《表2 3种方法在玉米、杂草数据集上的测试结果》
为了验证所提出的基于Mask R-CNN的杂草检测分割方法的有效性,本文将DeepMask[29]、SharpMask[30]方法与本文方法进行试验对比,DeepMask首先输出一个与类别无关的分割掩码,然后再输出该图像补丁在完整对象上居中的概率,DeepMask通过学习实例嵌入,将粗形状细化为实例级掩码。SharpMask是DeepMask的扩展,首先在前馈传递中生成粗略掩码编码,然后使用连续较低层的特征在自上而下的传递中细化此掩码编码,让掩码更好地粘附到对象边界。选用1 800幅玉米、杂草图像对3个方法进行测试比较,其中刺儿草、莎草、灰菜、早熟禾、玉米各360幅,在IoU为0.5时,3种方法的AP、m AP如表2所示,可以得知,本文方法在玉米杂草数据集上m AP可达到0.853,优于SharpMask、DeepMask的0.816、0.795,3种方法的单样本耗时分别为280、256、248 ms,可满足实时田间农药变量喷洒的控制要求。图5为玉米、杂草数据分割样例。由表2、图5可知,3种方法对刺儿草、灰菜的分割效果最好,对玉米、莎草的分割效果较差,原因可能是刺儿草、灰菜的圆形叶片比玉米、莎草的条形叶片更易区分。由图5可知,本文方法相对于DeepMask、SharpMask,不会出现欠分割、过分割的情况。综上所述,本文方法的分割效果优于DeepMask、SharpMask方法。
图表编号 | XD00167922600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.06.25 |
作者 | 姜红花、张传银、张昭、毛文华、王东、王东伟 |
绘制单位 | 山东农业大学信息科学与工程学院、山东农业大学信息科学与工程学院、宝鸡文理学院电子电气工程学院、中国农业机械化科学研究院、山东农业大学农学院、青岛农业大学机电工程学院 |
更多格式 | 高清、无水印(增值服务) |