基于CSS-Cascade Mask R-CNN的有遮挡多片烟叶部位识别

作     者：朱波 胡朋 刘宇晨 张冀武 ZHU Bo;HU Peng;LIU Yuchen;ZHANG Jiwu

作者机构：昆明理工大学机电工程学院昆明650504 云南烟草质量监督监测站昆明650800 

出 版 物：《农业工程学报》 (Transactions of the Chinese Society of Agricultural Engineering)

年 卷 期：2024年第40卷第9期

页      面：271-280页

核心收录：

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

基　　金：中国烟草总公司云南省烟草公司重点项目(2021530000241012) 

主　　题：机器视觉 烟叶部位识别 局部遮挡 Cascade Mask R-CNN 非局部注意力机制 

摘      要：烟叶部位信息是进行烟叶分级的重要参考信息,准确识别烟叶部位对实现烟叶智能分级具有重要意义。在实际的烟叶智能分级应用中,为了提高分级效率,需要对多片烟叶等级进行同步识别。受现行上料方式的限制,同步识别的多片烟叶间往往存在局部遮挡的问题,给烟叶的目标检测和部位识别带来挑战。该研究提出一种基于改进Cascade Mask R-CNN,融合通道、非局部和空间注意力机制,并引入柔性极大值抑制检测框交并操作与斯库拉交并比损失函数(SIoU)的目标检测与识别模型(CSS-Cascade Mask R-CNN)。该模型对Cascade Mask R-CNN进行了三方面的改进:一是在其骨干网络Resent101上同时引入通道、非局部、空间3种注意力机制,使网络更加关注未被遮挡且部位特征明显区域的显著度;二是将Cascade Mask R-CNN中的损失函数SmoothL1Loss替换为SIoU损失函数,将预测框与真实框之间的方向差异引入到模型训练中提高模型检测精度;三是在筛选候选框时将常规的非极大抑制(non-max-suppression)替换为柔性非极大抑制,以避免删除候选框造成信息丢失。试验结果表明,利用提出的模型对有遮挡多片烟叶进行检测和部位识别,检测框平均准确率均值(bbox_mAP50)达到了80.2%,与改进前的Cascade Mask R-CNN模型相比提高了7.5个百分点。提出的模型与多个主流的目标检测模型(YOLOvX、YOLOv3、YOLOv5、Mask R-CNN、Cascade R-CNN)相比,分别高7.1、10.2、5.8、9.2、8.4个百分点,尤其是对较难区分的下部烟叶优势明显,因此研究结果可以为有遮挡多片烟叶部位的检测识别提供参考。