針對田間復(fù)雜環(huán)境下雜草分割精度低的問題,提出了基于Mask R-CNN的雜草檢測方法。該方法采用殘差神經(jīng)網(wǎng)絡(luò)Res Net-101提取涵蓋雜草語義、空間信息的特征圖;采用區(qū)域建議網(wǎng)絡(luò)對特征圖進行雜草與背景的初步二分類、預(yù)選框回歸訓(xùn)練,利用非極大值抑制算法篩選出感興趣區(qū)域;采用區(qū)域特征聚集方法(Ro IAlign),取消量化操作帶來的邊框位置偏差,并將感興趣區(qū)域(Ro I)特征圖轉(zhuǎn)換為固定尺寸的特征圖;輸出模塊針對每個Ro I計算分類、回歸、分割損失,通過訓(xùn)練預(yù)測候選區(qū)域的類別、位置、輪廓,實現(xiàn)雜草檢測及輪廓分割。在玉米、雜草數(shù)據(jù)集上進行測試,當(dāng)交并比(Io U)為0. 5時,本文方法均值平均精度(m AP)為0. 853,優(yōu)于Sharp Mask、Deep Mask的0. 816、0. 795,本文方法的單樣本耗時為280 ms,說明本文方法可快速、準(zhǔn)確檢測分割出雜草類別、位置和輪廓,優(yōu)于Sharp Mask、Deep Mask實例分割算法。在復(fù)雜背景下對玉米、雜草圖像進行測試,在Io U為0. 5時,本文方法 m AP為0. 785,單樣本耗時為285 ms,說明本文方法可實現(xiàn)復(fù)雜背...

【文章頁數(shù)】：10 頁

【文章目錄】：
0 引言
1 數(shù)據(jù)材料
    1.1 數(shù)據(jù)采集
    1.2 數(shù)據(jù)集標(biāo)記
2 雜草檢測分割模型
    2.1 雜草CNN特征提取
    2.2 區(qū)域建議網(wǎng)絡(luò)
    2.3 Ro IAlign層
    2.4 輸出模塊
3 雜草分割模型的構(gòu)建與評估指標(biāo)
    3.1 雜草分割模型的構(gòu)建
    3.2 分割評估指標(biāo)
4 試驗結(jié)果與分析
    4.1 雜草分割結(jié)果
    4.2 其他數(shù)據(jù)集驗證
5 田間試驗
6 結(jié)論



本文編號：3790842