典型文献
基于移位窗口Transformer网络的玉米田间场景下杂草识别
文献摘要：
针对实际复杂田间场景中作物与杂草识别准确性与实时性差,易受交叠遮挡影响,像素级数据标注难以大量获取等问题,该研究提出基于移位窗口Transformer网络(Shifted Window Transformer,Swin Transformer)的高效识别方法,在实现作物语义分割的基础上快速分割杂草.首先建立玉米语义分割模型,引入Swin Transformer主干并采用统一感知解析网络作为其高效语义分割框架;改进Swin Transformer主干调整网络参数,生成4种改进模型,通过精度与速度的综合对比分析确定最佳模型结构;基于玉米形态分割,建立改进的图像形态学处理组合算法,实时识别并分割全部杂草区域.测试结果表明,该研究4种改进模型中,Swin-Tiny-UN达到最佳精度-速度平衡,平均交并比为94.83％、平均像素准确率为97.18％,推理速度为18.94帧/s.对于模拟实际应用的视频数据,平均正确检测率为95.04％,平均每帧检测时间为5.51?10-2s.该方法有效实现了玉米与杂草的实时准确识别与精细分割,可为智能除草装备的研发提供理论参考.
文献关键词：
作物;目标识别;图像分割;语义分割;玉米;杂草识别
中图分类号：
作者姓名：
王璨;武新慧;张燕青;王文俊
作者机构：
山西农业大学农业工程学院,太谷 030801
文献出处：
引用格式：
[1]王璨;武新慧;张燕青;王文俊-.基于移位窗口Transformer网络的玉米田间场景下杂草识别)[J].农业工程学报,2022(15):133-142
A类：
田间场景,Shifted,除草装备
B类：
移位,Transformer,玉米田,杂草识别,针对实际,交叠,遮挡,像素级,数据标注,Window,Swin,物语,语义分割,快速分割,分割模型,解析网络,网络参数,改进模型,综合对比,模型结构,图像形态学,形态学处理,组合算法,实时识别,Tiny,UN,达到最佳,平均交并比,推理速度,模拟实际,视频数据,检测率,帧检测,检测时间,2s,准确识别,精细分割,目标识别,图像分割
AB值：
0.397786
相似文献
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。
