科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对田间秸秆覆盖分散、秸秆形态多样，细碎秸秆识别困难，传统图像识别方法易受光照、阴影等因素干扰等问题，本文以黑龙江省齐齐哈尔市龙江县为研究地点，构建田间秸秆图像数据集；对图像进行裁剪、标注后，构建了以U-Net为基础网络的秸秆检测模型。将编码阶段的网络结构换成ResNet34的前4层作为特征提取器，增加模型的复杂度，增强秸秆特征的提取；为增强秸秆边缘识别，在最高语义信息层对深层特征图使用多分支非对称空洞卷积块(Multibranch asymmetric dilated convolutional block, MADC Block)提取多尺度的图像特征；为增加细碎秸秆的检测能力，在跳跃连接阶段使用密集特征图金字塔网络(Dense feature pyramid networks, DFPN)进行低层特征图和高层特征图的信息融合，利用特征图对应秸秆图像中感受野的不同，解决秸秆形态多样的问题；为避免秸秆特征图在上采样时的无效计算，解码阶段使用快速上卷积块(Fast up-convolution block, FUC Block)进行上采样，避免秸秆特征图在上采样时的无效计算。试验表明，本文算法在车载相机采集到的秸秆图像数据集上平均交并比为84.78%,相比U-Net提高2.59个百分点，该网络对于640像素×480像素的图像平均处理时间低于3 ms,符合作业检测时的时间复杂度要求，算法在一定程度上改善了阴影区域秸秆的识别问题，提高了细碎秸秆的识别能力。
- 单位
