基于多尺度特征融合和密集连接网络的疏果期黄花梨植株图像分割

摘要

由于自然环境下果蔬植株的果实、枝干和叶片等目标尺度不一、边缘不规则,因此造成其准确分割较为困难.针对该问题,提出1种多尺度特征融合和密集连接网络(Multi-scale feature fusion and dense connection net-works,MDNet)以实现黄花梨疏果期植株图像的准确分割.在研究中借鉴了编码-解码网络,其中编码网络采用DenseNet对多层特征进行复用和融合,以改善信息传递方式;解码网络使用转置卷积进行上采样,结合跳层连接融合浅层细节信息与深层语义信息;在编码、解码之间加入空洞空间金字塔池化(Atrous spatial pyramid pooling,AS-PP)用于提取不同感受野的特征图以融合多尺度特征,聚合上下文信息.结果表明,ASPP有效提高了模型的分割精度,MDNet在测试集上的平均局域重合度(MIoU)为77.97％,分别较SegNet、Deeplabv2和DNet提高了8.10个、5.77个和2.17个百分点,果实、枝干和叶片的像素准确率分别为93.57％、90.31％和95.43％,实现了黄花梨植株果实、枝干和叶片等目标的准确分割.在翠冠梨植株图像的独立测试中,MIoU为70.93％,表明该模型具有较强的泛化能力,对自然环境下果蔬植株图像的分割有一定的参考价值.