基于语义分割的作物垄间导航路径识别

摘要：

针对目前农作物垄间导航路径识别目前存在准确性、实时性差、通用性弱及深度学习模型解释困难等问题,该研究在Unet模型的基础上进行剪枝与优化,提出了保留Unet模型特征跳跃连接优势的Fast-Unet模型,并以模型所识别的导航路径为基础,通过最小二乘法回归生成垄间导航线与偏航角.该研究首先在棉花垄间导航路径数据集上进行模型训练,随后将训练的模型迁移至玉米、甘蔗等小样本数据集进行导航路径识别,通过使用梯度加权类激活映射法对模型识别过程与迁移学习过程进行解释,对各模型识别结果进行可视化对比.Fast-Unet模型对棉花、玉米、甘蔗导航路径提取精度指标平均交并比分别为0.791、0.881和0.940.模型推理速度为Unet的6.48倍,在单核CPU上处理RGB图像的推理速度为64.67帧/s,满足农作物导航路径识别的实时性需求.研究结果可为田间智能农业装备的导航设备研制提供技术与理论基础.

关键词：图像处理;导航;路径识别;语义分割;迁移学习;深度学习

所属期刊栏目：37

分类号：S24(农业电气化与自动化)

资助基金：国家重点研发计划2017YFD0700901

在线出版日期：2021-12-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：179-186