基于改进DeepLabV3+的玉米杂草密度提取方法研究

摘要

针对丘陵山区复杂田间环境下玉米杂草视觉特征多变、传统分割模型精度不足且难以兼顾轻量化与实时性的问题，本研究提出一种改进DeepLabV3+语义分割模型，用于实现高精度的杂草识别与密度提取。该方法以轻量化的MobileNetV2网络替换原Xception骨干网络；设计融合通道注意力机制（Squeeze-and-Excitation networks,SE-Net）与自适应激活函数（Meta-ACONC）的SEMA-ASPP模块，替换原始空洞空间金字塔模块（Atrous Spatial Pyramid Pooling,ASPP）中的ReLU激活函数，以增强多尺度特征提取与模型泛化能力；在解码器中引入高效局部注意力机制（Efficient Local Attention,ELA），以优化杂草边缘分割效果；同时，采用交叉熵损失和Dice系数损失的组合策略，有效解决数据集中目标区域和背景区域之间不平衡的问题。试验结果表明：1)改进模型在保持高分割精度的同时显著提升了计算效率，其平均交并比（mIoU）和平均像素精度（mPA）分别为92.72%和95.05%，较原始DeepLabV3+提升3.22和2.95个百分点；2)模型计算量与参数量仅为51.84 GFLOPS和5.89×10～6，分别是原模型的31.04%与10.77%，在GPU上的推理速度达120.51帧/s;3)与DeepLabV3+、Segformer、PSPNet、U-Net及HRNet等主流模型相比，本模型在保持较高分割精度的同时，具备更低的计算成本和更快的推理速度。基于分割结果进一步采用滑窗扫描算法提取杂草密度，预测值与真实值线性回归的决定系数R²达0.981，验证了模型的可靠性。本模型在精度、效率与轻量化间取得了良好平衡，可为精准农业中的变量喷药提供技术支持。

关键词

玉米杂草 / 密度提取 / 语义分割 / DeepLabV3+ / 轻量化模型 / 注意力机制