典型文献
基于DBSE-Net的大田稻穗图像分割
文献摘要：
稻穗精准分割是准确估测水稻产量的关键.为实现大田环境下不同品种与生育期稻穗的准确分割,该研究提出了基于注意力机制的稻穗分割网络(Double Branch Squeeze-and-Excitation Network,DBSE-Net).首先,提出一个双分支压缩与激励(Double Branch Squeeze-and-Excitation,DBSE)注意力模块,通过同时使用全局平均池化(Global Average Pooling,GAP)和全局最大池化(Global Max Pooling,GMP)编码输入特征的通道信息,以实现更精准的通道注意力推断.然后,为了强化稻穗特征并抑制背景区域特征,将DBSE模块添加到编码-解码分割框架中构建DBSE-Net分割网络.最后,在自采集的稻穗图像数据集上进行分割性能测试,DBSE-Net对稻穗分割的像素准确率、平均交并比和F1分数分别达到了94.32％、87.59％和91.86％,比次优模型DeepLabv3+的结果分别高出1.61、2.56和1.20个百分点,在单张256×256(像素)图像上耗时0.03 s,是DeepLabv3+分割速度的5.3倍.在公开的稻穗图像数据集上进行泛化性能测试,DBSE-Net能够有效分割出稻穗区域.该研究结果表明,DBSE-Net能够对不同品种与生育期稻穗实现高效精准分割,具有良好的泛化性,可以为水稻产量评估提供参考.
文献关键词：
模型;图像分割;卷积神经网络;稻穗;编码-解码结构;注意力机制
中图分类号：
作者姓名：
宋余庆;杨东川;徐立章;刘哲
作者机构：
江苏大学计算机科学与通信工程学院,镇江 212013;江苏大学农业工程学院,镇江 212013
文献出处：
引用格式：
[1]宋余庆;杨东川;徐立章;刘哲-.基于DBSE-Net的大田稻穗图像分割)[J].农业工程学报,2022(13):202-209
A类：
DBSE
B类：
大田,稻穗,图像分割,估测,水稻产量,不同品种,生育期,注意力机制,分割网络,Double,Branch,Squeeze,Excitation,Network,一个双,双分支,注意力模块,全局平均池化,Global,Average,Pooling,GAP,最大池化,Max,GMP,输入特征,通道注意力,背景区域,区域特征,解码,图像数据集,像素,平均交并比,次优,DeepLabv3+,百分点,单张,泛化性能,割出,产量评估
AB值：
0.311034
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
