基于改进空洞卷积神经网络的丘陵山区田间道路场景识别

摘要：

基于机器视觉的自主导航是智能农业机械的主要导航方式之一.丘陵山区复杂的田间道路场景,使得智能农机在田间道路上的自主导航与避障存在较大的困难.该文根据丘陵山区田间道路图像特征,将田间道路场景对象分为背景、道路、行人、植被、天空、建筑、牲畜、障碍、水塘、土壤和杆等11类,构建了基于空洞卷积神经网络的田间道路场景图像语义分割模型.该模型包括前端模块和上下文模块,前端模块为VGG-16融合空洞卷积的改进结构,上下文模块为不同膨胀系数空洞卷积层的级联,采用两阶段训练方法进行训练.利用CAFFE深度学习框架将改进的网络模型与经典的FCN-8s网络模型进行了对比测试,并进行了道路阴影的适应性测试.语义分割测试结果表明:Front-end+Large网络的统计像素准确率、类别平均准确率以及平均区域重合度都最高,而FCN-8s网络最低;Front-end+Large网络在无阴影道路训练集和有阴影道路训练集上的平均区域重合度分别为73.4％和73.2％,对阴影干扰有良好的适应性.该文实现了丘陵山区田间道路场景像素级的预测,能为智能农业机械在田间道路上基于机器视觉的自主导航和避障奠定基础.

关键词：农机、导航、机器视觉、田间道路、场景识别、语义分割、空洞卷积神经网络

所属期刊栏目：35

分类号：TP183(自动化基础理论)

资助基金：贵州省科技支撑计划项目[2019]2384

在线出版日期：2019-06-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：150-159