基于改进ResNet-UNet的立木图像分割方法

作     者：仝真 徐爱俊 TONG Zhen;XU Aijun

作者机构：浙江农林大学信息工程学院浙江杭州311300 浙江农林大学浙江省林业智能监测与信息技术研究重点实验室浙江杭州311300 浙江农林大学林业感知技术与智能装备国家林业与草原局重点实验室浙江杭州311300 

基　　金：国家自然科学基金项目(31670641) 浙江省科技重点研发计划项目(2018C2013) 浙江省公益技术应用研究计划项目(LGN19F010001) 

出 版 物：《中南林业科技大学学报》 (Journal of Central South University of Forestry & Technology)

年 卷 期：2021年第41卷第1期

页      码：132-139页

摘      要：【目的】针对现有图像处理方法分割立木精度低的问题,提出一种基于改进ResNet-UNet的立木图像分割方法,实现对图像中立木的精确分割。【方法】将拍摄得到的立木图像输入ResNet-UNet深度学习融合网络模型,初步得到较精确的立木分割图;结合自制的后期处理方法对该分割图进行优化处理,准确分割出立木形状。ResNet-UNet模型充分利用了像素之间的语义关联,以ResNet-34残差模块作为ResNet-UNet网络特征提取的基本单位;以U-Net网络的设计思路对图像进行上采样,以实现分辨率还原。去除ResNet-34网络的平均池化和全连接层,改变U-Net网络模型的特征通道数,形成ResNet-UNet网络模型。结合使用Adam一阶优化算法和dice bce loss损失函数实现了立木图像的初步分割。在后期处理阶段设定动态阈值得到前景和背景,避免了使用固定阈值对立木图像的高质量要求。运用强化学习中评分惩奖的思想,对前景和背景分配像素估计值,将该值和模型训练不同次数时的损失率输入惩罚-奖励机制,从而减轻分割结果对预测最终结果的过度依赖,降低网络过拟合对分割精确度的干扰。【结果】经验证,在自然环境、不同光照条件下分割不同品种的立木,平均误分率较传统的ResNet-UNet方法降低了3.5%,假阴率和假阳率较graph cut方法都降低了20%。【结论】使用ResNetUNet方法分割立木具有较高的精确度和较强的鲁棒性。

主 题 词：图像分割 立木图像 残差网络 U-Net网络 卷积神经网络(CNN) 

学科分类：090704[090704] 0907[农学-草药学] 08[工学] 09[农学] 080203[080203] 0802[工学-机械学] 

D　O　I：10.14067/j.cnki.1673-923x.2021.01.014

馆 藏 号：203101986...