基于移位窗口Transformer网络的玉米田间场景下杂草识别

TP274%TP391.41; 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...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 38; no. 15; pp. 133 - 142
Main Authors 王璨, 武新慧, 张燕青, 王文俊
Format Journal Article
LanguageChinese
Published 山西农业大学农业工程学院,太谷 030801 01.08.2022
Subjects
目标识别
图像分割
杂草识别
语义分割
玉米
作物
Online AccessGet full text

Cover

More Information
Summary:TP274%TP391.41; 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.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.2022.15.014