基于Mask R-CNN农田杂草实例分割与叶龄识别方法

• 作者: 权龙哲 吴冰 毛首人
• 来源期刊: 东北农业大学学报
• 关键词: 叶龄 分割 Mask R-CNN 机器视觉
• 年，卷（期）: 2021,（4）
• 所属期刊栏目: 研究报告|Research Report
• 页码范围: 65-76
• 页数: 12页
• 分类号: TP391.4|S451
• 语种: 中文
• DOI: 10.3969/j.issn.1005-9369.2021.04.008

摘要

为在田间复杂环境中实现对杂草和玉米植株准确实例分割和叶龄识别获取,提出一种基于改进掩码区域卷积神经网络(Mask Regions with convolutional neural network features,Mask R-CNN)的植物叶龄获取方法.具体实施为构建包含不同天气(晴天、阴天、雨后)和不同采集角度(俯视、30°斜视、45°斜视)数据集,增强数据并用作网络输入.通过更换3个特征提取网络(ResNet-50、ResNet-101、MobileNetv2)、搭建多种不同尺寸区域建议框、非极大值抑制法(Non-maximum suppression,NMS)更换为Soft-NMS算法、RoIAlign代替RoI Pooling方法提高模型精度.测试田间复杂环境下杂草和玉米图像.结果表明,以ResNet-101为特征提取网络的改进深度学习模型具有良好分割性能和鲁棒性,阴天检测精度高于晴天和雨后,30°斜视检测效果优于45°斜视和俯视.分割模型AP50为0.730,高于现有DeepMask、MNC、Mask R-CNN分割模型精度,表明该方法可提高对杂草和玉米植株的实例分割和叶龄识别精度.