基于改进U-Net模型的小麦收获含杂率在线检测方法

摘要：

含杂率是小麦机械化收获重要指标之一,但现阶段我国小麦收获过程含杂率在线检测难以实现.为了实现小麦机械化收获过程含杂率在线检测,本文提出基于结合注意力的改进U-Net模型的小麦机收含杂率在线检测方法.以机收小麦样本图像为基础,采用Labelme手工标注图像,并通过随机旋转、缩放、剪切、水平镜像对图像进行增强,构建基础图像数据集;设计了结合注意力的改进U-Net模型分类识别模型,并在torch 1.2.0深度学习框架下实现模型的离线训练;将最优的离线模型移植到Nvidia jetson tx2开发套件上,设计了基于图像信息的含杂率量化模型,从而实现小麦机械化收获含杂率在线检测.试验结果表明:针对不同模型的训练结果,结合注意力的改进U-Net模型籽粒和杂质分割识别F1值分别为76.64％和85.70％,比标准U-Net高10.33个百分点和2.86个百分点,比DeepLabV3提高10.22个百分点和11.62个百分点,比PSPNet提高18.40个百分点和14.67个百分点,结合注意力的改进U-Net模型对小麦籽粒和杂质的识别效果最好;在台架试验和田间试验中,装置在线检测含杂率均值分别为1.69％和1.48％,比人工检测高0.26个百分点和0.13个百分点;由含杂率检测结果定性分析可知,无论是台架试验还是田间试验,装置和人工检测结果均小于2％,判定试验过程联合收获机的作业性能均符合国家标准,检测结果具有一致性.因此,本文提出的小麦含杂率在线检测方法能够为小麦联合收获作业质量在线调控提供技术支撑.

关键词：小麦、收获、含杂率、在线检测、注意力机制、U-Net模型

所属期刊栏目：54

分类号：S237(农业机械化)

资助基金：国家重点研发计划;江苏省农业科技自主创新基金项目;江苏省自然科学基金;中央级公益性科研院所基本科研业务费项目

在线出版日期：2023-03-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：73-82