农业机械学报

作者：武锦龙，吴虹麒，李浩，雷兴鹏，宋海燕

单位：山西农业大学,山西农业大学,山西农业大学,山西农业大学,山西农业大学,

关键词：荞麦苗期;无人机遥感;图像语义分割;DeepLabV3+;轻量化

基金：国家重点研发计划项目（2021YFD1600602-09）和山西省基础研究计划项目（202203021212414、202303021222067）

针对DeepLabV3+语义分割模型计算复杂度高、内存消耗大、难以在计算力有限的移动平台上部署等问题，提出一种改进的轻量化DeepLabV3+深度学习语义分割算法，用于实现无人机荞麦苗期图像的分割与识别。该算法采用RepVGG（Re-parameterization visual geometry group）与MobileViT（Mobile vision transformer）模块融合的方式建立主干网络实现特征提取；同时，在RepVGG网络结构中引入SENet（Squeeze-and-excitation networks）注意力机制，通过利用通道间的相关性，捕获更多的全局语义信息，保证荞麦分割的性能。实验结果表明，与FCN（Fully convolutional networks）、PSPNet（Pyramid scene parsing network）、DenseASPP（Dense atrous spatial pyramid pooling）、DeepLabV3、DeepLabV3+模型相比，本文提出的改进算法在较大程度上降低了模型参数规模，更适合在移动端部署，自建荞麦苗期分割数据集上的语义分割平均像素准确率（Mean pixel accuracy，mPA）和平均交并比（Mean intersection over union，mIoU）分别为97.02%和91.45%，总体参数量、浮点运算次数（Floating-point operations，FLOPs）和推理速度分别为9.01×106、8.215×1010、37.83f/s，综合表现最优。在全尺寸图像分割中，训练模型对不同飞行高度的荞麦苗期分割的mPA和mIoU均能满足要求，也具有较好的分割能力和推理速度，该算法可为后期荞麦补种、施肥养护和长势监测等提供重要技术支持，进而促进小杂粮产业智能化发展。

来源：2024年第5期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2024年第5期