基于DBSE-Net的大田稻穗图像分割

来源：农业工程学报杂志2022年第13期北京时间：

作者：宋余庆,杨东川,徐立章,刘哲,

摘要：稻穗精准分割是准确估测水稻产量的关键。为实现大田环境下不同品种与生育期稻穗的准确分割，该研究提出了基于注意力机制的稻穗分割网络（Double Branch Squeeze-and-Excitation Network，DBSE-Net）。首先，提出一个双分支压缩与激励（Double Branch Squeeze-and-Excitation，DBSE）注意力模块，通过同时使用全局平均池化（Global Average Pooling，GAP）和全局最大池化（Global Max Pooling，GMP）编码输入特征的通道信息，以实现更精准的通道注意力推断。然后，为了强化稻穗特征并抑制背景区域特征，将DBSE模块添加到编码-解码分割框架中构建DBSE-Net分割网络。最后，在自采集的稻穗图像数据集上进行分割性能测试，DBSE-Net对稻穗分割的像素准确率、平均交并比和F1分数分别达到了94.32%、87.59%和91.86%，比次优模型DeepLabv3+的结果分别高出1.61、2.56和1.20个百分点，在单张256×256（像素）图像上耗时0.03 s，是DeepLabv3+分割速度的5.3倍。在公开的稻穗图像数据集上进行泛化性能测试，DBSE-Net能够有效分割出稻穗区域。该研究结果表明，DBSE-Net能够对不同品种与生育期稻穗实现高效精准分割，具有良好的泛化性，可以为水稻产量评估提供参考。

关键词：模型, 图像分割, 卷积神经网络, 稻穗, 编码-解码结构, 注意力机制