基于改进ENet的复杂背景下山药叶片图像分割方法OACSTPCD

[目的/意义]作物叶面积是反映光合作用效率和生长状况的重要指标,建立一个品种丰富的山药图像数据集并提出一种基于深度学习的山药叶片图像分割方法,可以用于实时测定山药叶片面积,解决传统测量效率低的问题。[方法]基于改进ENet的轻量化分割网络,在ENet的基础上,裁剪掉第3阶段,减少模型中的冗余计算;将瓶颈结构里面的常规卷积用PConv替换,构成P-Bottleneck,减少模型参数量,加快推理速度;改进上采样模块中的转置卷积为双线性插值,提升模型分割精度,减少参数量;最后在模型编码阶段加入CA注意力机制模块,强化对叶片边缘语义特征的提取能力。训练时使用Adam优化器,根据历史梯度信息自适应地调节学习率,加速收敛过程,提高模型的泛化能力。[结果和讨论]改进的模型在包含40个品种的山药室内图像数据集和室外数据集上进行实验,平均交并比和均像素精度分别达到98.61%和99.32%,模型参数量下降51%,浮点运算量下降49%,并且网络运算速度提高38%。与原始模型相比,在保证分割精度的同时显著降低网络的参数量和浮点运算量,提升运行速度,减少资源占用,使其更加适合应用到农业监测设备。[结论]改进算法能够精准快速地分割山药叶片,为复杂背景下山药叶片面积的研究提供了参考依据。