基于分组注意力模块的实时农作物病害叶片语义分割模型

• Published in: 农业工程学报 Vol. 37; no. 4; pp. 208 - 215
• Main Authors: 钟昌源, 胡泽林, 李淼, 李华龙, 杨选将, 刘飞
• Format: Journal Article
• Language: Chinese
• Published: 浙江大学生物系统工程与食品科学学院 杭州 310058 15.02.2021; 中国科学院合肥物质科学研究院智能机械研究所,合肥 230031; 中国科学技术大学研究生院科学岛分院,合肥 230026%中国科学院合肥物质科学研究院智能机械研究所,合肥 230031%浙江大学华南工业技术研究院,广州 510700
• Subjects: 病害; 迁移学习; 语义分割; 注意力模块; 图像识别; 模型
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.2021.04.025

TP391.4%S431.9; 针对传统农作物病害识别方法准确率低、鲁棒性差等问题,该研究首先提出一种基于分组激活策略的分组注意力模块,利用高阶特征指导加强低阶特征,通过分组计算组内加强系数,减少不同组之间的抑制作用,加强特征表达能力.对比试验表明,分组注意力模块特征强化效果优于传统注意力模块.基于分组注意力模块,该研究提出一种实时高效农作物病害叶片语义分割模型,该模型融合了编码-解码语义分割模型和多流语义分割模型的优点.采用ResNet18模型作为特征提取网络对农作物病害叶片的语义分割像素精度达到93.9％,平均交并比达到78.6％.在单张NVIDIA GTX1080Ti显卡的硬件环境下,输入分辨率为900×600像素的图片,该模型运行速度达到每秒130.1帧,满足实时农作物病害叶片语义分割需求,为现代农业病害识别、自动施肥和精准灌溉等应用提供参考.