ExCF-Net:基于自适应超量颜色增强的泛化作物区域识别方法

来源：南京信息工程大学学报·自然科学版杂志2026年第4期北京时间：

作者：金毅诚，刘国庆，李涛，项艳，朱亮，王超，王炜，裴凌

单位：金毅诚,上海交通大学 上海市北斗导航与位置服务重点实验室, 上海, 200240,刘国庆,上海交通大学 上海市北斗导航与位置服务重点实验室, 上海, 200240,李涛,浙江工业大学 信息工程学院, 杭州, 310023,项艳,上海交通大学 上海市北斗导航与位置服务重点实验室, 上海, 200240,朱亮,上海华测导航技术股份有限公司, 上海, 201799,王超,上海华测导航技术股份有限公司, 上海, 201799,王炜,上海市科学技术委员会, 上海, 200003,裴凌,上海交通大学 上海市北斗导航与位置服务重点实验室, 上海, 200240

摘要：针对农田作物区域识别任务中,深度学习模型在结构变化显著的未见作物场景识别精度下降问题,本文提出了一种基于自适应超量颜色增强的作物区域泛化识别方法ExCF-Net(Excess Fusion Network).该方法首先对输入图像进行全局特征嵌入,生成自适应超量颜色特征;随后融合深度学习技术与传统超量颜色方法优势,通过共享特征参数以学习不同特征域之间的关联性,使模型能更有效地识别与训练数据结构差异显著的作物.为验证所提方法的有效性,本文设计消融实验并与其他主流算法,如SwiftFormer、DeepLabV3+等进行对比.实验结果表明:在AgroScapes数据集中,针对多种结构与训练数据存在显著差异的测试作物,所提方法在平均交并比(mIoU)精度上相较于基线算法提升18.45个百分点;与主流算法SwiftFormer相比,在AgroScapes上mIoU精度提升5.66个百分点,在CRDLD数据集上mIoU精度提升9.30个百分点;与主流算法DeepLabV3+相比,在AgroScapes数据集上mIoU精度提升5.48个百分点,在CRDLD数据集上mIoU精度提升7.67个百分点.可视化结果表明,所提方法在未见作物感知任务中的边界像素误判问题有较大改善,显著增强了模型在复杂作物场景下的识别稳定性.为支持农田感知领域的研究,提供所提方法的可视化演示和开源算法:https://github.com/GoldenUpwinds/Agro_domain_generalization.

关键词：语义分割;农田感知;泛化识别

基金资助：上海市“探索者计划”项目(24TS1402800);国家自然科学基金(62303311);上海市基础研究计划(24DZ3101300)