基于改进语义分割网络的落叶松电阻率层析成像的图像心材区域识别

摘要

针对落叶松活立木心材精准识别难题，提出一种基于电阻断层成像（electrical resistivity tomography,ERT）的智能分割方法。通过对比分析落叶松样本ERT图像与物理切面，发现心边材的交界区域电阻变化率达90%～94%。根据该阈值范围，建立落叶松活立木心材ERT图像分割标注准则。由于ERT图像获取困难，构建Mini-200小样本和Mids-3200大样本2个数据集，通过小训练集快速适应分割任务，结合大训练集提升模型鲁棒性、减少过拟合。提出改进的语义分割网络（DeepLabv3+）模型，通过引入ResNet101、混合注意力机制（convolutional block attention module,CBAM）与特征强化模块（data communication module,DCM）优化其特征提取能力。消融试验表明，在Mini-200数据集上，改进模型准确率（accuracy,A）、精确率（precision,P）、交并比（intersection over union,IoU）、平均交并比（mean intersection over union,mIoU）和Dice损失函数5个评价指标较基础模型提升0.14%～0.44%；在Mids-3200数据集上，改进后的DeepLabv3+模型分割性能最优，与原模型相比，心材的像素准确率（pixel accuracy,PA）和IoU分别提高了0.32%和2.45%，类别像素准确率（class pixel accuray,CPA）、mIoU和Dice系数分别提高0.47%、2.13%、0.25%,IoU达98.80%，证明改进模型用于落叶松ERT图像心材分割的效果良好。

关键词

落叶松 / 心材 / ERT / DeepLabv3+ / 混合注意力