10.11975/j.issn.1002-6819.2020.10.021
基于U-Net模型的含杂水稻籽粒图像分割
含杂率是水稻联合收获机的重要收获性能指标之一,作业过程中收获籽粒掺杂的杂质包含作物的枝梗和茎秆等,为了探索籽粒含杂率和机器作业参数之间的关联,需要实时获取籽粒含杂率数据.该文基于机器视觉的 U-Net 模型对联合收获机水稻收获籽粒图像进行分割,针对传统分割算法中存在运算量大、耗时多、图像过分割严重和分割参数依赖人为经验难以应对各种复杂谷物图像等问题,采用深度学习模型多次训练学习各分割类别的像素级图像特征,提出基于U-Net 深度学习模型的收获水稻籽粒图像中谷物、枝梗和茎秆的分割方法,采用改进的 U-Net 网络增加网络深度并加入Batch Normalization层,在小数据集上获得更丰富的语义信息,解决图像训练数据匮乏和训练过拟合问题.选取田间试验采集的50张收获水稻籽粒图像,采用Labelme方式进行标注和增强数据,裁剪1 000张256像素×256像素小样本,其中700张作为训练集,300张作为验证集,建立基于改进U-Net网络的收获水稻籽粒图像分割模型.采用综合评价指标衡量模型的分割准确度,对随机选取的60张8位RGB图像进行验证.试验结果证明,水稻籽粒的分割综合评价指标值为99.42%,枝梗的分割综合评价指标值为88.56%,茎秆的分割综合评价指标值为86.84%.本文提出的基于U-Net模型的收获水稻籽粒图像分割算法能够有效分割水稻籽粒图像中出现的谷物、枝梗和茎秆,时性更强、准确度更高,可为后续收获水稻籽粒图像的进一步识别处理提供技术支撑,为水稻联合收获机含杂率实时监测系统设计提供算法参考.
图像处理、水稻、杂质、U-Net网络模型
36
S147.2(肥料学)
国家重点研发计划重点专项;江苏省重点研发项目;江苏省研究生科研与实践创新计划
2020-07-14(万方平台首次上网日期,不代表论文的发表时间)
共7页
174-180