期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于改进DeepLabv3+的马铃薯幼苗与杂草识别方法
被引量：
2
1
作者
祝诗平
林曦
+2 位作者
冯川
周杰
李博鑫
《农业工程学报》
北大核心
2025年第10期147-156,共10页
针对自然环境下农作物与杂草相互交织,杂草种类繁多,难以准确识别等问题,该研究以马铃薯幼苗及其伴生杂草为研究对象,提出了一种改进DeepLabv3+模型的杂草识别方法。首先以DeepLabv3+语义分割模型为基准,将其主干网络替换为MobileNetV2...
针对自然环境下农作物与杂草相互交织,杂草种类繁多,难以准确识别等问题,该研究以马铃薯幼苗及其伴生杂草为研究对象,提出了一种改进DeepLabv3+模型的杂草识别方法。首先以DeepLabv3+语义分割模型为基准,将其主干网络替换为MobileNetV2,构成轻量化DeepLabv3+模型,随后为了提升模型的非线性能力,提出了一种基于注意力机制的激活函数(attention activate function,AAF),并将其融入到AAF-Conv卷积里,取代轻量化DeepLabv3+语义分割模型中主干网络MobileNetV2的第一个3×3Conv,建立AAF-DeepLabv3+模型。使用AAF-DeepLabv3+模型获取马铃薯幼苗的形态边界,采用图像学的方法识别图像中杂草区域。在轻量化DeepLabv3+模型基础上,AAF激活函数与常见激活函数进行对比试验,平均交并比(mean intersection over Union,mIoU)分别比ReLU6、SiLU、CeLU提升了1.58、1.31、1.99个百分点,平均像素识别准确率(mean pixel accuracy,mPA)分别提升了1.47、0.6、1.26个百分点,表现出良好的性能。AAF-DeepLabv3+模型在消融试验和与其他常见语义分割模型对比中,表现出了显著的性能优势,mIoU和m PA分别为90.82%和95.56%,比原始DeepLabv3+模型提升了1.07和1.15个百分点,帧率为69.21帧/s,比原始模型提高了30.77帧/s,模型大小为22.56 MB,比原始模型降低了185.96 MB。结果表明在同一试验环境下,该模型整体性能优于UNet、PSPNet、HrNet、DeepLabv3、FCN等主流的语义分割网络模型。该杂草识别方法不仅降低了前期图片标注工作量,还有效地解决了杂草与农作物目标交叠且杂草种类繁多带来的识别难题,为移动端设备进行农田杂草识别及研制智能化除草装置提供了技术参考。
展开更多
关键词
马铃薯幼苗
杂草识别
语义分割
激活函数
AAF-DeepLabv3+
在线阅读
下载PDF
职称材料
题名
基于改进DeepLabv3+的马铃薯幼苗与杂草识别方法
被引量：
2
1
作者
祝诗平
林曦
冯川
周杰
李博鑫
机构
西南大学工程技术学院
柳工常州机械有限公司
出处
《农业工程学报》
北大核心
2025年第10期147-156,共10页
基金
教育部中国高校产学研创新基金—德州专项(2021DZ005)。
文摘
针对自然环境下农作物与杂草相互交织,杂草种类繁多,难以准确识别等问题,该研究以马铃薯幼苗及其伴生杂草为研究对象,提出了一种改进DeepLabv3+模型的杂草识别方法。首先以DeepLabv3+语义分割模型为基准,将其主干网络替换为MobileNetV2,构成轻量化DeepLabv3+模型,随后为了提升模型的非线性能力,提出了一种基于注意力机制的激活函数(attention activate function,AAF),并将其融入到AAF-Conv卷积里,取代轻量化DeepLabv3+语义分割模型中主干网络MobileNetV2的第一个3×3Conv,建立AAF-DeepLabv3+模型。使用AAF-DeepLabv3+模型获取马铃薯幼苗的形态边界,采用图像学的方法识别图像中杂草区域。在轻量化DeepLabv3+模型基础上,AAF激活函数与常见激活函数进行对比试验,平均交并比(mean intersection over Union,mIoU)分别比ReLU6、SiLU、CeLU提升了1.58、1.31、1.99个百分点,平均像素识别准确率(mean pixel accuracy,mPA)分别提升了1.47、0.6、1.26个百分点,表现出良好的性能。AAF-DeepLabv3+模型在消融试验和与其他常见语义分割模型对比中,表现出了显著的性能优势,mIoU和m PA分别为90.82%和95.56%,比原始DeepLabv3+模型提升了1.07和1.15个百分点,帧率为69.21帧/s,比原始模型提高了30.77帧/s,模型大小为22.56 MB,比原始模型降低了185.96 MB。结果表明在同一试验环境下,该模型整体性能优于UNet、PSPNet、HrNet、DeepLabv3、FCN等主流的语义分割网络模型。该杂草识别方法不仅降低了前期图片标注工作量,还有效地解决了杂草与农作物目标交叠且杂草种类繁多带来的识别难题,为移动端设备进行农田杂草识别及研制智能化除草装置提供了技术参考。
关键词
马铃薯幼苗
杂草识别
语义分割
激活函数
AAF-DeepLabv3+
Keywords
potato seedlings
weed identification
semantic segmentation
activation function
AAF-DeepLabv3+
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
S451.1 [农业科学—植物保护]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于改进DeepLabv3+的马铃薯幼苗与杂草识别方法
祝诗平
林曦
冯川
周杰
李博鑫
《农业工程学报》
北大核心
2025
2
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
