磷區(qū)域(圖6a中紅色區(qū)域)和有鱗區(qū)域(綠色區(qū)域)進(jìn)行標(biāo)注，其余部分為背景，標(biāo)注圖如圖6a所示。為了防止訓(xùn)練過程中的過擬合，采用水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)、高斯模糊等方法擴(kuò)充數(shù)據(jù)集，將原圖中一半數(shù)量的圖像水平翻轉(zhuǎn)，剩余圖像水垂直翻轉(zhuǎn)，再每次從原圖中隨機(jī)抽取270張圖像，分別進(jìn)行高斯模糊，加噪聲，增強(qiáng)飽和度和對比度的操作，將數(shù)據(jù)集擴(kuò)充到1 950張。數(shù)據(jù)增強(qiáng)圖像如圖6b～圖6g所示。

圖6 標(biāo)注圖與數(shù)據(jù)增強(qiáng)

增強(qiáng)后的數(shù)據(jù)集按照8∶1∶1的比率劃分為訓(xùn)練集、驗證集和測試集。其中1 560張圖像為訓(xùn)練集，用于訓(xùn)練模型。195張圖像作為驗證集，在訓(xùn)練過程中調(diào)整參數(shù)。195張圖像被用作測試集，用于最終的模型評估。訓(xùn)練中分類為2+1，即無魚鱗區(qū)域、有魚鱗區(qū)域以及背景。

2.2 環(huán)境搭建

深度學(xué)習(xí)的訓(xùn)練環(huán)境包括Intel Xeon? W-2158 CPU的處理器和內(nèi)存為8G的NVIDIA GeForce RTX 2080 Ti顯卡。操作系統(tǒng)為64的Ubuntu 18.04，使用Python編程語言以及開源的Pytorch框架構(gòu)建深度學(xué)習(xí)網(wǎng)絡(luò)。

2.3 模型訓(xùn)練

將Labelme標(biāo)注后的數(shù)據(jù)集轉(zhuǎn)化為COCO數(shù)據(jù)集格式，并且在預(yù)訓(xùn)練模型上做遷移訓(xùn)練，batch size設(shè)為4，動量因子為0.9，初始學(xué)習(xí)率設(shè)為0.001，在80個epoch(所有的樣本都送入網(wǎng)絡(luò)訓(xùn)練一編，稱為一個epoch)時權(quán)重衰減為0.000 1，使用隨機(jī)梯度下降算法對網(wǎng)絡(luò)進(jìn)行優(yōu)化，一共訓(xùn)練 200個epoch。

圖7中展示的是Backbone為ResNet50的Mask R-CNN與改進(jìn)后的Mask R-CNN在訓(xùn)練過程中的損失值對比。

圖7 訓(xùn)練過程中總損失值與掩膜損失值

從圖7中可以看出，原Mask R-CNN一開始的總損失值和掩膜損失都小于改進(jìn)Mask R-CNN，這是因為改進(jìn)Mask R-CNN的損失函數(shù)中掩膜分支前加了系數(shù)，所以一開始損失函數(shù)較大。但隨著訓(xùn)練的進(jìn)行，大約在40個epoch之后，改進(jìn)Mask R-CNN的損失值開始小于原Mask R-CNN，持續(xù)下降直至最終收斂。在訓(xùn)練200個epoch后，改進(jìn)Mask R-CNN的總損失值和掩膜損失值都小于原Mask R-CNN。

模型最終會輸出檢測的目標(biāo)物體的分類以及屬于該分類的掩膜。掩膜的大小為圖像大小，屬于該目標(biāo)物體的像素即為1，不屬于的記為0。分別統(tǒng)計屬于有魚鱗分類的像素總數(shù)以及無魚鱗分類的像素總數(shù)，通過公式(10)可得到去鱗率。

(10)

式中：D為去鱗率，M1為無魚鱗區(qū)域像素總數(shù)，M2為有魚鱗區(qū)域像素總數(shù)。

為了定量評價算法的綜合性能，選取精確率(Precision)以及召回率(Recall)作為評價標(biāo)準(zhǔn)。精確率表示在所有檢測出來的目標(biāo)物體中，有多少是真正的目標(biāo)物體，召回率則表示所有被標(biāo)記的目標(biāo)物體有多少被檢測出來。

(11)

(12)

式中：XTP(True Positive)為人工標(biāo)記和算法預(yù)測都為目標(biāo)物體的樣本數(shù)量，XFN(False Negative)表示人工標(biāo)記為目標(biāo)物體而算法未能預(yù)測為目標(biāo)物的樣本數(shù)量，XFP(False Positive)為人工未標(biāo)記為目標(biāo)物體而算法預(yù)測成目標(biāo)物體的樣本數(shù)量，PR表示精確率，R表示召回率。

3 結(jié)果與分析

3.1 改進(jìn)模型與原模型結(jié)果對比

表1展示了原Mask R-CNN模型、改進(jìn)的Mask R-CNN模型的評價結(jié)果以及平均檢測每張圖片所需要的時間(平均運(yùn)行時間均由本文中提到的實驗平臺測量得出)。在同樣的試驗平臺下訓(xùn)練了以ResNet101為Backbone的Mask R-CNN作為對比?？梢钥闯?，在原ResNet50基礎(chǔ)上改進(jìn)的模型相比于原ResNet50，查準(zhǔn)率與查全率都有明顯提升，分別提高了19.7%和16.8%，并且運(yùn)行時間僅增加了1 ms，即2.12%。原ResNet101模型的查準(zhǔn)率和查全率比改進(jìn)模型分別提高1.2%和1.3%，但是運(yùn)行時間增加了50%。由此可見，本文改進(jìn)模型在檢測精度和運(yùn)行速度上達(dá)到了較好的平衡，在運(yùn)行時間基本沒有增加的情況下精度接近于更復(fù)雜的模型。

表1 對比試驗結(jié)果

圖8a為改進(jìn)模型輸出的特征圖，圖8d為ResNet50作為Backbone的原模型輸出的特征圖，圖8b和圖8c為改進(jìn)模型的檢測結(jié)果，圖8e和圖8f為原模型的檢測結(jié)果。從圖8中可以看出，改進(jìn)模型的結(jié)果明顯優(yōu)于原模型。改進(jìn)模型的特征圖中包含了更加豐富的語義信息，并且僅圖8c中在大片無魚鱗的魚體上有零星的魚鱗沒有被識別出來。原Mask R-CNN的檢測結(jié)果中有明顯的錯誤，圖8e中靠近魚體腹部以及尾部的無魚鱗部分被錯誤識別為有魚鱗魚體，圖8f中也有大面積的有魚鱗魚體被識別為無魚鱗魚體。

圖8 原Mask R-CNN與改進(jìn)Mask R-CNN的特征圖與結(jié)果圖

本模型分別與基于改進(jìn)Mask R-CNN電力設(shè)備銹蝕識別[34]和改進(jìn)Deeplab v3+網(wǎng)絡(luò)的手術(shù)器械分割方法[35]中的結(jié)果作對比，改進(jìn)模型精確率分別提高4.9%和3.2%。 基于DeepLab V3模型的圖像語義分割速度優(yōu)化研究[36]主要以提高運(yùn)算速度為主要研究目的，本模型的運(yùn)算速度比其快53%。

3.2 誤差分析

將訓(xùn)練后的模型與人工測量結(jié)果進(jìn)行對比，共檢測了8組樣本，經(jīng)去鱗處理的魚體分別通過相機(jī)拍攝圖像，放入模型中計算結(jié)果，以及在坐標(biāo)紙上描畫出無魚鱗區(qū)域以及有魚鱗區(qū)域并計算面積。改進(jìn)的Mask R-CNN在去鱗率計算上平均相對誤差為4.5%。此外，模型檢測結(jié)果相比于人工檢測結(jié)果都有偏高的現(xiàn)象。經(jīng)分析，產(chǎn)生誤差的因素主要有兩點：一是二維圖像無法完全拍攝到魚體腹背部彎曲的部分；二是分割結(jié)果在邊緣部分有缺失或不平整的現(xiàn)象。

表2 平均相對誤差結(jié)果

與人工測量結(jié)果作對比，檢測誤差主要來源于兩個方面，一是魚體中背部、腹部由于其彎曲的表面，相機(jī)無法完全拍攝到這部分魚體以及魚鰭下覆蓋的面積，魚體中背部和腹部的實際面積大于圖像中呈現(xiàn)的像素面積；二是當(dāng)無磷區(qū)域面積小于3 cm2時，發(fā)現(xiàn)很難識別出無磷區(qū)域。

4 結(jié)論

提出了一種基于深度學(xué)習(xí)的無接觸去鱗率檢測方法，在特征提取網(wǎng)絡(luò)中插入注意力機(jī)制，并修改損失函。在相同的訓(xùn)練集以及訓(xùn)練環(huán)境中，改進(jìn)模型將精準(zhǔn)率從70.9%提高到90.6%，召回率從75.1%提高到91.9%。在基本沒有增加運(yùn)算時間的前提下，提高了檢測精度。 本模型對面積小于3 cm2左右的魚鱗仍有識別不清的情況，并且普遍有掩膜邊界分割不精細(xì)的情況。但相比于費時費力的人工檢測，本模型實現(xiàn)了便捷、快速、無損、低成本和較高準(zhǔn)確率的去鱗率計算。通過進(jìn)一步優(yōu)化模型，得到更加準(zhǔn)確耗時更小的模型是下一步研究目標(biāo)。將本研究的方法應(yīng)用于去鱗設(shè)備中，實時監(jiān)測并反饋去鱗效果，或作為檢測模塊用于評估一臺去鱗設(shè)備的優(yōu)劣，為智能農(nóng)機(jī)提供參考。

□