一种基于深度学习的端到端生菜无损鲜重估测模型的建立

摘要

[目的]为解决生菜分类、分割和鲜重估测独立处理，增加时间成本的问题，本文提出一种端到端的生菜无损鲜重估测模型——LettuceNet。[方法]LettuceNet模型通过分析俯视图像估测生菜鲜重。LettuceNet结合Swin Transformer-Tiny（Swin-T）和UPerNet,有效提取生菜冠层图像的特征。模型设计了基于K-Net的用于语义分割的分割头部网络以及用于鲜重估测的回归头部网络。回归头部网络融合利用Swin-T的特征与分割头部网络的结果，用于生菜的分类和冠层面积统计，使LettuceNet能够同时高效处理语义分割和鲜重估测任务。[结果]2个数据集的试验结果表明，LettuceNet语义分割任务中，其平均像素准确度（MPA）分别为98.01%和98.75%,而平均交并比（MIoU）分别为96.02%和97.63%;在鲜重预测方面，决定系数R²分别为0.898和0.919,均方根误差（RMSE）分别为0.865和30.814 g,平均绝对百分比误差（MAPE）分别为1.894%和18.194%。[结论]通过输入生菜冠层图像，LettuceNet能够实时且无损完成生菜的分类、分割与鲜重估测，能够快速对生菜的生长情况进行定量分析，为植物工厂的智能管控提供数据支持。

关键词

生菜 / 无损检测 / 语义分割 / 鲜重估测 / 深度学习