基于Mask R-CNN的玉米田间杂草检测方法

发布时间：2023-04-14 21:48

　　针对田间复杂环境下杂草分割精度低的问题,提出了基于Mask R-CNN的杂草检测方法。该方法采用残差神经网络Res Net-101提取涵盖杂草语义、空间信息的特征图;采用区域建议网络对特征图进行杂草与背景的初步二分类、预选框回归训练,利用非极大值抑制算法筛选出感兴趣区域;采用区域特征聚集方法(Ro IAlign),取消量化操作带来的边框位置偏差,并将感兴趣区域(Ro I)特征图转换为固定尺寸的特征图;输出模块针对每个Ro I计算分类、回归、分割损失,通过训练预测候选区域的类别、位置、轮廓,实现杂草检测及轮廓分割。在玉米、杂草数据集上进行测试,当交并比(Io U)为0. 5时,本文方法均值平均精度(m AP)为0. 853,优于Sharp Mask、Deep Mask的0. 816、0. 795,本文方法的单样本耗时为280 ms,说明本文方法可快速、准确检测分割出杂草类别、位置和轮廓,优于Sharp Mask、Deep Mask实例分割算法。在复杂背景下对玉米、杂草图像进行测试,在Io U为0. 5时,本文方法 m AP为0. 785,单样本耗时为285 ms,说明本文方法可实现复杂背...

【文章页数】：10 页

【文章目录】：
0 引言
1 数据材料
    1.1 数据采集
    1.2 数据集标记
2 杂草检测分割模型
    2.1 杂草CNN特征提取
    2.2 区域建议网络
    2.3 Ro IAlign层
    2.4 输出模块
3 杂草分割模型的构建与评估指标
    3.1 杂草分割模型的构建
    3.2 分割评估指标
4 试验结果与分析
    4.1 杂草分割结果
    4.2 其他数据集验证
5 田间试验
6 结论



本文编号：3790842