基于改进DeepLabv3+的轻量化作物杂草识别方法

摘要

为在存储资源与计算能力有限的设备上实现田间作物和杂草的识别，本文提出一种基于改进DeepLabv3+的轻量化语义分割网络。首先，以MobileNet v2作为DeepLabv3+的特征提取骨干网络，提出双分支残差模块替换倒残差模块，并删除后两层卷积以降低模型参数量。其次，在空洞空间金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)模块中引入分组逐点卷积，使用深度扩张卷积替换标准卷积，并将卷积后的特征图进行多尺度特征融合增强对作物和杂草深层特征的提取能力。最后，将原有的非线性激活函数替换为Leaky ReLU激活函数来提升分割精度。实验结果表明：改进后网络的mIOU达到86.75%,参数量仅为0.69M,FPS达到了98,与原始DeepLabv3+以及3个典型轻量化语义分割网络的相比，参数量最小，在对比的轻量化网络中具有最高的分割精度。

关键词

作物和杂草识别 / 轻量化 / 语义分割 / DeepLabv3+ / MobileNet v2 / 多尺度特征融合