摘要
深度学习已被广泛运用于图像分割领域,将其用于农业方面,能有效地将幼苗和杂草的位置准确定位,降低除草剂的使用,避免不必要的生产成本和环境污染.提出了一种基于UNet网络的实时分割方法,以UNet为主干网络,提取多尺度信息融合,在模型末端添加双注意力模块,考虑图像像素位置之间的依赖关系与不同通道间的信息联系,对RGB图像中的类别信息进行像素级别分类.引入动态权重系数,解决因样本类别占比不平衡导致分类精度低的问题.实验结果表明:本文所提方法在测试集上平均分割准确率达98.7％,平均交并比为93.4％,比原始UNet模型有显著改进,可有效地对胡萝卜幼苗、杂草和背景进行分类,并获取其区域位置.此外,网络参数量仅为2.48 M,fps为50.7,处理单张图像仅需19.7 ms,具有实时处理速度快、准确率高等优点.该方法用少量样本将杂草分割训练到近乎人工标注精度,所需计算资源较少,内存占用率低,可为轻量级网络模型在农业机器人等小型嵌入式设备中的实时分割提供参考.
NETL
NSTL
维普
万方数据