鄧向武 梁松 齊龍 余淑婷

摘要：稻田雜草位置獲取是靶向噴施除草劑和機(jī)械智能除草的基礎(chǔ)，為實(shí)現(xiàn)自然光照環(huán)境和水田復(fù)雜背景下稻田苗期雜草的信息獲取。以稻田惡性雜草野慈姑為研究對象，提出一種基于全卷積神經(jīng)網(wǎng)絡(luò)的稻田苗期雜草語義分割方法，利用DeepLabV3+對秧苗和雜草進(jìn)行語義分割進(jìn)而獲取的雜草位置信息。首先人工田間采集稻田苗期雜草野慈姑的RGB圖像，通過圖像標(biāo)注工具LabelMe人工標(biāo)注圖像中秧苗、雜草和背景的各個像素點(diǎn)，70%數(shù)據(jù)集用于DeepLabV3+網(wǎng)絡(luò)模型參數(shù)的訓(xùn)練，30%數(shù)據(jù)集用于測試DeepLabV3+性能。然后與FCN和U-Net兩種語義分割方法進(jìn)行比較，所提出的DeepLabV3+語義分割方法準(zhǔn)確率、均正比、頻權(quán)交并比和F值等性能指標(biāo)都最優(yōu)，試驗(yàn)得出：DeepLabV3+模型像素準(zhǔn)確率最高達(dá)到92.2%，高于U-Net和FCN方法的準(zhǔn)確率92.1%和84.7%。所提出的方法能對稻田苗期雜草、秧苗和背景像素進(jìn)行準(zhǔn)確分割，滿足智能除草和除草劑靶向噴施的實(shí)際應(yīng)用需求。

關(guān)鍵詞：稻田雜草；野慈姑；語義分割；DeepLabV3+

中圖分類號：S511

文獻(xiàn)標(biāo)識碼：A

文章編號：2095-5553 （2023） 04-0174-07

Abstract： Paddy weed position acquisition is the basis of targeting spraying herbicide and mechanical intelligence weeding. In order to acquire information acquisition of weeds in seedling stage under natural light environment and complex paddy field background， in this paper， a new semantic segmentation method for weeds at seedling stage was proposed based on the full convolutional neural network and DeepLabV3+ was used for semantic segmentation of seedlings and weeds to obtain the weed location information by sagittaria trifolia as the research object. Firstly， the weeds RGB image of sagittaria trifolia in the paddy field were captured， and each pixel of the seedlings， weeds and background in the images were manually labeled by the image labeling tool LabelMe. 70% data set was used for the parameter training of the DeepLabV3+ network model， and 30% data set was used to test the performance of DeepLabV3+. By comparing with FCN and U-Net semantic segmentation methods， the proposed DeepLabV3+ semantic segmentation method had the best performance indicators， such as accuracy， proportional ratio， frequency weight intersection ratio and F value， and the experiment results showed that the pixel accuracy of DeepLabV3+ model was up to 92.2%. The accuracy rates of U-Net and FCN methods were 92.1% and 84.7% respectively. The method proposed in this paper could accurately segment weeds， seedlings and background pixels at seedling stage of paddy field， and also meet the practical application requirements of intelligent weeding and targeted herbicide spraying.

Keywords：? paddy weed; sagittaria trifolia; semantic segmentation; DeepLabV3+

0 引言

水稻秧苗封行前雜草與秧苗在有限的生長空間內(nèi)競爭光、水、肥等生長元素，并為病蟲害傳播提供中間載體，如不對雜草進(jìn)行及時的田間管理，會導(dǎo)致水稻產(chǎn)量下降，據(jù)統(tǒng)計每年因雜草導(dǎo)致的水稻產(chǎn)量損失率約在15%以上［1］。隨著精準(zhǔn)農(nóng)業(yè)和智慧農(nóng)業(yè)的快速發(fā)展，根據(jù)雜草位置進(jìn)行精準(zhǔn)噴施已經(jīng)成為可能［2］。因此，各類作物的雜草位置檢測成為研究熱點(diǎn)［3-4］。目前雜草位置智能檢測分為基于雜草目標(biāo)框的檢測和基于像素的語義分割。近年來隨著卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）在圖像目標(biāo)檢測領(lǐng)域的研究深入，并取得了很好的效果?；赗-CNN目標(biāo)檢測算法首先被提出。Fast R-CNN［5］在R-CNN的基礎(chǔ)上做出了一些改進(jìn)，解決了R-CNN需要對同一張圖片重復(fù)進(jìn)行多次卷積計算的問題，提高了速度和準(zhǔn)確率。為避免Fast R-CNN中selective search［6］方法定位所需大量時間消耗，F(xiàn)aster R-CNN［7］提出了建議區(qū)域提取網(wǎng)絡(luò)（RPN）網(wǎng)絡(luò)，在生成候選框時比之前生成更少的候選框，但是生成的質(zhì)量更高，不僅加快了速度，同時也提高了精度。除以上基于分類的目標(biāo)檢測方法，國內(nèi)外學(xué)者還從回歸的角度對目標(biāo)檢測方法進(jìn)行了探索。樊湘鵬等［8］針對棉花幼苗和雜草提出了基于優(yōu)化Faster R-CNN識別與定位方法，平均識別精度達(dá)到94.21%。Redmon等［9］提出了一種被稱為POLO的檢測方法，其基本思路是直接在卷積特征圖上對多個區(qū)域的類別和邊界框進(jìn)行回歸，實(shí)現(xiàn)對輸入圖像端到端的訓(xùn)練和測試。Liu等［10］也采用基于回歸的設(shè)計思路，提出了一種被稱為SSD（Single Shot MultiBox Detector）的檢測方法。該方法通過在基礎(chǔ)網(wǎng)絡(luò)VGGNet上添加多個卷積層，并從多個卷積特征圖上對多個區(qū)域的類別和邊界框進(jìn)行回歸，較好地平衡了目標(biāo)檢測的精度和效率。

由于稻田行株距小，稻株行列間的雜草很容易與稻苗之間遮擋；同時由于雜草形態(tài)各異且自身非剛體容易形變等問題，同時雜草很難有清晰的邊界信息，這對基于目標(biāo)框的目標(biāo)檢測造成很大挑戰(zhàn)。所以基于矩形框圖像塊特征學(xué)習(xí)的目標(biāo)檢測方法，不適用于稻田苗期雜草的目標(biāo)檢測。Long等［11］提出了全卷積網(wǎng)絡(luò)（Fully Convolutional Networks，F(xiàn)CN）的語義分割算法，將傳統(tǒng)的圖像塊特征轉(zhuǎn)變?yōu)橄袼攸c(diǎn)特征學(xué)習(xí)［12-13］。該方法也在農(nóng)業(yè)方面得到應(yīng)用，如王璨等［14］基于雙注意力語義分割網(wǎng)絡(luò)對玉米田間苗期雜草進(jìn)行識別與分割。

由于稻田雜草種類多且大部分雜草隨著生長階段的變化其形態(tài)也會發(fā)生很大變化，而由于雜草萌發(fā)的不一致導(dǎo)致稻田苗期會存在不同生長期的雜草形態(tài)。針對形狀發(fā)散且形態(tài)隨生長階段變化的雜草，不適用基于矩形框的目標(biāo)檢測方法。Huang等［15］基于無人機(jī)采集稻田雜草圖像，并基于FCN對雜草區(qū)域進(jìn)行語義分割，取得了很好的效果，將卷積神經(jīng)網(wǎng)絡(luò)與條件隨機(jī)場結(jié)合進(jìn)行語義分割，獲得了更好的性能。劉慶飛等［16］基于U-Net對甜菜田間雜草開展語義分割的方法，U-Net方法逐像素平均準(zhǔn)確率為92.06%。由于DeepLabV3+［17］模型在Pascal VOC 2012通用圖像數(shù)據(jù)集測試中表現(xiàn)優(yōu)異，其在水田圖像語義分割［18］、小麥病害識別［19］、淡水魚體語義分割［20］和水產(chǎn)養(yǎng)殖水體信息獲?。?1］等方面得到大量的應(yīng)用。

本文針對稻田秧苗封行前行列間生長形態(tài)不一致的雜草區(qū)域，提出DeepLabV3+的稻田苗期雜草語義分割方法，為智能除草和除草劑靶向噴施等應(yīng)用提供技術(shù)支持。

1 材料與方法

1.1 稻田苗期雜草圖像數(shù)據(jù)集

本文以早稻秧苗移栽后20 d后稻田內(nèi)處于幼苗生長期的惡性雜草野慈姑為研究對象，在廣東江門農(nóng)科所農(nóng)業(yè)實(shí)驗(yàn)基地稻田自然環(huán)境下采集圖像，圖像中雜草野慈姑由于種子萌發(fā)時間的區(qū)別，同一塊區(qū)域雜草野慈姑形態(tài)差異大，葉齡長的顯現(xiàn)劍形，葉齡短的顯現(xiàn)扇形。將采集得到的圖像進(jìn)行行列分割成1 024像素×912像素，共得到華南稻區(qū)常規(guī)惡性雜草野慈姑圖像224張圖像，如圖1所示。

1.2 圖像標(biāo)注

首先自然條件下水稻秧苗及苗期雜草的RGB圖像，標(biāo)注圖像水稻秧苗、雜草和背景對應(yīng)的像素類別，生成對應(yīng)標(biāo)簽圖像，連同水稻秧苗及苗期雜草的RGB圖像及其對應(yīng)的標(biāo)簽圖像分成訓(xùn)練樣本和測試樣本。本文通過手工像素標(biāo)注實(shí)現(xiàn)數(shù)據(jù)GroundTruth的構(gòu)建，如圖2所示。

1.3 稻田苗期雜草野慈姑圖像語義分割流程

基于DeepLabV3+的稻田苗期雜草野慈姑語義分割方法研究流程如圖3所示。

1） 首先獲取自然水田環(huán)境稻田苗期雜草野慈姑的RGB樣本圖像。

2） 對雜草野慈姑圖像進(jìn)行人工標(biāo)注形成對應(yīng)的GroundTruth標(biāo)簽樣本圖像；隨機(jī)選取70%的雜草野慈姑RGB樣本圖像及其對應(yīng)的GroundTruth標(biāo)簽樣本圖像作為訓(xùn)練樣本，其余30%的樣本圖像為測試樣本。

3） 構(gòu)建基于DeepLabV3+網(wǎng)絡(luò)的稻田苗期雜草野慈姑圖像語義分割模型。

4） 數(shù)據(jù)增強(qiáng)。數(shù)據(jù)增強(qiáng)可通過在訓(xùn)練期間隨機(jī)變換原始數(shù)據(jù)來提高網(wǎng)絡(luò)準(zhǔn)確度。數(shù)據(jù)增強(qiáng)通過對雜草野慈姑圖像和像素標(biāo)簽數(shù)據(jù)應(yīng)用相同的隨機(jī)變換，可為草野慈姑訓(xùn)練數(shù)據(jù)添加更多變化，而不必增加帶標(biāo)簽的訓(xùn)練樣本的數(shù)量。Matlab中使用數(shù)據(jù)存儲transform應(yīng)用在支持函數(shù)augmentImageAndLabel中定義的所需數(shù)據(jù)增強(qiáng)，使用隨機(jī)左/右翻轉(zhuǎn)和隨機(jī)X/Y平移+/-10個像素來進(jìn)行數(shù)據(jù)增強(qiáng)。

5） 通過雜草野慈姑RGB樣本圖像和人工標(biāo)注形成對應(yīng)的標(biāo)簽樣本圖像對模型進(jìn)行訓(xùn)練；利用水稻秧苗和雜草野慈姑圖像語義分割模型待分割水稻秧苗和雜草野慈姑的RGB圖像的像素進(jìn)行分類，輸出水稻秧苗和雜草野慈姑分割圖像，實(shí)現(xiàn)水稻秧苗及苗期雜草圖像的語義分割；然后基于測試集對DeepLabV3+語義分割模型進(jìn)行測試。

1.4 語義分割模型及評價指標(biāo)

1.4.1 基于DeepLabV3+的語義分割模型

DeepLabV3+是由DeeeplabV1和DeeeplabV2發(fā)展而來，DeeeplabV2在DeeeplabV1基礎(chǔ)上增加了空洞卷積和空間金字塔池化相結(jié)合的ASPP（Atrous Spatial Pyramid Pooling，ASPP）結(jié)構(gòu)。DeepLabV3+相比于DeeeplabV1和DeeeplabV2減少了全連接條件隨機(jī)場的使用，級聯(lián)多個空洞卷積模塊并改進(jìn)了ASPP。

本文采用DeepLabV3+語義分割模型對田間自然場景下的秧苗和雜草野慈姑進(jìn)行語義分割，語義分割模型DeepLabV3+能夠從樣本中學(xué)習(xí)并提取淺層特征和深層特征經(jīng)常融合進(jìn)而得到魯棒性強(qiáng)的特征，實(shí)現(xiàn)水稻秧苗和雜草野慈姑圖像的語義分割。DeepLabV3+網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。DeepLabV3+網(wǎng)絡(luò)是由編碼和解碼兩部分組成，期中編碼部分比解碼部分相對復(fù)雜。編碼部分包括特征提取網(wǎng)絡(luò)ResNet-18［22］用于提取特征，其通過引入殘差結(jié)構(gòu)解決模型訓(xùn)練中梯度消失的難題。DeepLabV3+編碼部分還包括ASPP，其用于進(jìn)一步優(yōu)化深度卷積特征。ASPP應(yīng)用不同采用率（如圖4中的rate 6、rate 12、rate 18）的空洞卷積多尺度信息提取ResNet-18輸出的特征圖，不同膨脹率卷積核結(jié)構(gòu)如圖5所示。

2 試驗(yàn)結(jié)果與分析

2.1 試驗(yàn)方法

以稻田惡性雜草野慈姑圖像作為研究對象，構(gòu)建稻田苗期雜草圖像語義分割數(shù)據(jù)集，然后，基于DeepLabV3+模型進(jìn)行稻田苗期雜草圖像語義分割訓(xùn)練及精度評估。最后，采用3種不同的深度殘差網(wǎng)絡(luò)（Residual Network，ResNet）作為特征提取模塊，分析ResNet-18、ResNet-50和ResNet-101對DeepLabV3+網(wǎng)絡(luò)模型性能的影響，最后根據(jù)準(zhǔn)確率、均正比、頻權(quán)交并比和F值等性能指標(biāo)與FCN和U-Net 語義分割方法進(jìn)行比較。

2.2 試驗(yàn)軟件及參數(shù)配置

本文模型訓(xùn)練和測試硬件環(huán)境：Intel@Core（TM） i7-8700K CPU@3.70GHz×6處理器，16G內(nèi)存，NVIDIA GeForce GTX 1080Ti顯卡加速圖像處理。軟件環(huán)境：操作系統(tǒng)為Windows 10，開發(fā)軟件為Matlab 2021a。

在DeepLabV3+網(wǎng)絡(luò)訓(xùn)練過程中，使用隨機(jī)梯度下降算法作為參數(shù)優(yōu)化器，設(shè)置學(xué)習(xí)率為0.001，L2Regularization， 0.005，動量為0.9，每批次設(shè)置為1，最大迭代次數(shù)設(shè)置為30。學(xué)習(xí)率采用分段調(diào)度，學(xué)習(xí)率每10輪降低0.3。這允許網(wǎng)絡(luò)以更高的初始學(xué)習(xí)率快速學(xué)習(xí)，而一旦學(xué)習(xí)率下降，能夠求得接近局部最優(yōu)的解。

通過設(shè)置ValidationData參數(shù)，在每輪都對照驗(yàn)證數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行測試。ValidationPatience設(shè)置為4，以在驗(yàn)證準(zhǔn)確度收斂時提前停止訓(xùn)練。這可以防止網(wǎng)絡(luò)對訓(xùn)練數(shù)據(jù)集進(jìn)行過擬合。

2.3 DeepLabV3+網(wǎng)絡(luò)模型測試結(jié)果

2.3.1 DeepLabV3+網(wǎng)絡(luò)的3種特征提取模塊比較

普通CNN隨著網(wǎng)絡(luò)層數(shù)加深進(jìn)而產(chǎn)生梯度消失和梯度爆炸等現(xiàn)象，最終導(dǎo)致網(wǎng)絡(luò)訓(xùn)練效果差。為解決CNN網(wǎng)絡(luò)模型網(wǎng)絡(luò)深度增加導(dǎo)致的上述問題，ResNet引入BasicBlock和Bottleneck旁路連接結(jié)構(gòu)，如圖7所示。梯度可以通過旁路跨越CNN中的網(wǎng)絡(luò)層數(shù)進(jìn)行反向傳播。

ResNet-18、ResNet-50和ResNet-101網(wǎng)絡(luò)結(jié)構(gòu)如表1所示，ResNet-18采用BasicBlock旁路結(jié)構(gòu)，ResNet-50和ResNet-101采用Bottleneck旁路結(jié)構(gòu)。由于ResNet-50和ResNet-101網(wǎng)絡(luò)層數(shù)較深，采用BottleNeck結(jié)構(gòu)不僅在參數(shù)上更加節(jié)約，同時還能保持特征提取性能。

采用3種不同的ResNet特征提取模塊對稻田苗期雜草DeepLabV3+語義分割模型進(jìn)行性能比較。表1給出了采用ResNet-18、ResNet-50和ResNet-101共3種不同特征提取模塊在DeepLabV3+模型上的性能。

試驗(yàn)結(jié)果如表2和表3所示，圖8為采用3種不同特征提取模塊的DeepLabV3+語義模型輸出結(jié)果。

如表2所示，雖然采用ResNet-101雖然總的準(zhǔn)確率最高，達(dá)到94.7%；但從表3和圖8（d）可以看出，采用ResNet-101的DeepLabV3+模型針對雜草野慈姑的準(zhǔn)確率僅為77.2%。

如表3所示，采用ResNet-50的DeepLabV3+模型針對雜草野慈姑和稻苗的準(zhǔn)確率都好于ResNet-18，但總準(zhǔn)確率還是低于ResNet-18（表3）。試驗(yàn)結(jié)果表明針對本文小樣本雜草數(shù)據(jù)集，采用ResNet-18的DeepLabV3+模型方法綜合性能最優(yōu)。

2.3.2 3種不同語義分割模型比較

為了便于與其他全卷積語義分割網(wǎng)絡(luò)對比，在相同環(huán)境下實(shí)現(xiàn)了SegNet、FCN和U-Net語義分割網(wǎng)絡(luò)，并使用相同的訓(xùn)練集和測試集對模型進(jìn)行訓(xùn)練和測試。

圖9為DeepLabV3+語義模型輸出結(jié)果，結(jié)果表明DeepLabV3+方法能預(yù)測復(fù)雜條件下，不同生長期的雜草野慈姑不同形態(tài)像素位置信息，其形態(tài)邊緣清晰。

表4中給出了SegNet、FCN和U-Net方法以及本文DeepLabV3+方法在測試數(shù)據(jù)上的各項評估指標(biāo)。針對測試集試驗(yàn)結(jié)果表明，使用本文提出的DeepLabV3+方法對雜草、水稻秧苗和背景的逐像素分類平均準(zhǔn)確率、均正比和F值都高于FCN和U-Net的方法。

表5中結(jié)果表明采用本文DeepLabV3+針對雜草野慈姑、背景和稻苗的逐像素分類準(zhǔn)確率都超過了90%，分別為93.6%、92.1%和90.5%，尤其對稻苗像素識別能力高于U-Net和FCN。U-Net方法對背景像素類別的分割能力達(dá)到97.7%，高于DeepLabV3+和FCN，而針對稻苗和雜草野慈姑像素的識別準(zhǔn)確率較低。FCN方法對雜草野慈姑像素類別的分割能力達(dá)到92.9%，高于DeepLabV3+和U-Net。試驗(yàn)結(jié)果出現(xiàn)表明本文所提出的DeepLabV3+模型能夠?qū)ψ匀粭l件下水稻秧苗及苗期雜草野慈姑中的各像素能進(jìn)行有效語義分割。

3 結(jié)論

1） 本文提出了一種DeepLabV3+的稻田苗期雜草語義分割方法，該語義分割模型能對稻田苗期雜草野慈姑、秧苗和背景像素進(jìn)行準(zhǔn)確分割，為稻田智能除草和除草劑靶向噴施等應(yīng)用提供技術(shù)支持。

2） 通過與FCN和U-Net兩種語義分割方法進(jìn)行比較，本文所提出的DeepLabV3+語義分割方法準(zhǔn)確率、均正比、頻權(quán)交并比和F值等性能指標(biāo)都最佳。試驗(yàn)得出DeepLabV3+模型像素平均準(zhǔn)確率最高達(dá)到92.2%，高于U-Net和FCN方法的平均準(zhǔn)確率為92.1%和84.7%。

3） 本文所提出的基于DeepLabV3+全卷積神經(jīng)網(wǎng)絡(luò)的水稻秧苗和雜草野慈姑逐像素分類方法，能對稻田圖像中的水稻秧苗、雜草野慈姑和背景實(shí)施有效逐像素分類，能對同一幅圖像中不同生長形態(tài)的雜草野慈姑進(jìn)行有效語義分割，滿足智能除草和除草劑靶向噴施的實(shí)際應(yīng)用需求。

參 考 文 獻(xiàn)

［1］ 于改蓮. 稻田除草劑的正確施用方法［J］. 農(nóng)藥， 2001， 12（40）： 43-45.

Yu Gailian. Correct application method of herbicide in the paddy field ［J］. Agrochemicals， 2001， 12（40）： 43-45.

［2］ 劉成良， 林洪振， 李彥明， 等. 農(nóng)業(yè)裝備智能控制技術(shù)研究現(xiàn)狀與發(fā)展趨勢分析［J］. 農(nóng)業(yè)機(jī)械學(xué)報， 2020， 51（1）： 1-18.

Liu Chengliang， Lin Hongzhen， Li Yanming， et al. Analysis on status and development trend of intelligent control technology for agricultural equipment ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（1）： 1-18.

［3］ 范德耀， 姚青， 楊保軍， 等. 田間雜草識別與除草技術(shù)智能化研究進(jìn)展［J］. 中國農(nóng)業(yè)科學(xué)， 2010， 43（9）： 1823-1833.

Fan Deyao， Yao Qing， Yang Baojun， et al. Progress in research on intelligentization of field weed recognition and weed control technology ［J］. Scientia Agricultura Sinica， 2010， 43（9）： 1823-1833.

［4］ 李春明， 逯杉婷， 遠(yuǎn)松靈， 等. 基于Faster R-CNN的除草機(jī)器人雜草識別算法［J］. 中國農(nóng)機(jī)化學(xué)報， 2019， 40（12）： 171-176.

Li Chunming， Lu Shanting， Yuan Songling， et al. Weed identification algorithm of weeding robot based on Faster R-CNN ［J］. Journal of Chinese Agricultural Mechanization， 2019， 40（12）： 171-176.

［5］ 張小青， 樊江川， 郭新宇， 等. 基于Faster R-CNN的大田玉米雄穗識別及抽穗期判定研究［J］. 安徽農(nóng)業(yè)大學(xué)學(xué)報， 2021， 48（5）： 849-856.

Zhang Xiaoqing， Fan Jiangchuan， Guo Xinyu， et al. Research on male ear detection and tasseling stage identification of field maize based on faster R-CNN ［J］. Journal of Anhui Agricultural University， 2021， 48（5）： 849-856

［6］ Uijlings J R R， Sande K E A， Gevers T， et al. Selective search for object recognition ［J］. International Journal of Computer Vision， 2013， 104（2）： 154-171.

［7］ 董浪， 許建峰， 靳江周， 等. 基于改進(jìn)Faster R-CNN的梨樹花芽識別方法［J］. 河北農(nóng)業(yè)大學(xué)學(xué)報. 2021， 44（6）： 116-121.

Dong Lang， Xu Jianfeng， Jin Jiangzhou， et al. Flower bud recognition of pear tree based on improved faster R-CNN ［J］. Journal of Heibei Agricultural University， 2021， 44（6）： 116-121.

［8］ 樊湘鵬， 周建平， 許燕， 等. 基于優(yōu)化Faster R-CNN的棉花苗期雜草識別與定位［J］. 農(nóng)業(yè)機(jī)械學(xué)報， 2021， 52（5）： 26-34.

Fan Xiangpeng， Zhou Jiangping， Xu Yan， et al. Identification and localization of weeds based on optimized Faster R-CNN in cotton seedling stage ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（5）： 26-34.

［9］ Redmon J， Divvala S， Girshick R， et al. You only look once： Unified， real-time object detection ［C］. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York： IEEE， 2016： 779-788.

［10］ Liu W， Anguelov D， Erhan D， et al. SSD： Single shot multibox detector ［C］. Proceedings of European Conference on Computer Vision. Springer International Publishing， 2016： 21-37.

［11］ Long J， Shelhamer E， Trevor Darrell. Fully convolutional networks for semantic segmentation ［C］. IEEE Conference on Computer Vision and Pattern Recognition， 2015： 3431-3440.

［12］ Dai J， He K， Sun J. Instance-aware semantic segmenta-tion via multi-task network cascades ［C］. IEEE Conference on Computer Vision and Pattern Recognition， 2015： 3150-3158.

［13］ Noh H， Hong S， Han B. Learning deconvolution network for semantic segmentation ［C］. IEEE International Conference on Computer Vision. IEEE Computer Society， 2015： 1520-1528.

［14］ 王璨， 武新慧， 張燕青， 等. 基于雙注意力語義分割網(wǎng)絡(luò)的田間苗期玉米識別與分割［J］. 農(nóng)業(yè)工程學(xué)報， 2021， 37（9）： 211-221.

Wang Can， Wu Xinhui， Zhang Yanqing， et al. Recognition and segmentation of maize seedlings in field based on dual attention semantic segmentation network ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（9）： 211-221.

［15］ Huang， H， Deng， J， Lan， Y， et al. Accurateweed mapping and prescription map generation based on fully convolutional networks using UAV imagery ［J］. Sensors， 2018， 18（10）： 3299.

［16］ 劉慶飛， 張宏立， 王艷玲. 基于深度可分離卷積的實(shí)時農(nóng)業(yè)圖像逐像素分類研究［J］. 中國農(nóng)業(yè)科學(xué)， 2018， 51（19）： 3673-3682.

Liu Qingfei， Zhang Hongli， Wang Yanlin. Real-time pixel-wise classification of agricultural images based on depth-wise separable convolution ［J］. Scientia Agricultura Sinica， 2018， 51（19）： 3673-3682.

［17］ Chen L C， Papandreou G， Kokkinos L. Deeplab： semantic image segmentation with deep convolutional nets， atrous convolution， and fully connected CRFs ［J］. IEEE transactions on Pattern Analysis and Machine Intelligence， 2018， 40（4）： 834-848.

［18］ 鄧泓， 楊瀅婷， 劉兆朋， 等. 基于深度學(xué)習(xí)的無人機(jī)水田圖像語義分割方法［J］. 中國農(nóng)機(jī)化學(xué)報， 2021， 42（10）： 165-172.

Deng Hong， Yang Yingting， Liu Zhaopeng， et al. Semantic segmentation of paddy image by UAV based on deep learning ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（10）： 165-172.

［19］ 戴雨舒， 仲曉春， 孫成明， 等. 基于圖像處理和DeepLabv3+模型的小麥赤霉病識別［J］. 中國農(nóng)機(jī)化學(xué)報， 2021， 42（9）： 209-215.

Dai Yushu， Zhong Xiaochun， Sun Chengming， et al. Identification of fusarium head blight in wheat-based on image processing and DeepLabv3+ model ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（9）： 209-215.

［20］ 王紅君， 季曉宇， 趙輝， 等. SENet優(yōu)化的DeepLabv3+淡水魚體語義分割［J］. 中國農(nóng)機(jī)化學(xué)報， 2021， 42（3）： 158-163.

Wang Hongjun， Ji Xiaoyu， Zhao Hui， et al. SENet optimized DeepLabv3+ freshwater fish body semantic segmentation ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（3）： 158-163.

［21］ 茍杰松， 蔣怡， 李宗南， 等. 基于DeepLabv3+模型的成都平原水產(chǎn)養(yǎng)殖水體信息提取［J］. 中國農(nóng)機(jī)化學(xué)報， 2021， 42（3）： 105-112.

Gou Jiesong， Jiang Yi， Li Zongnan， et al. Aquaculture water body information extraction in the Chengdu plain based on DeepLabv3+ model ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（3）： 105-112.

［22］ He K M， Zhang X Y， Ren S Q， et al. Deep residual learning for image recognition ［C］. 2016 IEEE Conference on Computer Vision and Pattern Recognition （CPVR）， Las Vegas： IEEE， 2016.