摘要
针对田间冠层图像质量易受光照和天气变化等外界因素影响造成的分割精度低且无法自动化实现的问题,提出一种利用残差学习改进U-net模型结构的玉米冠层图像分割方法,利用残差结构增强U-net模型收缩路径的深度,提高模型的特征提取能力,并对模型结构进行重组设计,引入批标准化和Dropout机制增强模型的泛化性,构成U型残差学习的ResU-net分割模型,并结合分割领域典型的损失函数和评价指标,设计多种损失函数,通过对比不同损失函数在测试集上的表现,最终选定Focal_Tversky损失函数构成ResU-net++语义分割模型.实验发现:ResU-net模型在测试集上的准确率为0.9398,优于传统的U-net模型的0.8936;且优化后的ResU-net++方法在测试集中的准确率为0.9539、精确率为0.931、召回率为0.9525、F1值为0.9419、IOU值为0.9123,优于U-net和ResU-net模型.以不同的玉米品种构建了验证样本集,结果表明,ResU-net++模型在验证样本中的分割精确率为0.9325,说明ResU-net++模型具有一定的泛化性,可以为不同光照条件下玉米原位冠层图像的分割提供参考.
基金项目
国家重点研发计划(2017YFD0201501)
北京市农林科学院表型协同创新中心项目(KJCX0917)
国家自然科学基金面上项目(31871519)
现代农业产业技术体系专项(CARS-02)
北京市农林科学院改革与发展项目()
北京市农林科学院课题(PT2020-18)
NETL
NSTL
维普
万方数据