摘要：近幾年深度卷積神經(jīng)網(wǎng)絡(luò)在很多圖像任務(wù),諸如目標檢測、圖像分類、圖像分割等方面得到了廣泛應(yīng)用,在圖像分割方面,基于深度學(xué)習(xí)分割性能已全面超越了傳統(tǒng)的分割算法。很多病害都會在葡萄的新梢上產(chǎn)生病癥,在圖像中準確分割出新梢,可提高病害診斷的精度。為了實現(xiàn)對自然條件下拍攝的葡萄新梢圖像的準確分割,用相機、手機分別在不同的光照和環(huán)境條件拍攝了葡萄的新稍圖像,在制作的訓(xùn)練圖像集上對SegNet、FCN和U-NET3種卷積神經(jīng)網(wǎng)絡(luò)進行遷移學(xué)習(xí),得到3種分割網(wǎng)絡(luò)模型,分別用這些模型對測試集中不同環(huán)境下拍攝的新梢圖像進行分割試驗。在模型訓(xùn)練的初始階段設(shè)置較大的學(xué)習(xí)率,以期快速到達最優(yōu)解附近,隨后逐步降低學(xué)習(xí)率,得到最優(yōu)解。以人工分割為基準,對3種網(wǎng)絡(luò)的分割效果進行評價。結(jié)果表明:在優(yōu)選的訓(xùn)練模式下,3種分割網(wǎng)絡(luò)在標準測試集T1上分割精度(MCC)達到83.58%、93.85%和89.44%,對于標準測試集T1和T2中的陰天圖像,3種網(wǎng)絡(luò)的平均MCC分別比晴天高5.42%、0.73%和0.65%。3種網(wǎng)絡(luò)中,FCN的總體分割效果最優(yōu),在標準測試集T1上的平均分割精度(MCC)分別比SegNet和U-NET高10.27%和4.42%;從人的直觀觀察也可以看出,FCN分割的葡萄新梢圖像輪廓光滑、視覺效果較好。光照對分割效果影響顯著,陰天拍攝圖像的分割效果整體好于晴天分割效果。在擴展數(shù)據(jù)集上,3種網(wǎng)絡(luò)的分割精度均出現(xiàn)一定程度的下降,對于大田條件下(T3)和溫室條件下(T4)手機拍攝的圖像,FCN的平均分割精度(MCC)依然分別達到78.06%和74.82%,說明FCN的泛化性能較好。
注：因版權(quán)方要求，不能公開全文，如需全文，請咨詢雜志社
