基于改進(jìn)的DeepLabV3+網(wǎng)絡(luò)模型的雜交水稻育種父母本語義分割研究

溫佳，梁喜鳳*，王永維

（1.中國計(jì)量大學(xué)機(jī)電工程學(xué)院，浙江 杭州 310018；2.浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院，浙江 杭州 310058）

在雜交水稻種子的生產(chǎn)環(huán)節(jié)中，雜交水稻制種時(shí)的高效授粉不可或缺，而雜交水稻授粉花期短，種植規(guī)模大，要在短時(shí)間內(nèi)完成大面積授粉，對(duì)于勞動(dòng)力的要求較高。雜交水稻制種授粉機(jī)器人能有效解決勞動(dòng)力短缺和雜交水稻種植規(guī)模大的問題，提高授粉效率，其作用方式為在水稻父本上方駛過，將父本花粉吹向兩側(cè)水稻母本，因此，在雜交水稻制種階段，精確識(shí)別和區(qū)分水稻父母本尤為重要。由于雜交水稻制種中水稻父本與母本的顏色和紋理較為相近，給傳統(tǒng)的圖像處理方法帶來一定困難，使得傳統(tǒng)方法不適于對(duì)此類顏色、紋理差別較小的作物進(jìn)行區(qū)分。因此，研究使用深度學(xué)習(xí)方法對(duì)雜交水稻制種授粉階段的父本與母本進(jìn)行區(qū)分十分重要。

目前，國內(nèi)外學(xué)者針對(duì)水果及其他農(nóng)作物特征的識(shí)別和提取方法主要有傳統(tǒng)圖像處理、深度學(xué)習(xí)方法等。傳統(tǒng)的水果及其他農(nóng)作物的分割方法實(shí)現(xiàn)過程需要極為復(fù)雜的圖像預(yù)處理[1-2]或交互[3]，通常采用閾值分割算法[4]和邊緣檢測(cè)算法[5]對(duì)圖像進(jìn)行區(qū)分和提取，但是這些算法僅適合用于特征明顯、背景較為簡單的情況。在雜交水稻制種授粉階段，水稻父母本顏色、紋理區(qū)別不大，傳統(tǒng)的檢測(cè)算法難以進(jìn)行特征提取，而基于深度學(xué)習(xí)的算法能對(duì)這種顏色、紋理差別較小的農(nóng)作物實(shí)現(xiàn)自動(dòng)化分割[6]，提高圖像分割的精確性。陳進(jìn)等[7]使用層數(shù)更深的U-Net 模型進(jìn)行水稻籽粒圖像分割，加快了網(wǎng)絡(luò)的收斂速度，提高了網(wǎng)絡(luò)的泛化能力。胡春華等[8]基于SegNet 與三維點(diǎn)云聚類方法對(duì)大田楊樹苗葉片進(jìn)行分割，提高了分割精度。王俊強(qiáng)等[9]將DeepLabV3+與條件隨機(jī)場(chǎng)（conditional random field, CRF）結(jié)合使遙感影像邊界更加清晰。慕濤陽等[10]將卷積注意力機(jī)制嵌入DeepLabV3+網(wǎng)絡(luò)結(jié)構(gòu)，減少了無關(guān)特征對(duì)識(shí)別精度的影響。LI 等[11]使用OCRNet聯(lián)合融合技術(shù)對(duì)跨域建筑屋頂進(jìn)行分割，提高了分割效果。除此之外，基于深度學(xué)習(xí)的語義分割還廣泛應(yīng)用于醫(yī)學(xué)[12-13]、橋梁[14]、交通[15]、遙感數(shù)據(jù)[16]等各方面，但是在農(nóng)田雜交水稻父母本的分割上應(yīng)用較少。部分網(wǎng)絡(luò)針對(duì)高分辨率的圖片特征丟失較多，細(xì)節(jié)恢復(fù)方面還存在較多問題，針對(duì)數(shù)據(jù)集較小的樣本無法滿足精確性和預(yù)測(cè)速度的要求。

本研究提出了一種改進(jìn)的DeepLabV3+語義分割模型，為實(shí)現(xiàn)精度高、模型訓(xùn)練快的雜交水稻父母本分割，將較低層次信息和較高層次信息初步融合作為原低層次信息的輸入，使得網(wǎng)絡(luò)獲得更加密集的信息，增強(qiáng)網(wǎng)絡(luò)對(duì)于細(xì)節(jié)的提取能力，從而達(dá)到預(yù)期目的并取得分割結(jié)果提供模型支撐，也為早期雜交水稻制種授粉機(jī)器人對(duì)水稻父本中心線的路徑提取提供依據(jù)。

1 數(shù)據(jù)采集及預(yù)處理

1.1 圖像數(shù)據(jù)采集

實(shí)驗(yàn)數(shù)據(jù)采集日期為2021 年9 月13 日（晴天）和2021年9月15日（陰天），圖像采集地點(diǎn)為浙江省嘉興市海寧市雜交水稻育種試驗(yàn)田基地和當(dāng)?shù)剞r(nóng)民種植田地，采樣實(shí)驗(yàn)數(shù)據(jù)有一定差異，有利于增強(qiáng)訓(xùn)練網(wǎng)絡(luò)的魯棒性和測(cè)試難度。圖像采集設(shè)備為華為Mate 20 Pro 手機(jī)，采集3 648 像素×2 736 像素的圖像，共730張。

1.2 圖像數(shù)據(jù)增強(qiáng)

為獲得雜交水稻制種授粉階段大量父母本的訓(xùn)練數(shù)據(jù)樣本，可通過圖像數(shù)據(jù)增強(qiáng)預(yù)處理的方法，對(duì)圖像進(jìn)行水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)、縮放等一系列處理，獲得原始數(shù)據(jù)量數(shù)倍的數(shù)據(jù)量。本實(shí)驗(yàn)對(duì)圖像進(jìn)行垂直翻轉(zhuǎn)和水平翻轉(zhuǎn)處理，圖像數(shù)據(jù)增強(qiáng)后結(jié)果如圖1所示，共獲得原始數(shù)據(jù)量3倍的數(shù)據(jù)量，即2 190張水稻圖像。

圖1 晴天和陰天的水稻樣本處理圖像Fig.1 Images of rice sample treatments on sunny and cloudy days

1.3 圖像標(biāo)注

為訓(xùn)練網(wǎng)絡(luò)對(duì)水稻制種授粉階段的父本與母本進(jìn)行區(qū)分，需要對(duì)數(shù)據(jù)增強(qiáng)后圖像進(jìn)行圖像標(biāo)注，圖像標(biāo)注也是極為重要的一步，標(biāo)注的精確程度影響后續(xù)的圖片預(yù)測(cè)。本實(shí)驗(yàn)使用開源工具Labelme軟件對(duì)圖像進(jìn)行標(biāo)注，結(jié)果如圖2所示。對(duì)圖像標(biāo)注后的文件格式為JSON 格式，將其轉(zhuǎn)化為PASCAL VOC格式后進(jìn)行后續(xù)訓(xùn)練操作。

圖2 使用Labelme軟件進(jìn)行圖像標(biāo)注Fig.2 Image labeling via Labelme software

2 網(wǎng)絡(luò)結(jié)構(gòu)模型

DeepLabV3+語義分割網(wǎng)絡(luò)模型[17]是由原DeepLabV3 網(wǎng)絡(luò)模型[18]改進(jìn)而來的，將整體網(wǎng)絡(luò)分為編碼結(jié)構(gòu)和解碼結(jié)構(gòu)2 大模塊，即采用空洞空間金字塔池化（atrous spatial pyramid pooling, ASPP）模塊和解碼模塊二合一的方式實(shí)現(xiàn)語義分割，添加一個(gè)解碼模塊能細(xì)化分割結(jié)果，尤其是沿著目標(biāo)對(duì)象邊界的分割結(jié)果，其主干網(wǎng)絡(luò)為Xception網(wǎng)絡(luò)模塊。

考慮到網(wǎng)絡(luò)結(jié)構(gòu)的實(shí)時(shí)性和易部署性，將原模型DeepLabV3+_Xception 主干網(wǎng)絡(luò)的Xception網(wǎng)絡(luò)模塊替換為MobileNetV2，但DeepLabV3+_MobileNetV2 模型中MobileNetV2網(wǎng)絡(luò)模塊的低層特征提取結(jié)構(gòu)過于簡單，對(duì)于輕量化的MobileNetV2網(wǎng)絡(luò)結(jié)構(gòu)特征提取效果甚微。為提高網(wǎng)絡(luò)特征提取效果，本研究又提出一種聯(lián)系較為緊密的低層特征分級(jí)提取方法，如圖3所示，將MobileNetV2網(wǎng)絡(luò)結(jié)構(gòu)中較低層次和較高層次的分級(jí)特征先提取出來，針對(duì)特征圖像不同的高、寬、通道數(shù)進(jìn)行不同的卷積和上采樣處理，然后將不同層次的信息進(jìn)行第1 次融合，以提升MobileNetV2 網(wǎng)絡(luò)結(jié)構(gòu)的特征提取能力，為第2次與ASPP模塊處理后的特征信息融合做準(zhǔn)備。

圖3 改進(jìn)的DeepLabV3+網(wǎng)絡(luò)模型結(jié)構(gòu)圖Fig.3 Structure chart of improved DeepLabV3+ network model

由圖3可知，改進(jìn)的DeepLabV3+網(wǎng)絡(luò)模型編碼結(jié)構(gòu)主要是由主干網(wǎng)絡(luò)和ASPP 模塊組成，主干網(wǎng)絡(luò)選用輕量化網(wǎng)絡(luò)結(jié)構(gòu)MobileNetV2，ASPP模塊包含1 個(gè)1×1 卷積分支、3 個(gè)3×3 空洞卷積分支和1 個(gè)全局池化層的分支，其中，3個(gè)3×3空洞卷積分支通過使用不同的膨脹率（分別為6、12、18）構(gòu)建不同感受野的卷積核，在分辨率損失較小的情況下，獲得多尺度的物體信息，使得圖像中不同尺寸的物體都能得到較好的信息提取效果。首先將各個(gè)分支的特征信息用1×1 卷積層進(jìn)行融合，得到新的高層次的特征信息，然后在解碼結(jié)構(gòu)部分上采樣，還原至與低層次分級(jí)特征信息有著相同高和寬的特征尺度，與從主干網(wǎng)絡(luò)所引出的低層次分級(jí)特征信息進(jìn)行融合，再使用3×3 卷積細(xì)化特征層，最后使用雙線性插值法4 倍上采樣使圖像大小恢復(fù)至輸入圖像的原始尺寸。其中MobileNetV2 網(wǎng)絡(luò)模塊采用倒殘差結(jié)構(gòu)（inverted residual structure），即先使用1×1 卷積升維，然后使用3×3 深度卷積（depthwise convolution）提取特征信息，最后使用1×1 卷積降維，這樣的處理能使高維信息通過ReLU 激活函數(shù)后丟失的信息更少，倒殘差結(jié)構(gòu)有步距（stride,s）為1和2的2種結(jié)構(gòu)，如圖4所示。

圖4 MobileNetV2網(wǎng)絡(luò)模塊的倒殘差結(jié)構(gòu)Fig.4 Inverted residual structure of MobileNetV2 network module

MobileNetV2 網(wǎng)絡(luò)模塊操作步驟如表1 所示，c為輸出特征矩陣的通道數(shù)（channel），n為瓶頸層（bottleneck）的重復(fù)次數(shù)，即倒殘差結(jié)構(gòu)的重復(fù)次數(shù)。操作流程分為8 步，第1 步將原圖進(jìn)行卷積操作，步距為2；第2—8 步進(jìn)行瓶頸層操作，重復(fù)次數(shù)分別為1、2、3、4、3、3、1，在重復(fù)次數(shù)大于1的瓶頸層操作中，步距只針對(duì)瓶頸層的第1層，后續(xù)重復(fù)瓶頸層的步距均為1。

表1 MobileNetV2網(wǎng)絡(luò)模塊整體操作步驟Table 1 Overall operation steps of MobileNetV2 network module

3 評(píng)估指標(biāo)

評(píng)估指標(biāo)用于評(píng)價(jià)語義分割模型的檢測(cè)精度，是衡量語義分割模型是否適用的重要指標(biāo)，常見的評(píng)估指標(biāo)有平均像素準(zhǔn)確率（mean pixel accuracy, mPA）、精確率（precision）、平均交并比（mean intersection over union, mIoU）和召回率（recall），上述指標(biāo)都是建立在混淆矩陣（confusion matrix）[19]的基礎(chǔ)之上的。

混淆矩陣就是統(tǒng)計(jì)分類模型的分類結(jié)果。真正例（true positive, TP），樣本的真實(shí)類別是正樣本，并且模型識(shí)別的結(jié)果也是正樣本；假負(fù)例（false negative, FN），樣本的真實(shí)類別是正樣本，但是模型將其識(shí)別為負(fù)樣本；假正例（false positive, FP），樣本的真實(shí)類別是負(fù)樣本，但是模型將其識(shí)別為正樣本；真負(fù)例（true negative, TN），樣本的真實(shí)類別是負(fù)樣本，并且模型將其識(shí)別為負(fù)樣本[20-21]。

精確率又稱查準(zhǔn)率，表示在模型識(shí)別為正樣本的所有樣本中真實(shí)類別為正樣本的占比。精確率計(jì)算公式如下：

召回率又稱查全率，表示模型正確識(shí)別為正樣本的數(shù)量與真實(shí)類別為正樣本的總體數(shù)量的比值。一般情況下，召回率越高，說明有更多的正樣本被模型正確預(yù)測(cè)，模型的效果越好。召回率計(jì)算公式如下：

召回率=TP/(TP+FN)×100%.（2）

像素準(zhǔn)確率（pixel accuracy, PA）指每個(gè)類別下預(yù)測(cè)正確的像素?cái)?shù)量與該類別像素總數(shù)的比值，mPA是所有類別PA的平均值，計(jì)算公式如下：

式中：pii、pij分別表示類別i被預(yù)測(cè)為類別i、類別j的像素個(gè)數(shù)；k表示不包括背景的類別數(shù)。

mIoU 是分割任務(wù)的標(biāo)準(zhǔn)指標(biāo)。交并比（intersection over union, IoU）指目標(biāo)掩膜與預(yù)測(cè)掩膜公共區(qū)域的像素個(gè)數(shù)與兩者總像素個(gè)數(shù)的比值。mIoU是所有類別IoU的平均值，計(jì)算公式如下：

式中：pii、pij分別表示類別i被預(yù)測(cè)為類別i、類別j的像素個(gè)數(shù)；k表示不包括背景的類別數(shù)。

4 模型訓(xùn)練與實(shí)驗(yàn)結(jié)果分析

4.1 模型訓(xùn)練

本實(shí)驗(yàn)環(huán)境的配置為Windows 10 操作系統(tǒng)、Intel(R)Core(TM)i7-10875H@2.30 GHz×16 線程中央處理器（central processing unit, CPU）、16 GB 隨機(jī)存儲(chǔ)器（random access memory, RAM）、NVIDIA GeForce RTX 2060顯卡和Pytorch深度學(xué)習(xí)框架。

將收集的2 190張圖像分為訓(xùn)練集（60%）、驗(yàn)證集（20%）、測(cè)試集（20%）。采用隨機(jī)梯度下降法進(jìn)行優(yōu)化，初始學(xué)習(xí)率設(shè)置為0.000 1，每個(gè)步驟都進(jìn)行優(yōu)化，動(dòng)量因子設(shè)置為0.9，訓(xùn)練批大小設(shè)置為4，輪次設(shè)置為500，具體參數(shù)如表2所示。

表2 DeepLabV3+網(wǎng)絡(luò)模型訓(xùn)練參數(shù)設(shè)置Table 2 Train parameter setting of DeepLabV3+ network model

由于使用了遷移學(xué)習(xí)的預(yù)訓(xùn)練模型，因此訓(xùn)練損失能快速收斂到較小的數(shù)值。改進(jìn)的DeepLabV3+網(wǎng)絡(luò)模型的損失曲線如圖5 所示，通過觀察發(fā)現(xiàn)驗(yàn)證損失值能下降到0.3 左右，訓(xùn)練損失值能下降至0.2 左右，且波動(dòng)較小，說明模型已經(jīng)收斂至穩(wěn)定狀態(tài)，如繼續(xù)訓(xùn)練，損失值的下降幅度很小，此時(shí)可以停止訓(xùn)練。改進(jìn)后DeepLabV3+網(wǎng)絡(luò)模型的mIoU曲線如圖6 所示。從中可知，經(jīng)過500 輪次訓(xùn)練，mIoU可以達(dá)到77.9%。

圖5 改進(jìn)的DeepLabV3+網(wǎng)絡(luò)模型損失曲線Fig.5 Loss curve of improved DeepLabV3+ network model

圖6 改進(jìn)的DeepLabV3+網(wǎng)絡(luò)模型平均交并比曲線Fig.6 mIoU curve of improved DeepLabV3+ network model

4.2 改進(jìn)的網(wǎng)絡(luò)模型與原網(wǎng)絡(luò)模型指標(biāo)數(shù)據(jù)對(duì)比

為驗(yàn)證改進(jìn)的網(wǎng)絡(luò)模型質(zhì)量，對(duì)改進(jìn)后的模型與原模型各項(xiàng)指標(biāo)進(jìn)行對(duì)比實(shí)驗(yàn)。改進(jìn)的DeepLabV3+網(wǎng)絡(luò)模型與原DeepLabV3+網(wǎng)絡(luò)模型的損失曲線、mIoU曲線、多項(xiàng)參數(shù)對(duì)比結(jié)果分別如圖7～9所示。

圖7 改進(jìn)的DeepLabV3+網(wǎng)絡(luò)模型（A）與原DeepLabV3+網(wǎng)絡(luò)模型（B）損失對(duì)比Fig.7 Comparison of loss between the improved DeepLabV3+network model (A) and the original DeepLabV3+network model (B)

從圖7 中可知，在模型訓(xùn)練損失方面，與原DeepLabV3+網(wǎng)絡(luò)模型相比，改進(jìn)的DeepLabV3+網(wǎng)絡(luò)模型損失曲線波動(dòng)較小，更容易收斂；改進(jìn)的DeepLabV3+網(wǎng)絡(luò)模型比原DeepLabV3+網(wǎng)絡(luò)模型的訓(xùn)練損失收斂速度更快，原模型訓(xùn)練損失值最低只能下降到0.3，而改進(jìn)后的模型訓(xùn)練損失值最低能達(dá)到0.2，訓(xùn)練損失值較原模型降低了0.1。

從圖8中可知，將改進(jìn)的DeepLabV3+網(wǎng)絡(luò)模型和原DeepLabV3+網(wǎng)絡(luò)模型mIoU曲線進(jìn)行對(duì)比，原模型（DeepLabV3+_Xception）的mIoU 為75.8%，而改進(jìn)后的模型（DeepLabV3+_MobileNetV2）的mIoU為77.9%，整體增長了2.1個(gè)百分點(diǎn)。并且，改進(jìn)后模型的mIoU曲線收斂速度更快，改進(jìn)的DeepLabV3+網(wǎng)絡(luò)模型的mIoU參數(shù)在50輪次訓(xùn)練時(shí)就能達(dá)到穩(wěn)定，而原DeepLabV3+網(wǎng)絡(luò)模型的mIoU參數(shù)達(dá)到穩(wěn)定需要300輪次訓(xùn)練。

圖8 改進(jìn)的DeepLabV3+網(wǎng)絡(luò)模型與原DeepLabV3+網(wǎng)絡(luò)模型的平均交并比對(duì)比Fig.8 Comparison of mIoU between the improved DeepLabV3+network model and the original DeepLabV3+ network model

mIoU、mPA、平均精確率、平均召回率的具體結(jié)果如圖9 所示。類別_0（class_0）代表背景部分，類別_1（class_1）代表雜交水稻育種父本，類別_2（class_2）代表雜交水稻育種母本，總體（overall）代表總體參數(shù)值。

圖9 改進(jìn)的DeepLabV3+網(wǎng)絡(luò)模型與原DeepLabV3+網(wǎng)絡(luò)模型的多項(xiàng)參數(shù)對(duì)比Fig.9 Comparison of multiple parameters between the improved DeepLabV3+ network model and the original DeepLabV3+network model

由圖9可知，在代表雜交水稻育種父本和母本的類別_1和類別_2方面，改進(jìn)的DeepLabV3+網(wǎng)絡(luò)模型的平均精確率分別高于原DeepLabV3+網(wǎng)絡(luò)模型3個(gè)百分點(diǎn)和1 個(gè)百分點(diǎn)，能達(dá)到88%和86%；改進(jìn)的DeepLabV3+網(wǎng)絡(luò)模型的mIoU 在類別_0、類別_1 和類別_2 方面，分別高于原DeepLabV3+網(wǎng)絡(luò)模型5 個(gè)百分點(diǎn)、1 個(gè)百分點(diǎn)、1 個(gè)百分點(diǎn)，能達(dá)到68%、83%和83%；在總體上，改進(jìn)的DeepLabV3+網(wǎng)絡(luò)模型的mPA和平均召回率均比原DeepLabV3+網(wǎng)絡(luò)模型高出1個(gè)百分點(diǎn)。

分別利用原DeepLabV3+網(wǎng)絡(luò)模型和改進(jìn)的DeepLabV3+網(wǎng)絡(luò)模型進(jìn)行圖片預(yù)測(cè)實(shí)驗(yàn)，2種模型分割雜交水稻育種父母本的比較結(jié)果如圖10所示。從中可知，與原始圖像對(duì)比，2種網(wǎng)絡(luò)模型所訓(xùn)練的mIoU相差約2%，改進(jìn)的DeepLabV3+網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果顯示，圖片在預(yù)測(cè)雜交水稻制種父母本的邊界細(xì)節(jié)上效果更加明顯。原DeepLabV3+網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果（圖10F）顯示，圖像右上角邊界處理較差，與改進(jìn)后網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果（圖10I）對(duì)比發(fā)現(xiàn)，后者對(duì)邊界的處理更加細(xì)致，更加接近所對(duì)應(yīng)的真實(shí)標(biāo)簽圖像結(jié)果。由原DeepLabV3+網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果（圖10E）可知，圖片上端對(duì)于雜交水稻父本的分割處理存在少量錯(cuò)誤，即將背景誤判為雜交水稻父本，其原因在于背景部分的雜草與雜交水稻父本外形較為相近，未經(jīng)改進(jìn)的網(wǎng)絡(luò)在訓(xùn)練樣本較少的情況下，無法對(duì)低層與高層信息建立更加緊密的聯(lián)系，區(qū)分背景的能力較差，導(dǎo)致分割不精確；而與改進(jìn)后網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果（圖10H）對(duì)比可知，后者的分割處理更加準(zhǔn)確，更加接近所對(duì)應(yīng)的真實(shí)標(biāo)簽圖像結(jié)果。

4.3 改進(jìn)的DeepLabV3+網(wǎng)絡(luò)模型與其他網(wǎng)絡(luò)模型對(duì)比

為驗(yàn)證分割的有效性，利用本實(shí)驗(yàn)所建立的數(shù)據(jù)集，將改進(jìn)后的DeepLabV3+網(wǎng)絡(luò)模型與目前主流的分割網(wǎng)絡(luò)模型FCN、U-Net、原DeepLabV3+以及先進(jìn)網(wǎng)絡(luò)模型OCRNet 進(jìn)行對(duì)比，評(píng)估指標(biāo)對(duì)比結(jié)果如表3 所示。結(jié)果顯示，先進(jìn)網(wǎng)絡(luò)模型OCRNet 較主流網(wǎng)絡(luò)模型FCN、U-Net、原DeepLabV3+分割精度更高，本研究中改進(jìn)后的DeepLabV3+網(wǎng)絡(luò)模型在mIoU、mPA、平均召回率、平均精確率上都比其余4 種網(wǎng)絡(luò)模型更加精確，相較于其他網(wǎng)絡(luò)模型更具優(yōu)勢(shì)，分割效果最好。雖然U-Net、FCN 和OCRNet網(wǎng)絡(luò)模型分割效率較高，但是mIoU較低。此外，改進(jìn)后的DeepLabV3+較原DeepLabV3+圖片預(yù)測(cè)用時(shí)更少，即預(yù)測(cè)速度更快。

表3 不同網(wǎng)絡(luò)模型參數(shù)對(duì)比結(jié)果Table 3 Comparison results of parameters of different network models

5 結(jié)論

為提高雜交水稻父母本的分割精度和預(yù)測(cè)效率，本文提出一種基于DeepLabV3+框架改進(jìn)的雜交水稻制種父母本圖像識(shí)別的語義分割模型，將原模型卷積神經(jīng)網(wǎng)絡(luò)中的骨干網(wǎng)絡(luò)部分Xception 網(wǎng)絡(luò)模塊替換為輕量化的MobileNetV2 網(wǎng)絡(luò)模塊，并對(duì)MobileNetV2 網(wǎng)絡(luò)的低層特征提取進(jìn)行改進(jìn)，提出了一種聯(lián)系較為密集的信息提取方法，減少了淺層網(wǎng)絡(luò)信息丟失，提高了圖像的分割精度，也改進(jìn)了深度網(wǎng)絡(luò)模型在移動(dòng)設(shè)備中實(shí)時(shí)性較差的問題。將本研究改進(jìn)的DeepLabV3+網(wǎng)絡(luò)模型與主流網(wǎng)絡(luò)模型FCN、U-Net、原DeepLabV3+以及先進(jìn)網(wǎng)絡(luò)模型OCRNet進(jìn)行對(duì)比，實(shí)驗(yàn)數(shù)據(jù)結(jié)果表明，改進(jìn)后的DeepLabV3+網(wǎng)絡(luò)模型對(duì)于雜交水稻制種父母本的分割效果要優(yōu)于上述主流網(wǎng)絡(luò)模型和先進(jìn)網(wǎng)絡(luò)模型，滿足區(qū)分雜交水稻制種父母本的精度和實(shí)時(shí)性要求。