农业机械学报

作者：吕继东，翟志强，孟庆建，苗璐鹏，陈悦，张若宇

单位：石河子大学;农业农村部西北农业装备重点实验室,石河子大学;兵团智慧农场数字化装备技术创新中心,石河子大学;农业农村部西北农业装备重点实验室,石河子大学;农业农村部西北农业装备重点实验室,石河子大学;农业农村部西北农业装备重点实验室,石河子大学;农业农村部西北农业装备重点实验室,

关键词：棉田;残膜回收;车载成像;深度卷积神经网络;识别

基金：国家重点研发计划项目(2022YFD2002400)、国家棉花产业技术体系岗位科学家项目（CARS-15-17）和石河子大学高层次人才科研启动项目（RCZK202442）

针对残膜回收机实际作业过程中存在多种相似非目标场景干扰，目标场景图像背景复杂且地表残膜尺寸小、破碎度大、无固定轮廓导致残膜覆盖率难以准确评估的问题，提出基于车载成像和深度卷积神经网络的地表残膜识别方法。构建了一种基于多重特征增强的SE-DenseNet-DC分类模型，在DenseNet121模型每个稠密块的非线性组合函数前后引入通道注意力机制增强有效特征信息通道的权重，然后引入多尺度串联空洞卷积替换原始模型第1层卷积提升感受野并保持细节敏感度，实现目标场景图像的有效提取；构建了一种基于细节信息增强和多尺度特征融合的CDC-TransUnet分割模型，在TransUnet模型的编码器部分引入CBAM模块提取更加细微和精确的全局特征，在跳跃连接部分引入DAB模块融合多尺度语义信息并弥补编码和解码阶段特征之间的语义差距，然后在解码器部分引入CCAF模块减少上采样丢失的细节信息，实现目标场景图像复杂背景中地表残膜的精准分割。试验结果表明，SE-DenseNet-DC分类模型对目标场景图像的分类准确率、查准率、查全率和F1值分别达到96.26%、91.54%、94.49%和92.83%，CDC-TransUnet分割模型对目标场景图像中地表残膜分割平均交并比（MIOU）达到77.17%，模型预测残膜覆盖率与人工标注残膜覆盖率决定系数（R2）为0.92，均方根误差（RMSE）为0.23%，平均相对误差为2.95%，单幅图像评估时间平均为0.54s。本文方法在残膜回收机回收后地表残膜覆盖率监测评估中具有较高的准确率和较快的推理速度，为残膜回收机回收质量实时准确评估提供技术支撑。

来源：2025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2025年第5期