亢 潔 劉 港 郭國(guó)法

(陜西科技大學(xué)電氣與控制工程學(xué)院，西安 710021)

0 引言

雜草生長(zhǎng)迅速、繁殖能力強(qiáng)，與作物爭(zhēng)奪養(yǎng)分、陽(yáng)光、空間和水，阻礙作物的正常生長(zhǎng)，影響作物質(zhì)量和產(chǎn)量，對(duì)農(nóng)業(yè)生產(chǎn)造成不利影響[1-3]。連續(xù)噴霧是目前采用的主要施藥方式，但缺乏針對(duì)性，農(nóng)藥會(huì)均勻覆蓋目標(biāo)區(qū)域，無(wú)雜草區(qū)域噴施農(nóng)藥造成了農(nóng)藥的浪費(fèi)，對(duì)環(huán)境造成污染，噴施在作物上的農(nóng)藥影響了作物品質(zhì)。為了減少農(nóng)藥浪費(fèi)，提高農(nóng)藥的利用率，基于雜草檢測(cè)的農(nóng)藥精準(zhǔn)變量噴灑研究變得十分迫切[4-6]。通過(guò)選擇性噴灑不僅可以最大限度地減少除草劑的使用，還可以通過(guò)使用機(jī)器清除雜草來(lái)降低勞動(dòng)力成本。而自動(dòng)化機(jī)械除草作業(yè)過(guò)程中，實(shí)時(shí)、準(zhǔn)確地對(duì)作物與雜草進(jìn)行檢測(cè)是實(shí)現(xiàn)精準(zhǔn)高效除草的關(guān)鍵前提[7-8]。同時(shí)，相對(duì)于普通連續(xù)噴霧的方式，利用精準(zhǔn)噴灑技術(shù)進(jìn)行除草還可以減少環(huán)境污染，有利于實(shí)現(xiàn)農(nóng)業(yè)的可持續(xù)發(fā)展[9]。

隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，其在農(nóng)業(yè)領(lǐng)域越來(lái)越廣泛地被應(yīng)用。FAWAKHERJI等[10]提出了將魯棒性強(qiáng)的像素分割與基于卷積神經(jīng)網(wǎng)絡(luò)的有監(jiān)督圖像分類(lèi)相結(jié)合，應(yīng)用于向日葵田農(nóng)業(yè)機(jī)器人獲取的RGB圖像，將圖像中感興趣區(qū)域分類(lèi)為作物和雜草。FERREIRA等[11]通過(guò)超像素分割法預(yù)處理大豆與雜草圖像，基于Caffe框架訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)大豆農(nóng)作物與雜草的檢測(cè)識(shí)別，研究目的是利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)大豆作物圖像中的雜草進(jìn)行檢測(cè)，并將這些雜草分為禾本科和闊葉雜草，將特定的除草劑應(yīng)用于不同的雜草。但是該模型的泛化性不高，涉及另一種類(lèi)型的作物，幾乎沒(méi)有適應(yīng)性。國(guó)內(nèi)在雜草檢測(cè)領(lǐng)域雖然起步較晚，研究較少，但也取得了較好的研究成果。孫俊等[12]針對(duì)典型的AlexNet網(wǎng)絡(luò)進(jìn)行改進(jìn)，采用空洞卷積與全局池化相結(jié)合的方式，減少模型參數(shù)，使網(wǎng)絡(luò)結(jié)構(gòu)變得更寬，對(duì)不同作物的幼苗與雜草進(jìn)行識(shí)別，具有較強(qiáng)的識(shí)別能力。王璨等[13]提出了基于卷積神經(jīng)網(wǎng)絡(luò)提取多尺度分層特征的玉米雜草識(shí)別方法，通過(guò)將多尺度分層特征與超像素分割相結(jié)合，提高了目標(biāo)識(shí)別的準(zhǔn)確性，但該特征提取模型所需的訓(xùn)練時(shí)間較長(zhǎng)。孫哲等[14]提出一種基于Faster R-CNN的田間西蘭花幼苗圖像檢測(cè)方法，通過(guò)將ResNet50、ResNet101和VGG16網(wǎng)絡(luò)分別作為特征提取網(wǎng)絡(luò)，最終確定最優(yōu)的特征提取網(wǎng)絡(luò)ResetNet101，并通過(guò)優(yōu)化網(wǎng)絡(luò)超參數(shù)，提升檢測(cè)效果，為智能除草作業(yè)中的作物識(shí)別提供了方向。姜紅花等[15]提出基于Mask R-CNN的玉米田間雜草檢測(cè)方法，該方法結(jié)合目標(biāo)檢測(cè)和語(yǔ)義分割可檢測(cè)出雜草的類(lèi)別、位置及輪廓面積，從而實(shí)現(xiàn)定位、定量的農(nóng)藥噴灑。樊湘鵬等[16]通過(guò)優(yōu)化的Faster R-CNN模型對(duì)棉花苗期的雜草進(jìn)行識(shí)別與定位，優(yōu)化后的模型可對(duì)雜草與棉花幼苗伴生、雜草分布稀疏或分布緊密且多目標(biāo)等情況下的雜草進(jìn)行有效識(shí)別與定位。

上述研究多采用更深或者更寬的網(wǎng)絡(luò)，從而提升模型的檢測(cè)精度，但也導(dǎo)致了模型參數(shù)規(guī)模大，且上述研究都未對(duì)小尺寸作物與雜草問(wèn)題進(jìn)行研究。為了解決上述問(wèn)題，本文在標(biāo)準(zhǔn)SSD網(wǎng)絡(luò)基礎(chǔ)上提出一種基于多尺度融合模塊和特征增強(qiáng)的雜草檢測(cè)方法，在甜菜和雜草數(shù)據(jù)集中進(jìn)行驗(yàn)證，并與標(biāo)準(zhǔn)SSD網(wǎng)絡(luò)方法做對(duì)比，以驗(yàn)證本文方法的有效性。

1 基于多尺度融合模塊和特征增強(qiáng)的雜草檢測(cè)模型

SSD檢測(cè)模型是由LIU等[17]提出的一個(gè)模型，它利用不同尺度和長(zhǎng)寬比的先驗(yàn)框檢測(cè)圖像中的目標(biāo)對(duì)象，并通過(guò)非極大值抑制(NMS)達(dá)到較好的檢測(cè)效果和速度，整個(gè)過(guò)程只需要一步，是單階段目標(biāo)檢測(cè)網(wǎng)絡(luò)的典型代表。SSD網(wǎng)絡(luò)模型由兩部分組成，第1部分是用于圖像特征提取的VGG16網(wǎng)絡(luò)，在SSD網(wǎng)絡(luò)中刪除其全連接層；第2部分是進(jìn)行目標(biāo)分類(lèi)檢測(cè)，使用兩個(gè)卷積層替代VGG16中的兩個(gè)全連接層，并增加了4個(gè)卷積層，還加入了特征金字塔[18]的檢測(cè)方式，從而實(shí)現(xiàn)多尺度目標(biāo)檢測(cè)。

SSD網(wǎng)絡(luò)提取6個(gè)不同尺度的特征圖來(lái)檢測(cè)目標(biāo)對(duì)象，其中采用淺層特征圖檢測(cè)小目標(biāo)，深層特征圖檢測(cè)大目標(biāo)，與YOLO網(wǎng)絡(luò)只采用單一層預(yù)測(cè)的方式相比，SSD網(wǎng)絡(luò)檢測(cè)的尺度性更好。但因?yàn)镾SD網(wǎng)絡(luò)不同層的特征圖之間相互獨(dú)立，且SSD的前置基礎(chǔ)網(wǎng)絡(luò)采用VGG16網(wǎng)絡(luò)，這導(dǎo)致模型參數(shù)大，收斂速度慢，另外由于淺層的特征圖所含語(yǔ)義信息較少，導(dǎo)致該網(wǎng)絡(luò)對(duì)小尺寸物體的檢測(cè)效果比較差。

為解決上述SSD網(wǎng)絡(luò)出現(xiàn)的問(wèn)題，本文提出一種基于多尺度融合模塊和特征增強(qiáng)的雜草檢測(cè)模型，如圖1所示，該模型采用輕量網(wǎng)絡(luò)MobileNet作為特征提取網(wǎng)絡(luò)，通過(guò)設(shè)計(jì)多尺度融合模塊(黃色框)提升小目標(biāo)檢測(cè)效果，最后通過(guò)通道注意力機(jī)制SENet(綠色框)進(jìn)行通道權(quán)重重標(biāo)定，對(duì)重要圖像特征進(jìn)行特征增強(qiáng)，以提高雜草檢測(cè)算法的檢測(cè)效果。

圖1 基于多尺度融合模塊和特征增強(qiáng)的雜草檢測(cè)模型Fig.1 Weed detection model based on multi-scale fusion module and feature enhancement

1.1 多尺度融合模塊

淺層特征圖感受野較小，小目標(biāo)細(xì)節(jié)信息較多，但缺少豐富的語(yǔ)義信息；深層特征圖感受野較大，有豐富的語(yǔ)義信息，但包含的小目標(biāo)信息較少。SSD算法使用淺層特征圖檢測(cè)小目標(biāo)，深層特征圖檢測(cè)大目標(biāo)，由于淺層特征圖缺乏語(yǔ)義信息，因此，SSD算法對(duì)小目標(biāo)的檢測(cè)效果較差。

本文設(shè)計(jì)一種多尺度融合模塊，通過(guò)通道注意力機(jī)制逐通道進(jìn)行通道權(quán)重重標(biāo)定，增強(qiáng)圖像中的關(guān)鍵特征，并通過(guò)不同膨脹率的擴(kuò)張卷積擴(kuò)大淺層特征圖感受野，充分獲取目標(biāo)的上下文信息，最后將多條分支的輸出進(jìn)行特征融合。融合后的特征圖具有豐富的小目標(biāo)細(xì)節(jié)信息和語(yǔ)義信息，從而達(dá)到提高小目標(biāo)檢測(cè)效果的目的。

通道注意力機(jī)制SENet(Squeeze-and-excitation networks)[19]的原理是根據(jù)全局信息來(lái)學(xué)習(xí)通道特征權(quán)重，增大有效通道特征的權(quán)重，減小無(wú)效或效果小的通道特征的權(quán)重，提升模型對(duì)通道特征的敏感性，整個(gè)操作分為壓縮、激勵(lì)和通道權(quán)重重標(biāo)定操作。如圖2所示，首先壓縮操作將用于檢測(cè)小目標(biāo)的19×19×512特征圖經(jīng)全局平均池化操作，把每一個(gè)通道的特征圖的所有像素值相加求平均，得到一個(gè)數(shù)值，即用該數(shù)值表示對(duì)應(yīng)通道的特征圖，則該數(shù)值具有全局的感受野，感受區(qū)域更廣，此時(shí)特征圖尺寸為1×1×512；然后通過(guò)全連接層(FC)和激活函數(shù)(Sigmoid)為每個(gè)特征通道生成權(quán)重，此時(shí)特征圖尺寸為1×1×512；最后通過(guò)乘法運(yùn)算，將得到的權(quán)重逐通道加權(quán)到先前的特征上，完成在通道維度上對(duì)原始特征的重標(biāo)定，得到與原特征圖尺寸相同，經(jīng)通道信息強(qiáng)度重標(biāo)定的19×19×512的特征圖。

圖2 SENet模塊操作示意圖Fig.2 Operation diagram of SENet module

經(jīng)過(guò)通道注意力機(jī)制對(duì)通道信息重標(biāo)定，小目標(biāo)細(xì)節(jié)信息被增強(qiáng)，但還是缺乏豐富的上下文語(yǔ)義信息。為使淺層特征圖也具有豐富的語(yǔ)義信息，采用不同膨脹率的擴(kuò)張卷積進(jìn)行多尺度特征提取，擴(kuò)大感受野，充分獲取目標(biāo)上下文信息。擴(kuò)張卷積[20]是為了解決圖像分割算法中常使用池化層和卷積層組合的方式增加感受野，從而導(dǎo)致圖像分辨率降低、細(xì)節(jié)丟失的問(wèn)題。而擴(kuò)張卷積操作可以在增加感受野的同時(shí)保持特征圖的尺寸不變，從而代替下采樣和上采樣的操作[21]。擴(kuò)張卷積有參數(shù)r，表示卷積核的膨脹系數(shù)。擴(kuò)張卷積能將卷積核擴(kuò)張到膨脹系數(shù)所約束的尺度中，并將原卷積核中未被占用的區(qū)域填充為0，這樣就可在卷積核的參數(shù)個(gè)數(shù)保持不變且不降低圖像分辨率的情況下，使感受野隨著參數(shù)r的增加而增加。擴(kuò)張卷積計(jì)算方式為：假設(shè)原始的卷積核尺寸為f，膨脹系數(shù)為r，則經(jīng)過(guò)膨脹后卷積核尺寸f′為

f′=r(f-1)+1

(1)

卷積核經(jīng)過(guò)膨脹后的感受野長(zhǎng)×寬為[(f+1)(r-1)+f]×[(f+1)(r-1)+f]。

本文設(shè)計(jì)的多尺度融合模塊如圖3所示。融合方式為將19×19的特征圖通過(guò)通道注意力機(jī)制學(xué)習(xí)的方式，對(duì)特征圖進(jìn)行通道權(quán)重重新標(biāo)定，增強(qiáng)重要的關(guān)鍵特征，抑制無(wú)效通道特征(如圖像中土壤背景信息)，以此突出圖像中重要的目標(biāo)物信息。采用不同膨脹系數(shù)的擴(kuò)張卷積擴(kuò)大感受野，本文采用3×3的卷積核，使用膨脹系數(shù)為2和4的擴(kuò)張卷積對(duì)輸入圖像進(jìn)行采樣，得到豐富的圖像上下文信息，并將兩條分支的輸出進(jìn)行特征融合，得到新的特征圖，新特征圖的尺寸保持不變，通道數(shù)從原來(lái)的512變?yōu)? 024。

圖3 多尺度融合模塊Fig.3 Multi-scale fusion module

1.2 特征增強(qiáng)

一幅特征圖包含了多個(gè)特征通道，而有些特征通道較重要，有些特征通道對(duì)目標(biāo)檢測(cè)效果貢獻(xiàn)不大。SENet模塊通過(guò)學(xué)習(xí)的方式，增強(qiáng)重要的通道特征，抑制不重要通道特征，從而提升目標(biāo)檢測(cè)效果。

SSD檢測(cè)模型通過(guò)提取6個(gè)不同尺度的特征圖來(lái)檢測(cè)目標(biāo)對(duì)象，基于此，利用SENet模塊對(duì)用于目標(biāo)檢測(cè)的6個(gè)特征圖進(jìn)行通道特征權(quán)重分配，增強(qiáng)圖像中的關(guān)鍵特征，使提取的特征更具方向性，從而提高作物和雜草模型檢測(cè)精度。如圖4所示，分別用SENet模塊增強(qiáng)6個(gè)輸出特征圖。

圖4 特征增強(qiáng)結(jié)構(gòu)圖Fig.4 Structure diagram of feature enhancement

2 實(shí)驗(yàn)

2.1 實(shí)驗(yàn)設(shè)計(jì)

實(shí)驗(yàn)操作平臺(tái)為Ubuntu 16.04系統(tǒng)，采用PyTorch深度學(xué)習(xí)框架，CPU型號(hào)為Intel(R)Xeon(R)E5-2678 v3@2.5 GHz，顯卡(GPU)的型號(hào)為NVIDIA GeForce RTX 2080 Ti，顯卡內(nèi)存11 GB，編程語(yǔ)言為Python。為降低系統(tǒng)硬件在深度學(xué)習(xí)模型構(gòu)建和特征提取時(shí)的壓力，訓(xùn)練集圖像進(jìn)一步壓縮至300像素×300像素。設(shè)置實(shí)驗(yàn)初始學(xué)習(xí)率為0.001，采用隨機(jī)梯度下降法SGD更新網(wǎng)絡(luò)參數(shù)，學(xué)習(xí)動(dòng)量為0.9，權(quán)重衰減率為0.000 5。

2.2 評(píng)價(jià)標(biāo)準(zhǔn)

采用平均精確率(Average precision，AP)、平均精度均值(Mean average precision，mAP)和目標(biāo)檢測(cè)速度(Frames per second，F(xiàn)PS)對(duì)雜草檢測(cè)模型的檢測(cè)效果進(jìn)行評(píng)估。

平均精確率AP由召回率R(Recall)與精確率P(Precision)決定，是單個(gè)類(lèi)別檢測(cè)性能結(jié)果的直觀標(biāo)準(zhǔn)。

除了檢測(cè)精度指標(biāo)外，目標(biāo)檢測(cè)算法的另一個(gè)重要性能指標(biāo)就是檢測(cè)速度。FPS表示目標(biāo)網(wǎng)絡(luò)每秒可以處理(檢測(cè))圖像數(shù)量(幀)，可以理解為圖像的刷新頻率，用來(lái)評(píng)估模型檢測(cè)速度，F(xiàn)PS越大，說(shuō)明檢測(cè)速度越高。

2.3 數(shù)據(jù)樣本結(jié)構(gòu)

2.3.1數(shù)據(jù)來(lái)源

本文使用的數(shù)據(jù)集為公開(kāi)的作物雜草數(shù)據(jù)集，該數(shù)據(jù)集選擇自然環(huán)境下甜菜及其伴生雜草為實(shí)驗(yàn)對(duì)象，共包含1 930幅圖像，該樣本數(shù)據(jù)由田間農(nóng)業(yè)機(jī)器人采集得到，從晴天干燥環(huán)境到陰天潮濕環(huán)境捕捉了不同的天氣和土壤條件下的甜菜及雜草，能較好地反映自然環(huán)境下甜菜及伴生雜草的真實(shí)特點(diǎn)。該數(shù)據(jù)集由CHEBROLU等[22]制作，下載地址為 http:∥www.ipb.uni-bonn.de/data/sugarbeets2016/。對(duì)數(shù)據(jù)集利用LabelImg圖像標(biāo)注工具進(jìn)行標(biāo)注。

LabelImg的界面如圖5所示，中央?yún)^(qū)域?yàn)樾枰獦?biāo)注的圖像，對(duì)目標(biāo)物體進(jìn)行標(biāo)注時(shí)最后需要形成一個(gè)框。當(dāng)標(biāo)注完一個(gè)物體后，軟件會(huì)自動(dòng)彈出一個(gè)對(duì)話框用于標(biāo)識(shí)其所屬的類(lèi)別，所有標(biāo)注的類(lèi)別會(huì)在軟件右側(cè)的上部顯示，并且還可以隨時(shí)修改。當(dāng)標(biāo)注完一幅圖像內(nèi)的所有物體時(shí)，軟件會(huì)將標(biāo)注的信息保存在XML文件中，方便后續(xù)調(diào)整及使用。

圖5 LabelImg標(biāo)注圖Fig.5 LabelImg annotation

2.3.2數(shù)據(jù)增強(qiáng)

訓(xùn)練深層卷積神經(jīng)網(wǎng)絡(luò)需要大量的數(shù)據(jù)，如果訓(xùn)練集的數(shù)量級(jí)小于模型的復(fù)雜度，可能會(huì)造成過(guò)擬合的現(xiàn)象。而卷積神經(jīng)網(wǎng)絡(luò)具有不變性的特點(diǎn)，即對(duì)于圖像的平移、旋轉(zhuǎn)等操作，卷積神經(jīng)網(wǎng)絡(luò)依然可以識(shí)別出圖像中的目標(biāo)。因此為增加數(shù)據(jù)集的數(shù)量及其多樣性，本文通過(guò)顏色抖動(dòng)、隨機(jī)噪聲和翻轉(zhuǎn)操作對(duì)下載的數(shù)據(jù)集進(jìn)行擴(kuò)充，增強(qiáng)模型的泛化能力，處理后圖像如圖6所示。

圖6 數(shù)據(jù)增強(qiáng)后的圖像Fig.6 Images after data enhancement

通過(guò)數(shù)據(jù)增強(qiáng)方法對(duì)數(shù)據(jù)集進(jìn)行了擴(kuò)充，擴(kuò)充后的數(shù)據(jù)集數(shù)量為3 321幅。將擴(kuò)展得到的數(shù)據(jù)集的80%作為訓(xùn)練集，20%作為測(cè)試集，并將原始圖片壓縮為300像素×300像素的圖像，作為訓(xùn)練模型的輸入。

2.4 實(shí)驗(yàn)結(jié)果與分析

2.4.1不同檢測(cè)模型性能對(duì)比

為驗(yàn)證本文所提方法的檢測(cè)性能，對(duì)數(shù)據(jù)集中的作物和雜草進(jìn)行檢測(cè)，將本文所提方法與標(biāo)準(zhǔn)SSD模型進(jìn)行了對(duì)比實(shí)驗(yàn)，表1為數(shù)據(jù)集在不同算法下的檢測(cè)結(jié)果對(duì)比。

表1 本文模型與標(biāo)準(zhǔn)SSD模型在甜菜與雜草數(shù)據(jù)集上的檢測(cè)結(jié)果Tab.1 Detection results of improved model and SSD model on beet and weed data set

從表1看出，標(biāo)準(zhǔn)SSD模型的平均精度均值(mAP)為85.61%，本文所提模型的平均精度均值mAP為88.84%，相比標(biāo)準(zhǔn)SSD模型，本文所提模型的平均精度均值提高了3.23個(gè)百分點(diǎn)。標(biāo)準(zhǔn)SSD模型的參數(shù)量為2.61×107，模型檢測(cè)速度為20.41 f/s，本文所提模型參數(shù)量為1.12×107，檢測(cè)速度為38.46 f/s，由于本文所提模型將輕量網(wǎng)絡(luò)MobileNet作為SSD模型的特征提取網(wǎng)絡(luò)，使得模型參數(shù)量較標(biāo)準(zhǔn)SSD模型減少了57.09%，檢測(cè)速度提高了88.44%。證明本文所提模型具有檢測(cè)精度高、參數(shù)少、檢測(cè)速度快的特點(diǎn)，能較好滿(mǎn)足農(nóng)業(yè)作業(yè)中的實(shí)時(shí)性要求。

圖7為2種模型在甜菜與雜草數(shù)據(jù)集上的訓(xùn)練損失曲線，包括兩種模型的分類(lèi)損失、回歸損失和總體損失。由圖7可知，在數(shù)據(jù)集訓(xùn)練過(guò)程中，各網(wǎng)絡(luò)模型的損失值都隨著迭代次數(shù)的增加不斷收斂，本文所提模型的分類(lèi)損失和回歸損失均小于標(biāo)準(zhǔn)SSD模型，證明本文模型比標(biāo)準(zhǔn)SSD模型有更好的檢測(cè)精度，誤檢和漏檢現(xiàn)象減少。

圖7 2種模型的訓(xùn)練損失曲線Fig.7 Training loss curves of two models

2.4.2葉片交疊與小尺寸目標(biāo)檢測(cè)對(duì)比實(shí)驗(yàn)

將本文所提模型與標(biāo)準(zhǔn)SSD模型在測(cè)試集中的檢測(cè)結(jié)果進(jìn)行了對(duì)比分析。在檢測(cè)結(jié)果中，所有的檢出目標(biāo)都用邊框標(biāo)記其位置，并顯示該目標(biāo)的所屬類(lèi)別和置信度。小目標(biāo)檢測(cè)結(jié)果對(duì)比如圖8所示，葉片交疊情況檢測(cè)對(duì)比如圖9所示。

圖8 小目標(biāo)檢測(cè)結(jié)果對(duì)比Fig.8 Comparison of small target detection results

圖9 葉片交疊情況檢測(cè)結(jié)果對(duì)比Fig.9 Comparison of test results for blade overlap

從圖8中看出，當(dāng)圖像中存在尺寸較小的雜草時(shí)，標(biāo)準(zhǔn)模型只檢測(cè)出了尺寸較大的作物和雜草，無(wú)法檢測(cè)出細(xì)小雜草。

從圖9中看出，對(duì)于圖像中的葉片交疊情況，本文所提方法可以準(zhǔn)確定位和檢測(cè)出作物和雜草，而標(biāo)準(zhǔn)模型則將其檢測(cè)為同株植物。

由圖8、9可知，相比于標(biāo)準(zhǔn)模型，基于多尺度融合模塊和特征增強(qiáng)的雜草檢測(cè)模型檢測(cè)結(jié)果更符合實(shí)際要求，預(yù)測(cè)結(jié)果置信度高，沒(méi)有出現(xiàn)檢測(cè)框過(guò)大，或包裹不全目標(biāo)物的現(xiàn)象。表明本文模型可準(zhǔn)確預(yù)測(cè)目標(biāo)物位置及類(lèi)別信息，具有良好的泛化能力和魯棒性。

3 結(jié)束語(yǔ)

將輕量網(wǎng)絡(luò)MobileNet作為SSD模型的特征提取網(wǎng)絡(luò)，減少了模型參數(shù)量，提升了模型特征提取速度；設(shè)計(jì)了多尺度融合模塊，通過(guò)通道注意力機(jī)制增強(qiáng)有用的通道信息，抑制無(wú)用的信息，通過(guò)不同膨脹系數(shù)的擴(kuò)張卷積擴(kuò)大淺層特征圖的感受野；最后利用SENet模塊對(duì)6個(gè)輸出特征圖做特征增強(qiáng)。本文模型比標(biāo)準(zhǔn)SSD模型檢測(cè)精度提高了3.23個(gè)百分點(diǎn)，參數(shù)減少了57.09%，檢測(cè)速度提高了88.44%，對(duì)小目標(biāo)作物和雜草、葉片交疊情況也具有較好的檢測(cè)效果，表明本文模型可實(shí)現(xiàn)作物與雜草的快速準(zhǔn)確檢測(cè)，能夠?yàn)榫珳?zhǔn)農(nóng)業(yè)的發(fā)展提供支持。