基于红外热成像的夜间农田实时语义分割
发布时间：2021-01-22 05:51
农田环境实时语义分割是构成智能农机的视觉环境感知的重要环节,夜间农田语义分割可以使智能农机在夜间通过视觉感知农田环境进行全天候作业,而夜间无光环境下,可见光摄像头成像效果较差,将造成语义分割精度的下降。为保证夜间农田环境下红外图像语义分割的精度与实时性,该研究提出了一种适用于红外图像的红外实时双边语义分割网络（Infrared Real-time Bilateral Semantic Segmentation Network,IR-BiSeNet）,根据红外图像分辨率低,细节模糊的特点该网络在实时双边语义分割网络（Bilateral Semantic Segmentation Net,BiSeNet）结构基础上进行改进,在其空间路径上,进一步融合红外图像低层特征,在该网络构架中的注意力提升模块、特征融合模块上使用全局最大池化层替换全局平均池化层以保留红外图像纹理细节信息。为验证提出方法的有效性,通过在夜间使用红外热成像采集的农田数据集上进行试验,数据集分割目标包括田地、行人、植物、障碍物、背景。经试验验证,提出方法在夜间农田红外数据集上达到了85.1%的平均交并比（Mean Inter...
【文章来源】：农业工程学报. 2020,36(18)北大核心
【文章页数】：7 页
【部分图文】：
红外实时双边语义分割网络结构
IR-Bi Se Net保留红外图像纹理特征方面做了优化，能够保留更多夜间农田红外图像语义分割细节。与其他5种方法对测试集中夜间农田环境红外图像分割结果对比如图5所示，由图5可以看出对于夜间农田环境的各类分割目标细节分割效果，IR-Bi Se Net分割结果相对其他方法分割效果更好，更接近于真实标注图像。3 结论
实时双边语义分割网络（Bi Se Net）结构如图3所示，为保证不牺牲空间信息的前提下实现快速的实时分割，实时双边语义分割网络（Bi Se Net）结构划分为2个分支：空间路径（Spatial Path,SP）与上下文路径（Context Path,CP）。SP结构用于提取高分辨率特征图，获取精确的空间信息。CP结构用于获得大的感受野，为保证实时性，减少计算量，采用轻量特征提取网络，如浅层残差网络（Residual Network-50,Res Net-50），结合全局池化操作，合并Res Net-50的中间结果（16倍下采样、32倍下采样）与全局池化的输出，作为该部分输出。
【参考文献】：
期刊论文
[1]基于红外热成像与改进YOLOV3的夜间野兔监测方法[J]. 易诗,李欣荣,吴志娟,朱竞铭,袁学松. 农业工程学报. 2019(19)
[2]基于改进空洞卷积神经网络的丘陵山区田间道路场景识别[J]. 李云伍,徐俊杰,刘得雄,于尧. 农业工程学报. 2019(07)
[3]基于Faster R-CNN的田间西兰花幼苗图像检测方法[J]. 孙哲,张春龙,葛鲁镇,张铭,李伟,谭豫之. 农业机械学报. 2019(07)
[4]丘陵山区田间道路自主行驶转运车及其视觉导航系统研制[J]. 李云伍,徐俊杰,王铭枫,刘得雄,孙红伟,王小娟. 农业工程学报. 2019(01)
[5]基于可见光/红外图像的夜间道路场景语义分割[J]. 吴骏逸,谷小婧,顾幸生. 华东理工大学学报(自然科学版). 2019(02)
[6]基于深度卷积神经网络的红外场景理解算法[J]. 王晨,汤心溢,高思莉. 红外技术. 2017(08)
[7]论红外热像仪的应用领域及技术特点[J]. 崔美玉. 中国安防. 2014(12)
博士论文
[1]基于深度神经网络的肿瘤图像分析与处理[D]. 昌杰.中国科学技术大学 2019
本文编号：2992686
【文章来源】：农业工程学报. 2020,36(18)北大核心
【文章页数】：7 页
【部分图文】：
红外实时双边语义分割网络结构
IR-Bi Se Net保留红外图像纹理特征方面做了优化，能够保留更多夜间农田红外图像语义分割细节。与其他5种方法对测试集中夜间农田环境红外图像分割结果对比如图5所示，由图5可以看出对于夜间农田环境的各类分割目标细节分割效果，IR-Bi Se Net分割结果相对其他方法分割效果更好，更接近于真实标注图像。3 结论
实时双边语义分割网络（Bi Se Net）结构如图3所示，为保证不牺牲空间信息的前提下实现快速的实时分割，实时双边语义分割网络（Bi Se Net）结构划分为2个分支：空间路径（Spatial Path,SP）与上下文路径（Context Path,CP）。SP结构用于提取高分辨率特征图，获取精确的空间信息。CP结构用于获得大的感受野，为保证实时性，减少计算量，采用轻量特征提取网络，如浅层残差网络（Residual Network-50,Res Net-50），结合全局池化操作，合并Res Net-50的中间结果（16倍下采样、32倍下采样）与全局池化的输出，作为该部分输出。
【参考文献】：
期刊论文
[1]基于红外热成像与改进YOLOV3的夜间野兔监测方法[J]. 易诗,李欣荣,吴志娟,朱竞铭,袁学松. 农业工程学报. 2019(19)
[2]基于改进空洞卷积神经网络的丘陵山区田间道路场景识别[J]. 李云伍,徐俊杰,刘得雄,于尧. 农业工程学报. 2019(07)
[3]基于Faster R-CNN的田间西兰花幼苗图像检测方法[J]. 孙哲,张春龙,葛鲁镇,张铭,李伟,谭豫之. 农业机械学报. 2019(07)
[4]丘陵山区田间道路自主行驶转运车及其视觉导航系统研制[J]. 李云伍,徐俊杰,王铭枫,刘得雄,孙红伟,王小娟. 农业工程学报. 2019(01)
[5]基于可见光/红外图像的夜间道路场景语义分割[J]. 吴骏逸,谷小婧,顾幸生. 华东理工大学学报(自然科学版). 2019(02)
[6]基于深度卷积神经网络的红外场景理解算法[J]. 王晨,汤心溢,高思莉. 红外技术. 2017(08)
[7]论红外热像仪的应用领域及技术特点[J]. 崔美玉. 中国安防. 2014(12)
博士论文
[1]基于深度神经网络的肿瘤图像分析与处理[D]. 昌杰.中国科学技术大学 2019
本文编号：2992686
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/2992686.html
