基于RGB-D的肉牛图像全卷积网络语义分割优化

作     者：邓寒冰 周云成 许童羽 苗腾 徐静 Deng Hanbing;Zhou Yuncheng;Xu Tongyu;Miao Teng;Xu Jing

作者机构：沈阳农业大学信息与电气工程学院沈阳110866 辽宁省农业信息化工程技术研究中心沈阳110866 北京农业信息技术研究中心北京100097 

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

年 卷 期：2019年第35卷第18期

页      面：151-160页

核心收录：

学科分类：0710[理学-生物学] 08[工学] 0905[农学-畜牧学] 080203[工学-机械设计及理论] 09[农学] 0802[工学-机械工程] 0801[工学-力学（可授工学、理学学位）] 

基　　金：国家自然科学基金资助项目(31601218,61673281,31601219) 中国博士后科学基金(2018M631812) 辽宁省自然基金面上项目(20180551102) 

主　　题：图像处理 模型 动物 语义分割 RGB-D 全卷积网络 多模态 肉牛图像 

摘      要：基于卷积神经网络的深度学习模型已越来越多的应用于检测肉牛行为。利用卷积操作实现肉牛图像的像素级分割有助于实现远距离、无接触、自动化的检测肉牛行为,为肉牛异常行为早期发现提供必要手段。为了提高复杂背景下肉牛图像语义分割精度,降低上采样过程中的语义分割误差,该文提出基于RGB-D的肉牛图像全卷积网络(fully convolutional networks,FCN)的语义分割优化方法,用深度密度值来量化深度图像中不同像素点是否属于相同类型的概率,并根据深度图像与彩色图像在内容上的互补关系,优化和提升FCN对肉牛图像的语义分割(像素密集预测)精度。通过试验验证,该方法与全卷积网络的最优分割结果相比,可以将统计像素准确率平均提高2.5%,类别平均准确率平均提升2.3%,平均区域重合度平均提升3.4%,频率加权区域重合度平均提升2.7%。试验证明,该方法可以提升全卷积网络模型在复杂背景下肉牛图像语义分割精度。