-
题名基于深度学习的植物叶病斑精细化分割方法
被引量：1
- 1
-
-
作者
徐虹
李林峰
杨昊
文武
陈敏
周航
-
机构
成都信息工程大学计算机学院
成都信息工程大学学生工作处
-
出处
《沈阳农业大学学报》
北大核心
2025年第1期92-107,共16页
-
基金
四川省科技计划项目(2023JDZH0034)
四川省自然科学基金项目(2022NSFSC0964)。
-
文摘
[目的]为解决植物叶中小目标病斑和病斑边缘分割精度差的问题,实现精确的植物叶病害严重程度的评估任务,开发了一种基于深度学习的植物叶片病斑精细分割方法。[方法]以葡萄叶黑腐病、葡萄叶黑麻疹病、草莓叶斑病组成的数据集Ⅰ,苹果叶斑点落叶病、苹果叶黑星病以及苹果叶桧胶锈病组成的数据集Ⅱ为例,以Deeplabv3+为基础,提出一种名为MFA-Net的改进的深度学习网络,其使用改进的Xception网络作为主干网络。首先,在编码器部分提出多尺度特征提取模块,并用其对主干网络进行改进;该模块通过3个分支提取不同尺度的信息,再通过由坐标注意力机制和通道注意力机制组成的双分支注意力部分突出病斑特征信息。其次,在编码器部分提出双残差空洞空间金字塔池化模块,其使用2个残差分支对病斑区域信息进行弥补,并利用自注意力机制帮助模型捕捉输入图像的细节信息。最后,通过引入2个融合模块组建解码器,有助于减轻信息的丢失问题并维持特征的丰富性。[结果]在评价指标上,2个数据集的mIoU分别为92.07%和91.91%。与Unet、Unet(Resnet50)、Unet++、HRNetV2、Deeplabv3+(Resnet101)和Deeplabv3+(Xception)等模型相比,在数据集Ⅰ上,mIoU分别提高3.73%、5.44%、3.18%、2.79%、5.93%和2.65%;在数据集Ⅱ上,mIoU分别提高3.82%、5.17%、2.92%、2.38%、6.37%和2.13%。[结论]在植物叶病斑区域分割领域中,该方法的分割效果得到了较好的提升,并改善了小目标病斑和病斑边缘的分割效果。
-
关键词
多尺度特征
注意力机制
残差结构
小目标病斑分割
病斑边缘分割
-
Keywords
mlti scale features
attention mechanism
residual structure
small target lesion segmentation
edge segmentation of lesions
-
分类号
S436.6
[农业科学—农业昆虫与害虫防治]
-
