农业机械学报

作者：曹英丽，赵雨薇，杨璐璐，李静，秦列列

单位：沈阳农业大学,沈阳农业大学,沈阳农业大学,沈阳农业大学,沈阳农业大学,

关键词：杂草识别;水稻田间;无人机遥感;深度学习;DeepLabv3+

基金：国家重点研发计划项目（2017YFD0300700）和辽宁省教育厅重点攻关项目（JYFZD2023123）

针对实际稻田环境中水稻与杂草相互遮挡、难以准确区分的问题，提出一种基于改进DeepLabv3+的水稻杂草识别方法。以无人机航拍的复杂背景下稻田杂草图像为研究对象，在DeepLabv3+模型的基础上，选择轻量级网络MobileNetv2作为主干特征提取网络，以减少模型参数量和降低计算复杂度；融合通道和空间双域注意力机制模块，加强模型对重要特征的关注；提出一种基于密集采样的多分支感受野级联融合结构对空洞空间金字塔池化模块（ASPP）进行改进，扩大对全局和局部元素特征的采样范围；对模型解码器部分进行改进。设置消融试验验证改进方法的有效性，并与改进前DeepLabv3+、UNet、PSPNet、HrNet模型进行对比试验。试验结果表明，改进后模型对水稻田间杂草的识别效果最佳，其平均交并比（MIoU）、平均像素准确率（mPA）、F1值分别为90.72%、95.67%、94.29%，较改进前模型分别提高3.22、1.25、2.65个百分点；改进后模型内存占用量为11.15MB，约为原模型的1/19，网络?推算速度为103.91f/s。结果表明改进后模型能够实现复杂背景下水稻与杂草分割，研究结果可为无人机精准施药提供技术支撑。

来源：2023年第12期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2023年第12期