楊麗麗，陳 炎，田偉澤，徐媛媛，歐非凡，吳才聰

（中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，北京 100083）

0 引言

農(nóng)業(yè)是國(guó)民經(jīng)濟(jì)發(fā)展的基礎(chǔ)產(chǎn)業(yè)，目前國(guó)內(nèi)農(nóng)業(yè)生產(chǎn)面臨著勞動(dòng)力不足和生產(chǎn)力低下等問題，發(fā)展農(nóng)業(yè)機(jī)械的自動(dòng)駕駛技術(shù)成為了解決這些問題的關(guān)鍵手段[1]。農(nóng)機(jī)多需要在機(jī)庫(kù)和農(nóng)田之間往來行駛，農(nóng)田間道路缺乏導(dǎo)航線，路邊常有雜草和泥土覆蓋，這就需要自動(dòng)駕駛農(nóng)機(jī)準(zhǔn)確識(shí)別道路區(qū)域，避免陷入兩側(cè)溝渠，同時(shí)躲避道路上的障礙物，實(shí)現(xiàn)安全行駛。機(jī)器視覺系統(tǒng)具有價(jià)格低廉，可靠性高的優(yōu)點(diǎn)，基于視覺原理進(jìn)行道路識(shí)別，提取可行駛區(qū)域，對(duì)于自動(dòng)駕駛農(nóng)機(jī)的發(fā)展尤為重要。

道路識(shí)別通過對(duì)采集到的道路圖像進(jìn)行語義分割，可以看作是像素級(jí)的分類任務(wù)，即對(duì)每一個(gè)像素進(jìn)行背景和道路的二分類任務(wù)，從而提取可行駛區(qū)域。目前對(duì)結(jié)構(gòu)化的城市道路識(shí)別研究較多，Das等[2]使用手工提取特征的方法完成了道路識(shí)別，但這種方法參數(shù)調(diào)整較為復(fù)雜，魯棒性較差。Long等[3]提出了全卷積網(wǎng)絡(luò)（Fully Convolutional Networks, FCN），第一次將深度學(xué)習(xí)用于道路識(shí)別，在復(fù)雜的城市道路場(chǎng)景中實(shí)現(xiàn)了道路區(qū)域提取，但FCN僅使用一次上采樣將提取的高級(jí)語義特征恢復(fù)至原尺寸大小，對(duì)道路邊緣分割精度較低。Ronneberger等[4]在UNet網(wǎng)絡(luò)中提出了編碼解碼結(jié)構(gòu)，解碼結(jié)構(gòu)中使用多步上采樣結(jié)構(gòu)，同時(shí)融合了下采樣過程中的特征，增強(qiáng)了網(wǎng)絡(luò)的邊緣分割能力。Zhang等[5]在UNet結(jié)構(gòu)中加入跳躍性的殘差連接[6]，促進(jìn)了信息的傳播，增加了網(wǎng)絡(luò)的可訓(xùn)練參數(shù)，在道路分割中減少了噪聲點(diǎn)的產(chǎn)生，提高了多條車道交匯處的道路分割精度。Huang等[7]進(jìn)一步改進(jìn)了殘差連接結(jié)構(gòu)，將下采樣過程中的不同大小的特征圖以殘差結(jié)構(gòu)連接到了上采樣過程中，將低級(jí)語義特征與高級(jí)語義特征相融合，進(jìn)一步提升了分割效果。為了提高卷積核的感受野，Chen等[8-13]將空洞卷積與空間金字塔池化（Spatial Pyramid Pooling, SPP）相結(jié)合，對(duì)于道路中的障礙物的邊緣分割具有良好的效果。不同于結(jié)構(gòu)化的城市道路，農(nóng)田間道路缺乏明顯的車道線等交通標(biāo)識(shí)，半結(jié)構(gòu)化和非結(jié)構(gòu)化的道路邊界區(qū)分不明顯，形狀復(fù)雜多樣，道路兩旁的樹木多存在遮擋光照的情況，這些都增大了道路識(shí)別的難度。在農(nóng)田間道路特征明顯的路段，使用色彩信息[14-15]可以實(shí)現(xiàn)良好的分割效果，但這種方法對(duì)于光照極其敏感，缺乏對(duì)環(huán)境變化的適應(yīng)性。針對(duì)丘陵地區(qū)田間道路蜿蜒曲折、坡度大、雜草覆蓋多的特點(diǎn)，李云伍等[16]使用深度學(xué)習(xí)的方法，在FCN中使用不同擴(kuò)張系數(shù)的空洞卷積進(jìn)行級(jí)聯(lián)，提高了道路邊緣形狀的分割效果。

本文采集農(nóng)田間道路圖像構(gòu)建數(shù)據(jù)集，針對(duì)農(nóng)田間道路邊界模糊和環(huán)境復(fù)雜多變等特點(diǎn)，以UNet作為基本結(jié)構(gòu)進(jìn)行改進(jìn)，在農(nóng)田間道路場(chǎng)景下進(jìn)行道路區(qū)域識(shí)別，為后續(xù)的自動(dòng)駕駛農(nóng)機(jī)自主導(dǎo)航奠定基礎(chǔ)。

1 農(nóng)田間道路數(shù)據(jù)采集

采集設(shè)備選取Stereolabs ZED雙目相機(jī)，水平視場(chǎng)為90°，垂直視場(chǎng)為60°。該相機(jī)可同步采集左、右圖像，圖像分辨率為1 280×720（像素），幀率為30幀/s，采集軟件為相機(jī)自帶的ZED Explorer。選取雙目相機(jī)的左目圖像進(jìn)行數(shù)據(jù)集的標(biāo)注和訓(xùn)練。使用Matlab R2019b中的Stereo Camera Calibrator工具箱對(duì)雙目相機(jī)進(jìn)行標(biāo)定，計(jì)算可得左、右相機(jī)焦距、內(nèi)外參數(shù)、旋轉(zhuǎn)矩陣和平移矩陣等參數(shù)。數(shù)據(jù)采集于北京市大興區(qū)榆垡鎮(zhèn)。北京地區(qū)四季分明，夏秋季節(jié)草木茂盛，春冬季節(jié)草木凋零，為實(shí)現(xiàn)數(shù)據(jù)采集過程中盡可能包含實(shí)際生產(chǎn)活動(dòng)中的不同場(chǎng)景、天氣及光照條件，提高數(shù)據(jù)集的適用性，同時(shí)更加客觀地評(píng)估深度學(xué)習(xí)網(wǎng)絡(luò)，選取環(huán)境差異較大的春季和夏季進(jìn)行圖像采集，光照條件包括光照良好、樹蔭遮擋和背光，天氣情況包括晴天、多云和雨天，雙目相機(jī)安裝在農(nóng)機(jī)上，安裝位置保證農(nóng)機(jī)行駛過程中無遮擋，安裝高度1.2 m。數(shù)據(jù)采集時(shí)農(nóng)機(jī)行駛速度約為5 km/h，采集路段的農(nóng)田間道路包括半結(jié)構(gòu)化道路與非結(jié)構(gòu)化道路，道路寬度為3～5 m。采集視頻時(shí)長(zhǎng)約8 h，從視頻中截取圖片制作數(shù)據(jù)集，篩選路段為機(jī)庫(kù)至農(nóng)田的田間道路區(qū)段，選擇清晰圖像，不考慮農(nóng)機(jī)震動(dòng)造成的運(yùn)動(dòng)模糊，共篩選出1 600張圖片，以4:1的比例劃分訓(xùn)練集和測(cè)試集。使用開源標(biāo)注軟件Labelme進(jìn)行圖像標(biāo)注，標(biāo)注得到農(nóng)田間道路與背景的二值圖像，作為真值圖像。

2 改進(jìn)的UNet網(wǎng)絡(luò)結(jié)構(gòu)

UNet由編碼器網(wǎng)絡(luò)和解碼器網(wǎng)絡(luò)組成，編碼器用于信息的提取，解碼器用于將特征圖尺寸恢復(fù)至原圖像大小，網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。在農(nóng)田間道路分割任務(wù)中，UNet中采用最大池化的下采樣方式，只選取2×2（像素）范圍內(nèi)的最大值代替整個(gè)區(qū)域，下采樣后特征圖寬度和高度為原來的一半，這對(duì)于道路特征信息損失較多?；诖耍疚膶?duì)UNet進(jìn)行改進(jìn)，改進(jìn)后的網(wǎng)絡(luò)結(jié)構(gòu)如圖2d所示。輸入圖像首先經(jīng)由2個(gè)大小為3的非對(duì)稱卷積核（Asymmetric Convolution Block，ACBlock）[17]連續(xù)卷積提取道路特征，卷積過程中使用“零值填充”[18]保證特征圖尺寸大小不變，同時(shí)將通道數(shù)擴(kuò)展為64，相比于普通卷積核，具有更好的特征提取能力。在編碼器網(wǎng)絡(luò)中，每經(jīng)過2次卷積操作，增加殘差結(jié)構(gòu)將輸入路徑中的農(nóng)田間道路特征圖以像素點(diǎn)相加的方式與輸出路徑直接相連，每個(gè)卷積操作的后面都會(huì)緊跟一個(gè)批量標(biāo)準(zhǔn)化處理[19]。采用池化卷積融合結(jié)構(gòu)（the Fusion Block of Max Pooling and Convolution, FPCBlock）代替原UNet中最大池化層進(jìn)行下采樣，將下采樣和連續(xù)卷積重復(fù)4次，最終輸出特征圖尺寸相對(duì)縮小為輸入尺寸的1/16，通道數(shù)為1 024。在最后2層中采用空洞非對(duì)稱卷積（Dilated Asymmetric Convolution Block, DACBlock）進(jìn)行第1次卷積。改進(jìn)后的UNet解碼器包含4次上采樣，上采樣的方式為轉(zhuǎn)置卷積，上采樣過程中的特征與對(duì)應(yīng)的下采樣特征在通道層進(jìn)行拼接融合，最后經(jīng)由1×1卷積將通道數(shù)降至2，輸出農(nóng)田間道路與背景的二分類結(jié)果。

2.1 殘差連接

“零值填充”通過對(duì)圖像四周填充數(shù)值為0的像素，可以保持卷積過程中尺寸大小不變，但這種填充方式不利于圖像邊緣處特征的提取，在農(nóng)田間道路分割中降低了道路邊緣形狀的分割精度，殘差連接中的增強(qiáng)路徑可以有效地改善這個(gè)問題。改進(jìn)的UNet在編碼器網(wǎng)絡(luò)中添加了殘差連接，即在輸出層加入了一條輸入層的恒等映射，對(duì)于神經(jīng)網(wǎng)絡(luò)反向傳播過程中的梯度消失[20]的問題也有所改善。殘差連接在不增加額外訓(xùn)練參數(shù)的前提下增加了網(wǎng)絡(luò)復(fù)雜度，訓(xùn)練過程可以產(chǎn)生更多的擾動(dòng)以模擬復(fù)雜的農(nóng)田間道路環(huán)境，從而提高網(wǎng)絡(luò)對(duì)農(nóng)田間道路分割的準(zhǔn)確率。

2.2 池化卷積融合結(jié)構(gòu)（FPCBlock）

原始UNet采用的下采樣結(jié)構(gòu)為最大池化層，用最大池化的選取范圍內(nèi)的最大值用以代替整個(gè)區(qū)域的像素值。最大池化層忽略了特征的位置，具有保持特征平移不變性的優(yōu)點(diǎn)[4,11,21-22]，對(duì)處于圖像中不同位置的道路都可以保持較好的識(shí)別效果，但由于沒有可訓(xùn)練參數(shù)，最大池化層舍棄了3/4的像素值，經(jīng)過4次池化得到的高級(jí)語義特征圖，理論上已無法恢復(fù)出原圖像中小于16像素的特征，損失了較多的有用信息，從而導(dǎo)致遠(yuǎn)處小面積的道路區(qū)域分割精度較差。

卷積操作的下采樣方式具有可訓(xùn)練參數(shù)，經(jīng)過非線性運(yùn)算從而提取圖像中的語義特征[5,23]。結(jié)合最大池化關(guān)注于明顯特征的提取，而卷積則更有利于整體特征重建[24]的特性，本文提出了FPCBlock結(jié)構(gòu)進(jìn)行下采樣，輸入特征圖在FPCBlock中分別進(jìn)行大小和步長(zhǎng)都為2的卷積和池化操作，將得到的結(jié)果在特征通道層進(jìn)行融合，最后采用1×1卷積進(jìn)行降維輸出，如圖2a所示。FPCBlock的輸出層與輸入層相比，特征圖的尺寸減半，而通道數(shù)加倍，保證了卷積過程中道路信息的完整性[4]。改進(jìn)的UNet網(wǎng)絡(luò)使用FPCBlock替代原始UNet下采樣過程中的最大池化層，結(jié)合了卷積和最大池化的優(yōu)點(diǎn)，提高了網(wǎng)絡(luò)對(duì)于復(fù)雜路況的提取能力，同時(shí)保持了在通道層融合結(jié)構(gòu)中編碼器和解碼器特征圖尺寸的一致性。

2.3 ACBlock與DACBlock

ACBlock相比于普通的卷積核，在卷積過程中權(quán)重分布不均勻，在中心點(diǎn)附近的“骨架”結(jié)構(gòu)上具有更高的權(quán)重，形成非對(duì)稱的結(jié)構(gòu)，可以提取更多的有效特征，改進(jìn)的UNet使用ACBlock替換了原網(wǎng)絡(luò)中的普通卷積核，通過增加“骨架”結(jié)構(gòu)位置的權(quán)重提高了卷積核對(duì)于道路特征的提取能力。經(jīng)過批量標(biāo)準(zhǔn)化融合和分支融合[17]，將ACBlock轉(zhuǎn)換為與普通的卷積核相同大小的結(jié)構(gòu)，使改進(jìn)的UNet模型推理時(shí)間沒有增加。

在ACBlock基礎(chǔ)上，本文提出了擴(kuò)大感受野的DACBlock結(jié)構(gòu)，DACBlock中將3×3卷積核替換為擴(kuò)張率為2的空洞卷積，另外2個(gè)分支保持不變，如圖2c所示。空洞卷積提高了卷積核的感受野，可以獲取更多的上下文信息，在神經(jīng)網(wǎng)絡(luò)中通過訓(xùn)練得到道路與路邊雜草、農(nóng)田等的某種“聯(lián)系”，可以更好地提高道路分割精度。但由于空洞卷積中存在空白的間隔，導(dǎo)致分割出的道路圖像會(huì)出現(xiàn)離散的像素點(diǎn)區(qū)域，形成“棋盤效應(yīng)”[25]。DACBlock中先進(jìn)行空洞卷積，再進(jìn)行1×1卷積的平滑處理，同時(shí)另外2個(gè)分支卷積填補(bǔ)“骨架”結(jié)構(gòu)的空白，提高了獲取特征的連續(xù)性，有效地改善了“棋盤效應(yīng)”的問題。改進(jìn)的UNet在下采樣的第4層和第5層中使用DACBlock進(jìn)行第1次卷積，增加了卷積核的感受野，從而提高道路識(shí)別精度。因?yàn)镈ACBlock增加了“骨架”結(jié)構(gòu)處的參數(shù)，導(dǎo)致推理時(shí)間有所增加。

ACBlock和DACBlock僅對(duì)網(wǎng)絡(luò)中的卷積操作進(jìn)行修改，未修改網(wǎng)絡(luò)整體結(jié)構(gòu)，無須修改輸入輸出和超參數(shù)等設(shè)置。

3 試驗(yàn)結(jié)果與分析

3.1 網(wǎng)絡(luò)訓(xùn)練

本文提出的改進(jìn)的UNet網(wǎng)絡(luò)基于PyTorch實(shí)現(xiàn)，訓(xùn)練數(shù)據(jù)集共1 600張圖片，訓(xùn)練集與測(cè)試集分別為1 280與320張圖片。選擇Adam算法進(jìn)行端到端的訓(xùn)練，初始學(xué)習(xí)率設(shè)置為0.000 01，采用指數(shù)衰減的方式動(dòng)態(tài)調(diào)整學(xué)習(xí)率。訓(xùn)練集損失函數(shù)使用基于熵值的二分類損失，計(jì)算公式為

式中?y為此像素點(diǎn)被預(yù)測(cè)為道路的概率值，取值范圍為0～1，y為此像素點(diǎn)的真值，若此像素點(diǎn)為道路，則定義為1，否則為0。驗(yàn)證集損失函數(shù)計(jì)算方式如下：

式中A、B分別為預(yù)測(cè)道路區(qū)域和真值道路區(qū)域的面積，即區(qū)域范圍內(nèi)像素點(diǎn)的個(gè)數(shù)。Batchsize設(shè)置為8，默認(rèn)訓(xùn)練輪數(shù)為500，使用早停（Early Stopping Round）方法，當(dāng)連續(xù)10輪訓(xùn)練中驗(yàn)證集損失函數(shù)不下降時(shí)，即停止訓(xùn)練，早停方法可以避免過擬合的產(chǎn)生，從而提高模型對(duì)于復(fù)雜環(huán)境的適應(yīng)性。采用交并比（Intersection Over Union, IOU）作為測(cè)試集評(píng)價(jià)標(biāo)準(zhǔn)，計(jì)算公式如下：

3.2 改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)評(píng)估

本文使用的模型預(yù)測(cè)平臺(tái)GPU配置為GTX 1650，內(nèi)存為4G，為了評(píng)估各個(gè)改進(jìn)結(jié)構(gòu)的效果進(jìn)行對(duì)比試驗(yàn)，以UNet為基礎(chǔ)網(wǎng)絡(luò)，逐步添加改進(jìn)結(jié)構(gòu)，構(gòu)建6組不同的神經(jīng)網(wǎng)絡(luò)，試驗(yàn)如表1所示。試驗(yàn)1為原始UNet網(wǎng)絡(luò)，試驗(yàn)2在試驗(yàn)1的基礎(chǔ)上添加了殘差連接，試驗(yàn)3，4在試驗(yàn)2的基礎(chǔ)上，分別將下采樣方式替換為卷積和FPCBlock，試驗(yàn)5，6在試驗(yàn)4的基礎(chǔ)上，將卷積核分別替換為ACBlock和DACBlock。通過不同網(wǎng)絡(luò)的對(duì)比，驗(yàn)證本文不同改進(jìn)結(jié)構(gòu)的提升效果。訓(xùn)練過程使用農(nóng)田間道路訓(xùn)練集進(jìn)行訓(xùn)練，訓(xùn)練完成后在測(cè)試集進(jìn)行測(cè)試，將在測(cè)試集上的預(yù)測(cè)結(jié)果與Labelme軟件標(biāo)注得到的真值比較，計(jì)算得到IOU以評(píng)價(jià)網(wǎng)絡(luò)的精度，網(wǎng)絡(luò)推理時(shí)間為預(yù)測(cè)過程中平均每張圖片的處理時(shí)間。

表1 不同改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)的效果對(duì)比 Table 1 Comparison of effects of different improved network structures

由表1可以看出，使用UNet網(wǎng)絡(luò)進(jìn)行農(nóng)田間道路分割，IOU僅為78.51%，本文提出的改進(jìn)UNet網(wǎng)絡(luò)IOU提高了6.52個(gè)百分點(diǎn)，達(dá)到85.03%，由于FPCBlock和DACBlock中增加了訓(xùn)練參數(shù)，導(dǎo)致模型參數(shù)量和推理時(shí)間有所增加。對(duì)比試驗(yàn)2，3可以看出，使用卷積下采樣比最大池化下采樣IOU提高了2.22個(gè)百分點(diǎn)，這是因?yàn)榫矸e核在作用區(qū)域使用非線性計(jì)算提取了特征，訓(xùn)練過程中通過梯度下降不斷提高特征提取能力，增加了模型訓(xùn)練參數(shù)，減少了下采樣過程中的信息損失。對(duì)比試驗(yàn)3，4可以看出，F(xiàn)PCBlock比卷積下采樣的IOU提高了1.41個(gè)百分點(diǎn)，這是因?yàn)镕PCBlock在卷積下采樣的基礎(chǔ)上，將卷積與最大池化得到的特征進(jìn)行融合，僅增加了1×1卷積核中的少量參數(shù)，使模型預(yù)測(cè)IOU進(jìn)一步得到提升。對(duì)比試驗(yàn)4，5可以看出，ACBlock比普通卷積IOU提高了1.11個(gè)百分點(diǎn)，這是因?yàn)槭褂肁CBlock替換普通卷積核后，增加了“骨架”結(jié)構(gòu)的權(quán)重，這對(duì)于圖像的旋轉(zhuǎn)變形具有良好的識(shí)別效果，ACBlock卷積核大小與普通卷積核相同，因此模型參數(shù)量和推理時(shí)間與原結(jié)構(gòu)保持一致。對(duì)比試驗(yàn)5，6可以看出，DACBlock比ACBlock IOU提高了1.06個(gè)百分點(diǎn)，這是因?yàn)镈ACBlock在ACBlock的基礎(chǔ)上使用空洞卷積，同時(shí)在另外2個(gè)分支中填補(bǔ)了空洞卷積“骨架”結(jié)構(gòu)中的空白部分，在保持特征圖尺寸不變的前提下，提高了高級(jí)語義特征的感受野，進(jìn)一步提高了分割精度。

為了更直觀地表示網(wǎng)絡(luò)改進(jìn)效果，選取表1中的試驗(yàn)1、2、4和6共4組不同的網(wǎng)絡(luò)，分別代表原始UNet，和在UNet基礎(chǔ)上逐步添加殘差連接、FPCBlock、ACBlock和DACBlock結(jié)構(gòu)，選取不同條件的農(nóng)田間道路圖像作為輸入圖像，以Labelme軟件標(biāo)注得到的二值圖像作為真值圖像，網(wǎng)絡(luò)預(yù)測(cè)結(jié)果對(duì)比如圖3所示。

由圖3可以看出，春季和夏季農(nóng)田間道路圖像中，背景差異較大，改進(jìn)后的UNet都能進(jìn)行較好的道路識(shí)別；多云天氣下，由于雜草遮擋的原因，在道路交匯處識(shí)別精度較差；雨后存在積水的道路，由于存在鏡面反射，對(duì)積水處存在一定程度的誤識(shí)別；在光照良好和傍晚、樹蔭等光照較弱的情況下，可以較好地完成道路分割，保障了農(nóng)機(jī)的安全行駛。

3.3 與其他神經(jīng)網(wǎng)絡(luò)對(duì)比

為了進(jìn)一步評(píng)價(jià)改進(jìn)UNet對(duì)于田間道路分割的性能，使用 UNet[4]、ResUNet[5]、DeeplabV3[10]、DeeplabV3+[11]、UNet3+[7], 在農(nóng)田間道路訓(xùn)練集上進(jìn)行訓(xùn)練后，然后在測(cè)試集上進(jìn)行測(cè)試得到推理時(shí)間和IOU，并與本文提出的改進(jìn)UNet進(jìn)行對(duì)比，以對(duì)比不同神經(jīng)網(wǎng)絡(luò)在農(nóng)田間道路分割時(shí)的精度和時(shí)間復(fù)雜度，比較結(jié)果如表2所示。

表2 不同網(wǎng)絡(luò)結(jié)構(gòu)的田間道路分割效果對(duì)比 Table 2 Comparison of field road segmentation effect with different network structures

從表2可以看出，本文提出的改進(jìn)的UNet網(wǎng)絡(luò)，在分割準(zhǔn)確率IOU要優(yōu)于其他網(wǎng)絡(luò)。對(duì)比針對(duì)編碼器網(wǎng)絡(luò)和解碼器網(wǎng)絡(luò)的改進(jìn)效果，表1中的試驗(yàn)2僅在編碼器網(wǎng)絡(luò)中增加了殘差連接，IOU為79.23%，而ResUnet在編碼器和解碼器網(wǎng)絡(luò)都增加了殘差連接，IOU為79.28%，可以看出，改進(jìn)解碼器網(wǎng)絡(luò)模型提升效果不明顯，與前人結(jié)論一致[24]。

在農(nóng)田間道路分割任務(wù)中，道路區(qū)域在圖像中的分布位置呈現(xiàn)出近處占比高，遠(yuǎn)處占比小的特點(diǎn)，道路邊緣缺乏規(guī)則的分界線，這些都增大了道路分割的難度。在農(nóng)田間道路分割任務(wù)中，分割精度對(duì)于安全駕駛尤為重要。本文提出的改進(jìn)的UNet分割I(lǐng)OU為85.03%，相比其他網(wǎng)絡(luò)精度較高，網(wǎng)絡(luò)推理時(shí)間平均每張圖片為163 ms，推理速度低于ResUNet，UNet 3+等網(wǎng)絡(luò)。農(nóng)機(jī)在農(nóng)田間道路上的行駛速度在20 km/h左右，表2中所有網(wǎng)絡(luò)推理時(shí)間都能滿足自動(dòng)駕駛農(nóng)機(jī)對(duì)于道路識(shí)別的速度要求。相比于其他網(wǎng)絡(luò)，本文提出的改進(jìn)UNet在推理時(shí)間滿足要求的同時(shí)識(shí)別效果最優(yōu)，適合自動(dòng)駕駛農(nóng)機(jī)的田間道路識(shí)別。

4 結(jié) 論

在農(nóng)田間道路分割任務(wù)中，本文以UNet為基本網(wǎng)絡(luò)結(jié)構(gòu)，提出了以下3個(gè)改進(jìn)方向：

1）在解碼器網(wǎng)絡(luò)中每?jī)蓚€(gè)卷積操作之間建立一條恒等映射通道，通過像素點(diǎn)相加的方式建立殘差連接，改善了訓(xùn)練過程中梯度消失的問題，跳躍連接結(jié)構(gòu)促進(jìn)了網(wǎng)絡(luò)中信息傳播效率，增加了網(wǎng)絡(luò)復(fù)雜度。

2）建立FPCBlock，替代UNet網(wǎng)絡(luò)中最大池化層。該結(jié)構(gòu)結(jié)合了卷積和最大池化操作的優(yōu)點(diǎn)，通過使用可訓(xùn)練參數(shù)進(jìn)行下采樣，減少了信息的損失。

3）使用ACBlock和DACBlock替換UNet中的3×3卷積核，ACBlock提高了卷積核的使用效率，DACBlock使用空洞卷積提高了卷積核的感受野，同時(shí)填補(bǔ)了空洞卷積“骨架”結(jié)構(gòu)中的空白部分，改善了“棋盤效應(yīng)”的問題。ACBlock和DACBlock使用方便，可以直接替換網(wǎng)絡(luò)中的普通卷積核，無須修改超參數(shù)設(shè)置，便于進(jìn)行網(wǎng)絡(luò)的訓(xùn)練。

本文提出的改進(jìn)的UNet網(wǎng)絡(luò)，分割I(lǐng)OU為85.03%，相較于原UNet提高了6.52個(gè)百分點(diǎn)，且高于ResUNet、UNet 3+等網(wǎng)絡(luò)，平均每張圖片推理時(shí)間為163 ms，符合自動(dòng)駕駛農(nóng)機(jī)的時(shí)間要求。