基于改进DeepLabv3+的林木图像分割方法

作     者：林洁如 朱洪前 杨国 肖恒玉 胡涛 何翔 LIN Jieru;ZHU Hongqian;YANG Guo;XIAO Hengyu;HU Tao;HE Xiang

作者机构：中南林业科技大学材料科学与工程学院长沙410004 

出 版 物：《林业工程学报》 (Journal of Forestry Engineering)

年 卷 期：2024年第9卷第3期

页      面：119-126页

学科分类：0907[农学-林学] 08[工学] 0829[工学-林业工程] 09[农学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

基　　金：国家自然科学基金面上项目(62076256) 湖南教育厅科学研究项目(21C0168) 

主　　题：林木图像分割 DeepLabv3+模型 MobileNet 特征融合 注意力机制 

摘      要：近年来,人们越来越重视森林资源管理规划,但是森林结构复杂、分布破碎,准确区分树木区域与非树木区域以及预测森林面积比较困难。针对森林区域提取困难、边界分割不精确的问题,提出改进的DeepLabv3+模型研究森林区域智能精准提取。首先,在编码器阶段使用CFF(cross feature fusion)模块融合主干网络与空洞卷积的多尺度低级和高级特征来获得高分辨率的掩码特征,有效地聚合多层次编码器特征;其次,在解码器阶段引入cSE(spatial squeeze and channel excitation)通道注意力模块,使模型能够更好地获取不同通道上的特征,提高网络的表现力使其关注到输入图像的边缘位置,从而提高分割准确率;最后,将卷积之后的深层特征与浅层特征进行融合,增强网络的分割性能。研究表明:基于改进的DeepLabv3+深度学习神经网络得到的森林类别平均像素准确率(mPA)达到了93.85%,平均交并比(mIoU)达到了89.17%,准确率(Accuracy)达到了95.66%,相较于原始DeepLabv3+网络分别提升了0.77%,1.8%和0.89%,模型参数量减少了48.84 M,检测速度FPS提升了17.93帧/s,检测效率更高,分割性能更好。