摘要
小麦作为我国种植最广的粮食作物之一，其生产影响着国计民生，而赤霉病能造成小麦高达40%左右的减产并使麦粒失去工业价值和食用价值。计算机技术可有助于在降低人力成本的基础上实现小麦的高质量生产，促进小麦种植的智能化与自动化。传统的基于阈值等的图像处理技术存在着很大的局限性，而卷积神经网络因能提取图像的上下文信息并根据语义特征完成分割任务，从而在精度等方面更具优势。基于此，本文提出了基于卷积神经网络的小麦赤霉病语义分割网络研究。本文主要研究内容如下： （1）提出了基于UNet网络的融合了双注意力机制的小麦赤霉病语义分割网络UNetA。该网络在浅层增加了融合位置自注意力机制与空间注意力机制的双注意力机制模块，并在网络的最后添加批标准化层来加速模型的收敛，亦可缓解由数据较少导致的过拟合问题。针对样本不平衡问题，本文在使用加权交叉熵损失函数时依据样本中每个类别总像素量的不同设置不同的权重值，使网络能关注到占比较小的类别。对比实验证明了UNetA网络具有较高的分割精度，而且在分割精度、分割速度以及GPU内存占用率等方面也具有明显优势。 （2）针对小麦的锯齿状外轮廓造成图像难以大批量精细标注的问题，提出了基于共享参数的迁移学习并对颜色通道进行处理的小麦赤霉病分割网络TransWheat。以单株麦穗小麦数据集为源域数据集，多麦穗农田复杂场景下小麦数据集为目标域数据集，将网络编码器结构中的一个分支在源域数据集上训练，并将训练得到的模型参数作为预训练参数加载到TransWheat模型中，用于协助完成目标分割任务；针对小麦数据集的颜色特点，编码器的另一个分支首先对输入的彩色图像进行通道分离并对每个通道进行单独处理，之后用残差卷积代替普通卷积在合并后的通道上进行特征提取。网络解码器部分是由空间金字塔和上采样层组成。为了缓解过拟合现象，在每次上采样之后都添加了参数较小的Dropout层。通过消融实验和对比实验结果证明了TransWheat网络及其各模块的有效性。
NETL