1 吉林农业大学 信息技术学院，吉林长春308
2 吉林农业大学 工程技术学院，吉林长春130118
3 吉林大学 工程仿生教育部重点实验室，吉林长春10025
为了适应保护性耕作秸秆还田监测的技术需求，提出了一种改进的U-Net语义分割算法对秸秆覆盖率进行检测。首先，提出一种新的卷积模块代替原始U-Net框架中的卷积模块；其次，改进Inception结构，引入条纹池化和高效空间金字塔空洞卷积模块，形成新的Gception结构；最后，在模块中引入注意力机制。利用无人机采集田间地表图像，将改进的U-Net模型应用于自标注田间秸秆图像分割，与U-Net，PSP-Net，Link-Net，Res-Net，DSRA-Unet和DE-GWO算法进行对比实验，得到的平均交并比为80.05%，平均像素精确度为91.20%，覆盖率平均误差为0.80%。实验结果表明，改进U-Net模型的分割结果优于对比算法，能够保证特征提取的有效性和全局特征的完备性，有效剔除树影以及田内其他干扰因素。该模型适用于含有农机和树影等干扰的田间复杂场景，在大尺度图像中亦可获得较好的分割效果，可为大面积秸秆覆盖率检测提供技术支持。
秸秆图像 覆盖率检测 语义分割 U-Net模型 注意力机制 straw image coverage detection semantic segmentation U-net model attention mechanism
1 吉林农业大学 信息技术学院, 吉林 长春 130118
2 吉林大学 工程仿生教育部重点实验室, 吉林 长春 130025
3 吉林农业大学 工程技术学院, 吉林 长春 130118
基于阈值或纹理分割的秸秆覆盖率检测算法, 存在准确性低、复杂度高、运行耗时长等问题, 且对含有大量干扰因素的复杂农田场景分割效果不佳。本文提出了一种检测准确度高、训练参数少且运行速度快的语义分割算法(DSRA-UNet)。该算法结合UNet的对称编-解码架构, 在浅层特征图使用标准卷积, 深层采用深度可分离卷积, 并在每一层增加残差结构来加大网络深度, 以降低参数量的同时提高精度。此外, 在跳级连接过程增加全局最大池化注意力机制, 进一步提高网络的分割精度。将算法在秸秆数据集上进行验证, 实验结果表明本文所提算法平均交并比达到94.3%, 训练参数量仅为0.76 M, 单张图片测试时间在0.05 s以下。该算法可以精准分割出秸秆和土壤, 并可在复杂环境下将干扰信息分割出, 可在一定程度上解决图像中的阴影问题。
秸秆检测 语义分割 深度可分离卷积 注意力机制 残差结构 straw detection semantic segmentation depthwise separable convolution attention mechanism residual structure
1 吉林大学 工程仿生教育部重点实验室, 吉林 长春 130025
2 长春市农业机械研究院, 吉林 长春 130052
3 吉林大学 生物与农业工程学院, 吉林 长春 130022
4 吉林大学 通信工程学院, 吉林 长春 130012
5 吉林农业大学 信息技术学院, 吉林 长春 130118
针对机械移栽穴苗过程中如何有效识别出根系受损的幼苗, 进而及时进行分类、补救这一实际问题, 提出一种基于机器视觉的移栽穴苗识别方法。该方法根据机械手移栽穴苗特点, 对比检测图像土壤基质面积与基准面积; 进而通过测定土壤基质完整率, 判断样本合格与否。文中从理论和实际的角度说明了形态学图像处理方法处理穴苗移栽图像特点, 设计了机械手移栽穴苗识别在线测试系统。最后, 对基于形态学图像检测方法的机械手移栽穴苗识别技术和普通图像检测方法进行对比实验。结果表明, 本文提出的形态学检测方法对一个72孔穴盘合格检出率提高了6.6%, 不合格检出率提高了54.5%。同时, 一个穴苗的平均处理时间约为1.82 s。结果表明提出的方法可靠, 耗时较短, 能够匹配机械手移栽流水线作业时间上的要求, 并满足实时处理要求。
形态学 图像检测 机械手移栽 穴苗 morphology image detection mechanical transplanting seedling
