朱路生 徐敏雅 王愛臣 張東鳳 錢偉豪 李川

摘要：

實(shí)時(shí)獲取成熟期谷物生長(zhǎng)密度有助于減少聯(lián)合收割機(jī)喂入量檢測(cè)過程中存在的滯后性。為高效、實(shí)時(shí)地獲取谷物生長(zhǎng)密度，提出基于改進(jìn)DeepLabV3+語義分割模型的成熟期水稻生長(zhǎng)密度實(shí)時(shí)檢測(cè)方法。在DeepLabV3+編碼器部分的卷積模塊后和主干網(wǎng)絡(luò)后加入Shuffle Attention模塊以減少語義損失。通過改進(jìn)DeepLabV3+對(duì)水稻圖像進(jìn)行語義分割并計(jì)算水稻像素在整張圖片中的占比，并與實(shí)際測(cè)得的水稻生長(zhǎng)密度進(jìn)行擬合建立模型得到水稻生長(zhǎng)密度檢測(cè)模型。結(jié)果表明，單位面積下水稻像素比與水稻生長(zhǎng)密度之間存在較強(qiáng)線性關(guān)系，決定系數(shù)R2為0.68，測(cè)試集的均方根誤差RMSE為0.46kg/m2，能實(shí)現(xiàn)田間水稻的密度檢測(cè)。

關(guān)鍵詞：圖像分割；水稻；密度檢測(cè)；DeepLabV3+

中圖分類號(hào)：TP391.4

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：20955553 （2023） 12018608

Research on rice growth density detection at maturity stage based on improved DeepLabV3+

Zhu Lusheng1， Xu Minya1， Wang Aichen2， Zhang Dongfeng1， Qian Weihao2， Li Chuan2

（1. Jiangsu Vocational College of Agriculture and Forestry， Zhenjiang， 212400， China;

2. School of Agricultural Engineering， Jiangsu University， Zhenjiang， 212013， China）

Abstract：

Real-time acquisition of grain growth density is helpful to reduce the lag in the detection process of combine harvester feeding amount. In order to obtain grain growth density efficiently and in real time， this paper proposes a real-time detection method of rice growth density based on improved DeepLabV3+ semantic segmentation model. In order to reduce the influence of convolution on feature fusion in the decoder， this study adds the Shuffle Attention module after the convolution module of the encoder part and the backbone network， which reduces the semantic loss. By improving DeepLabV3+， the rice image is semantically segmented and the proportion of rice pixels in the whole image is calculated， and the rice growth density detection model is obtained by fitting with the actual measured rice growth density. The results showed that there was a strong linear relationship between rice pixel ratio and rice growth density per unit area， the determination coefficient R2 was 0.68， and the root mean square error RMSE of the test set was 0.46kg/m2， which could meet the needs of field rice growth density detection.

Keywords：

image segmentation; rice; density detection; DeepLabV3+

0 引言

谷物聯(lián)合收割機(jī)工作效率與其喂入量密切相關(guān)。聯(lián)合收割機(jī)在作業(yè)過程中，由于作業(yè)環(huán)境復(fù)雜、作物生長(zhǎng)密度不均勻，使得聯(lián)合收割機(jī)的喂入量實(shí)時(shí)發(fā)生改變，聯(lián)合收割機(jī)各關(guān)鍵部件負(fù)載也隨之改變。當(dāng)喂入量超過聯(lián)合收割機(jī)各關(guān)鍵部件的額定負(fù)載時(shí)，會(huì)使聯(lián)合收割機(jī)關(guān)鍵部件堵塞，甚至?xí)?dǎo)致聯(lián)合收割機(jī)出現(xiàn)故障無法繼續(xù)作業(yè)；當(dāng)喂入量較低時(shí)，會(huì)降低聯(lián)合收割機(jī)的作業(yè)效率，造成收益損失。因此，實(shí)時(shí)監(jiān)測(cè)聯(lián)合收割機(jī)的喂入量并進(jìn)行實(shí)時(shí)調(diào)節(jié)，對(duì)保證聯(lián)合收割機(jī)的作業(yè)效率有重要意義。影響聯(lián)合收割機(jī)喂入量的因素有作業(yè)速度、割幅寬度、割茬高度和作物生長(zhǎng)密度等，其中作物生長(zhǎng)密度難以直接測(cè)量，也是影響聯(lián)合收割機(jī)喂入量的重要因素。眾多科研工作者直接將作物生長(zhǎng)密度作為常量，輕視了作物生長(zhǎng)密度對(duì)喂入量的影響［15］。實(shí)際上作物在生長(zhǎng)過程中會(huì)受到諸多因素影響，長(zhǎng)勢(shì)均勻的理想情況幾乎不存在。

目前，國內(nèi)外學(xué)者關(guān)于喂入量的研究主要集中在通過收割機(jī)本身關(guān)鍵部件的扭矩、轉(zhuǎn)速或壓力來表征實(shí)時(shí)喂入量，且仍處于研究探索階段。李耀明等［6］設(shè)計(jì)了一種凹板篩后側(cè)油壓力采集系統(tǒng)，通過監(jiān)測(cè)和分析油壓力來獲取當(dāng)前喂入量；梁學(xué)修等［7］分析并建立了谷物籽粒流量、滾筒扭矩和轉(zhuǎn)速與喂入量的關(guān)系，通過融合多種參數(shù)來提高喂入量檢測(cè)精度。Flufy等［8］提出用過橋底板處作物厚度表征喂入量，在傾斜輸送器入口處安裝撓度傳感器測(cè)量作物厚度，試驗(yàn)表明喂入量與作物厚度呈正相關(guān)；Littke等［9］結(jié)合特定聯(lián)合收割機(jī)機(jī)型，通過監(jiān)測(cè)脫粒滾筒液壓對(duì)聯(lián)合收割機(jī)喂入量進(jìn)行檢測(cè)，試驗(yàn)表明液壓與喂入量呈正相關(guān)。上述喂入量檢測(cè)方法雖然可以測(cè)出實(shí)時(shí)的喂入量，但是存在較大的滯后性。為了解決這一問題，一些學(xué)者將研究重點(diǎn)放在水稻生長(zhǎng)密度檢測(cè)上。劉海娟［10］、潘靜［11］等提出以2R+G為水稻生長(zhǎng)密度特征分割水稻與地面，通過像素?cái)?shù)量來預(yù)測(cè)喂入量；陳科尹等［12］提出一種改進(jìn)的k-means聚類算法，實(shí)現(xiàn)了水稻冠層圖像分割，提高了特征像素提取精度；Saeys等［13］用激光雷達(dá)測(cè)試小麥密度，并提出了利用薄板樣條擬合來提高估算精度。上述研究一定程度上減少了實(shí)時(shí)喂入量檢測(cè)結(jié)果的滯后性，但是他們使用的算法缺乏魯棒性，容易受到環(huán)境和光照等外界因素的影響。

近年來，基于計(jì)算機(jī)視覺的語義分割方法受到了不同領(lǐng)域眾多學(xué)者的廣泛關(guān)注。慕濤陽等［14］通過在DeepLabV3+嵌入卷積注意力機(jī)制，提高網(wǎng)絡(luò)對(duì)水稻倒伏特征的提取精度；魏天翔等［15］將DeepLabV3+與ExG+Otus、Grabcut、SegNet和PSPNet對(duì)比發(fā)現(xiàn)DeepLabV3+對(duì)水稻有著較好的分割效果，可以很好地克服田間復(fù)雜環(huán)境的干擾。因此，本文擬用通道注意力和空間注意力機(jī)制結(jié)合的Shuffle Attention模塊對(duì)DeepLabV3+模型進(jìn)行改進(jìn)，來進(jìn)一步提高網(wǎng)絡(luò)分割單位面積水稻像素的精準(zhǔn)度，并通過研究葉面積指數(shù)（Leaf area index，LAI）與水稻像素比和水稻生長(zhǎng)密度的關(guān)系，驗(yàn)證采用水稻像素檢測(cè)水稻生長(zhǎng)密度的可行性。最后通過建立水稻像素比與水稻生長(zhǎng)密度之間的關(guān)系，實(shí)現(xiàn)成熟期水稻生長(zhǎng)密度檢測(cè)。

1 材料與方法

1.1 試驗(yàn)設(shè)備

圖像采集設(shè)備為Inter RealSense D435，是一款深度相機(jī)，主要包含1個(gè)RGB相機(jī)、2個(gè)紅外相機(jī)以及1個(gè)紅外發(fā)射器，本文主要用到其中的RGB相機(jī)，可以提供高分辨率圖像，像素為1 280×720。葉面積指數(shù)采集設(shè)備為SunScan植物冠狀分析儀，該儀器不受天氣影響，可在陰雨天氣使用，且具有較高的測(cè)量精度。

1.2 圖像及葉面積指數(shù)獲取

在晴朗天氣下上午9：30～11：00之間進(jìn)行田間試驗(yàn)。選取一塊水稻生長(zhǎng)密度差別較大的稻田作為試驗(yàn)田，從中選出80組1m×1m的方形區(qū)域進(jìn)行數(shù)據(jù)采集，使用深度相機(jī)在每個(gè)采集區(qū)域的正上方1m處拍攝，來獲取水稻冠層信息，如圖1所示。使用SunScan采集單位面積內(nèi)水稻上、中、下層的葉面積指數(shù)，如圖2所示。然后將數(shù)據(jù)采集完成的區(qū)域用鐮刀收割，保持割茬高度為10cm，最后稱量每1組水稻的質(zhì)量，并與圖片、葉面積指數(shù)一一對(duì)應(yīng)。上述80組數(shù)據(jù)采集完成后記錄并保存，留作后續(xù)密度監(jiān)測(cè)模型使用。再額外采集200組水稻冠層圖像信息，用來制作DeepLabV3+語義分割模型的訓(xùn)練集。

1.3 水稻特征圖像數(shù)據(jù)集構(gòu)建

由于深度學(xué)習(xí)模型對(duì)訓(xùn)練集數(shù)量有著一定要求，因此對(duì)已有的訓(xùn)練集樣本進(jìn)行了擴(kuò)充［16］，將200組訓(xùn)練集擴(kuò)充為800組，圖3為訓(xùn)練集樣本擴(kuò)充的處理方法，通過對(duì)圖像進(jìn)行鏡像、旋轉(zhuǎn)和裁剪來實(shí)現(xiàn)數(shù)據(jù)集擴(kuò)充。

本文按照9∶1的比例來劃分?jǐn)?shù)據(jù)集中的訓(xùn)練集和驗(yàn)證集。

由于田間環(huán)境復(fù)雜很難用LabelImg軟件直接標(biāo)注出水稻冠層信息，如圖4（a）所示，且標(biāo)出來的圖片容易喪失很多細(xì)節(jié)部分，本文采用調(diào)節(jié)圖像HSV三通道系數(shù)的方法對(duì)圖像進(jìn)行初步的閾值分割，其中H代表色度、S代表飽和度、V代表亮度。在HSV顏色空間中，陰影區(qū)域和非陰影區(qū)域有明顯區(qū)別［17］，因此，采用調(diào)節(jié)HSV值濾除水稻背景可以減少水稻根部陰影的影響。

但是該方法受環(huán)境影響較大，并不能完全濾除背景，還需用Photoshop對(duì)圖像進(jìn)行二次處理，擦除多余未濾除的背景，最后通過程序?qū)⑻幚砗玫亩祱D像轉(zhuǎn)換成VOC數(shù)據(jù)集。

2 水稻特征提取模型的建立

2.1 DeepLabV3+模型

隨著神經(jīng)網(wǎng)絡(luò)在圖像視頻處理領(lǐng)域的快速發(fā)展，深度學(xué)習(xí)技術(shù)在農(nóng)業(yè)領(lǐng)域也得到了廣泛研究和應(yīng)用?；诰矸e神經(jīng)網(wǎng)絡(luò)而構(gòu)建的水稻生長(zhǎng)密度檢測(cè)系統(tǒng)，在農(nóng)業(yè)識(shí)別的視覺任務(wù)方面表現(xiàn)出巨大的優(yōu)勢(shì)。DeepLab系列的算法已經(jīng)發(fā)展到第四代：DeepLabV3+［18］。

DeepLabV3+網(wǎng)絡(luò)由編碼器（Encoder）和解碼器（Decoder）組成。在編碼器部分，圖像的輸入經(jīng)過改進(jìn)的Xception主干網(wǎng)絡(luò)［19］進(jìn)行特征提??；通過不同膨脹率的空洞卷積模塊組對(duì)主干網(wǎng)絡(luò)輸出的語義信息進(jìn)行二次提取，獲得深層語義特征信息；通過卷積模塊調(diào)整通道數(shù)后傳輸至解碼器中。

解碼器首先采用1×1的卷積來調(diào)整Xception主干網(wǎng)絡(luò)的輸出，使得其特征通道數(shù)與經(jīng)過采樣后的深層語義特征信息在維度上保持一致，以方便二者進(jìn)行特征融合；最后將融合后的特征圖經(jīng)過3×3的卷積和上采樣模塊，最終實(shí)現(xiàn)對(duì)水稻圖像的分割。

2.2 模型改進(jìn)

準(zhǔn)確分割水稻圖像中的背景與作物有利于提高本文水稻生長(zhǎng)密度檢測(cè)模型的精度。本文對(duì)DeepLabV3+的改進(jìn)如圖5所示。

C1作為編碼器模塊的底層特征，包含豐富的語義信息，但為了與Xception主干網(wǎng)絡(luò)的輸出C2進(jìn)行特征融合，采用了1×1的卷積來降低底層特征的通道數(shù)，計(jì)算效率得到提升，但通道數(shù)的減少會(huì)導(dǎo)致語義信息的嚴(yán)重?fù)p失。為了減少這種損失，Shuffle Attention［20］被引入。

在計(jì)算機(jī)視覺任務(wù)中，空間注意力機(jī)制采用池化等操作對(duì)特征圖像中空間位置的重要性進(jìn)行建模，而通道注意力機(jī)制通過增強(qiáng)或者降低各個(gè)特征通道的權(quán)重系數(shù)來完成特征分配［21］，雖然二者都在一定程度上提高了網(wǎng)絡(luò)對(duì)于水稻區(qū)域圖像的敏感程度，但都不可避免地增加了資源的消耗，不利于實(shí)際模型的應(yīng)用。Shuffle Attention將輸入圖像特征X∈RH×W×C（H、W、C分別為特征圖像的空間高度、寬度、通道數(shù)）按通道維度劃分為多組。每一組中每個(gè)子特征沿著通道維度被分為兩個(gè)分支，如圖6所示，一個(gè)分支利用通道的相互關(guān)系來生成通道注意力圖，另一個(gè)分支通過特征空間關(guān)系來生成空間注意力；最后通過Channel shuffle算子來使得跨組信息能夠沿著通道維度流動(dòng)。通過采用這種方式，結(jié)合網(wǎng)絡(luò)上下文的信息來減少1×1卷積帶來的語義損失［18］。

2.3 模型訓(xùn)練

2.3.1 模型評(píng)價(jià)指標(biāo)

本文利用均交并比（Mean Intersection over Union，MIoU）、平均像素精度（Mean Pixel Accuracy，MPA）、精度（Precision，P）和處理速度FPS（Frame Per Second）來評(píng)估模型的分割性能。

式中：

TP——真正例；

FP——假正例；

FN——假負(fù)例；

Pi——每個(gè)類別像素準(zhǔn)確率；

N——類別數(shù)。

2.3.2 參數(shù)設(shè)置

選用處理器為8核i9-11900K、32G內(nèi)存、主頻3.50GHz、NVIDIA GeForce RTX 3080Ti顯卡、12G顯存的小型深度學(xué)習(xí)工作站進(jìn)行分割模型訓(xùn)練。開發(fā)語言為python 3.9、開發(fā)環(huán)境為VS Code 1.76、采用Pytorch 1.10.0框架對(duì)本文分割模型進(jìn)行搭建和參數(shù)調(diào)整。模型訓(xùn)練時(shí)加載主干網(wǎng)絡(luò)Xception的預(yù)訓(xùn)練模型權(quán)重，迭代次數(shù)Epoch設(shè)置為100次，批處理大小Batch Size設(shè)置為8，下采樣倍數(shù)為8，初始學(xué)習(xí)率為7×10-3，動(dòng)量設(shè)置為0.9，并應(yīng)用隨機(jī)梯度下降SGD（Stochastic Gradient Descent）優(yōu)化器進(jìn)行訓(xùn)練。

2.4 試驗(yàn)設(shè)計(jì)

使用訓(xùn)練好的權(quán)重參數(shù)對(duì)80組試驗(yàn)圖片進(jìn)行語義分割，將圖像中的信息分割為兩類：水稻冠層信息和背景信息。計(jì)算出每一組試驗(yàn)圖片中水稻冠層信息所占像素?cái)?shù)量與圖片總像素?cái)?shù)量的比例，將其作為單位面積內(nèi)的水稻像素占比。使用MATLAB分析已有數(shù)據(jù)，分別對(duì)葉面積指數(shù)與水稻生長(zhǎng)密度、水稻像素比與水稻生長(zhǎng)密度、水稻像素比與葉面積指數(shù)進(jìn)行擬合。選用統(tǒng)計(jì)量決定系數(shù)R2（0

3 結(jié)果與分析

3.1 水稻分割模型訓(xùn)練結(jié)果

在網(wǎng)絡(luò)性能對(duì)比試驗(yàn)中，選取改進(jìn)的Xception作為主干網(wǎng)絡(luò)，對(duì)原始網(wǎng)絡(luò)和添加Shuffle Attention后的網(wǎng)絡(luò)進(jìn)行算法有效性評(píng)估。由表1可知，改進(jìn)后DeepLabV3+的精度P、平均像素精度MPA、均交并比MIoU的值分別以1.84%、2.05%、3.34%優(yōu)于原始網(wǎng)絡(luò)的檢測(cè)結(jié)果。通過改進(jìn)后DeepLabV3+調(diào)用攝像頭進(jìn)行實(shí)時(shí)檢測(cè)，F(xiàn)PS比原始模型提高了3幀/s。為了能夠滿足田間實(shí)時(shí)性要求，通過TensorTR神經(jīng)網(wǎng)絡(luò)加速器后，F(xiàn)PS可達(dá)25幀/s，滿足實(shí)際需求。

圖7為原始網(wǎng)絡(luò)和改進(jìn)后DeepLabV3+模型對(duì)測(cè)試集樣本進(jìn)行區(qū)域分割的結(jié)果。圖7（b）中，白色虛線左部和右下角白框部分均為原始模型將背景錯(cuò)誤分割成水稻區(qū)域，而添加Shuffle Attention模塊后，通過采用特征分組模式，將所有分支的特征都沿著通道和空間生成注意力機(jī)制［3］，這能夠較好地聚合上下文信息，增加了模型對(duì)于水稻像素區(qū)域的敏感程度，使得模型較好地完成了對(duì)于水稻圖像的分割任務(wù)。

3.2 葉面積指數(shù)與水稻生長(zhǎng)密度之間的關(guān)系

葉面積指數(shù)在一定范圍內(nèi)可以反映作物產(chǎn)量［22］，作物產(chǎn)量會(huì)隨著葉面積指數(shù)的增大而提高。因此本文將試驗(yàn)中獲取的80組數(shù)據(jù)的葉面積指數(shù)與水稻生長(zhǎng)密度進(jìn)行擬合，擬合結(jié)果如圖8～圖10所示。水稻上層、中層、下層葉面積指數(shù)與水稻生長(zhǎng)密度的回歸方程分別為

y=1.84x+0.7 （R=0.68）（4）

y=1.36x+0.34 （R=0.83）（5）

y=1.22x-0.9 （R=0.82）（6）

可以看出水稻生長(zhǎng)密度與葉面積指數(shù)存在一定的相關(guān)性，但與水稻上層葉面積指數(shù)的相關(guān)性較差，相關(guān)系數(shù)R只有0.68，導(dǎo)致該結(jié)果的可能原因是整株水稻的質(zhì)量分布不均勻，水稻的局部特征不能反映整體。與下層和中層的葉面積指數(shù)相關(guān)性較好，可以達(dá)到0.83和0.82。

3.3 水稻像素占比與水稻生長(zhǎng)密度之間的關(guān)系

本文從80組樣本數(shù)據(jù)中隨機(jī)挑選了60組數(shù)據(jù)用來做擬合曲線，其余20組數(shù)據(jù)用來驗(yàn)證擬合效果，模型如圖11所示。水稻生長(zhǎng)密度與水稻像素比的回歸方程為

y=6.27x-0.93（7）

可以看出水稻生長(zhǎng)密度隨著單位面積水稻像素比的增加而增加，通過分析可以得到?jīng)Q定系數(shù)R2為0.68，測(cè)試集的均方根誤差RMSE為0.46kg/m2。造成預(yù)測(cè)誤差偏大的可能因素為試驗(yàn)區(qū)域水稻有一定倒伏，導(dǎo)致實(shí)測(cè)像素值多于實(shí)際像素值；造成預(yù)測(cè)偏小的可能因素為試驗(yàn)區(qū)域水稻長(zhǎng)勢(shì)較矮，實(shí)測(cè)水稻生長(zhǎng)密度高于預(yù)測(cè)水稻生長(zhǎng)密度。

3.4 水稻像素占比與葉面積指數(shù)之間的關(guān)系

由3.2節(jié)分析可知，水稻上層葉面積指數(shù)與水稻生長(zhǎng)密度相關(guān)性較差，因此，本小節(jié)僅研究水稻像素比與水稻中層葉面積指數(shù)和水稻下層葉面積指數(shù)之間的關(guān)系，擬合結(jié)果如圖12、圖13所示。

水稻中層、下層葉面積指數(shù)與水稻像素比的回歸方程分別為

y=3.64x-0.43 （R2=0.59，RMSE=0.36）（8）

y=3.64x-0.43 （R2=0.51，RMSE=0.48）（9）

可以看出單位面積水稻像素比與單位面積內(nèi)水稻葉面積指數(shù)呈現(xiàn)一定的相關(guān)性，與中層葉面積指數(shù)相關(guān)性較高，決定系數(shù)R2可達(dá)0.59，測(cè)試集的均方根誤差RMSE為0.36；與下層葉面積指數(shù)相關(guān)性要差一點(diǎn)，決定系數(shù)R2為0.51，測(cè)試集的均方根誤差RMSE為0.48。水稻像素比與下層葉面積指數(shù)相關(guān)性較差的原因可能是水稻下層葉片容易被上層葉片遮擋，相機(jī)實(shí)際拍攝的水稻下層葉面積比實(shí)際測(cè)得的水稻下層葉面積要少，因此，水稻像素比更適合預(yù)測(cè)水稻中層的葉面積指數(shù)，也側(cè)面驗(yàn)證了通過水稻像素比來測(cè)量水稻生長(zhǎng)密度的可行性。

4 結(jié)論

本文針對(duì)聯(lián)合收割機(jī)喂入量直接檢測(cè)法存在滯后性的問題，提出基于改進(jìn)DeepLabV3+語義分割模型的成熟期水稻生長(zhǎng)密度實(shí)時(shí)檢測(cè)方法。并根據(jù)分割出的水稻冠層像素?cái)?shù)計(jì)算單位面積水稻像素比，建立其與水稻生長(zhǎng)密度、葉面積指數(shù)間的回歸模型，實(shí)現(xiàn)了基于計(jì)算機(jī)視覺的田間成熟期水稻生長(zhǎng)密度實(shí)時(shí)檢測(cè)。

1） 在DeepLabV3+編碼器部分的卷積模塊后和主干網(wǎng)絡(luò)后分別加入Shuffle Attention模塊以減少分割水稻像素時(shí)的語義損失，改進(jìn)后的DeepLabV3+模型相比于原模型MPA和MIoU分別提高了2.05%和3.35%。

2） 成熟期水稻冠層中層和下層葉面積指數(shù)LAI與生長(zhǎng)密度的相關(guān)性較強(qiáng)，相關(guān)系數(shù)分別為0.83和0.82，可以用于表征水稻生長(zhǎng)密度；單位面積內(nèi)水稻像素比與水稻生長(zhǎng)密度之間存在較強(qiáng)回歸關(guān)系，決定系數(shù)R2為0.68，測(cè)試集的均方根誤差RMSE為0.46kg/m2；單位面積內(nèi)水稻像素比與中層葉面積指數(shù)LAI回歸模型的決定系數(shù)R2為0.59，測(cè)試集的均方根誤差RMSE為0.36。通過計(jì)算機(jī)視覺結(jié)合改進(jìn)DeepLabV3+模型可以用于成熟期水稻的生長(zhǎng)密度檢測(cè)。

3） 在后續(xù)工作中，可進(jìn)一步增強(qiáng)模型的魯棒性、適用性和處理深度。準(zhǔn)備訓(xùn)練數(shù)據(jù)集時(shí)采集不同光照、不同水稻（生物量、色澤等）的圖像，以及聯(lián)合收割機(jī)振動(dòng)環(huán)境下的圖像，以提高模型的魯棒性；對(duì)改進(jìn)DeepLabV3+模型進(jìn)行模型量化和加速，減少模型參數(shù)、提高推理速度，并將其部署到嵌入式處理器中，使其真正服務(wù)于聯(lián)合收割機(jī)的喂入量預(yù)測(cè)。

參 考 文 獻(xiàn)

［1］ 劉元元， 劉卉， 尹彥鑫， 等. 基于功率監(jiān)測(cè)的聯(lián)合收割機(jī)喂入量預(yù)測(cè)方法［J］. 中國農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2017， 22（11）： 157-163.

Liu Yuanyuan， Liu Hui， Yin Yanxin， et al. Feeding assessment method for combine harvester based on power measurement ［J］. Journal of China Agricultural University， 2017， 22（11）： 157-163.

［2］ 盧文濤， 劉寶， 張東興， 等. 谷物聯(lián)合收獲機(jī)喂入量建模與試驗(yàn)［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2011， 42（S1）： 82-85.

Lu Wentao， Liu Bao， Zhang Dongxing， et al. Experiment and feed rate modeling for combine harvester ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2011， 42（S1）： 82-85.

［3］ 孫意凡， 劉仁杰， 歐顥， 等. 基于功率測(cè)量的聯(lián)合收獲機(jī)喂入量檢測(cè)方法研究［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2020， 51（5）： 118-123.

Sun Yifan， Liu Renjie， Ou Hao， et al. Analysis and comparison of feed rate detection methods of combine harvester based on power detection ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（5）： 118-123.

［4］ 唐忠， 李耀明， 徐立章， 等. 切縱流聯(lián)合收獲機(jī)小麥喂入量預(yù)測(cè)的試驗(yàn)研究［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2012， 28（5）： 26-31.

Tang Zhong， Li Yaoming， Xu Lizhang， et al. Experimental study on wheat feed rate of tangential-axial combine harvester ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2012， 28（5）： 26-31.

［5］ 張振乾， 孫意凡， 劉仁杰， 等. 聯(lián)合收獲機(jī)喂入量監(jiān)測(cè)系統(tǒng)設(shè)計(jì)與試驗(yàn)［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2019， 50（6）： 85-92.

Zhang Zhenqian， Sun Yifan， Liu Renjie， et al. Design and test of Feed rate monitoring system for combine harvester ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（6）： 85-92.

［6］ 李耀明， 王建鵬， 徐立章， 等. 聯(lián)合收獲機(jī)脫粒滾筒凹板間隙調(diào)節(jié)裝置設(shè)計(jì)與試驗(yàn)［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2018， 49（8）： 68-75.

Li Yanming， Wang Jianpeng， Xu Lizhang， et al. Design and experiment on adjusting mechanism of concave clearance of combine harvester cylinder ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2018， 49（8）： 68-75.

［7］ 梁學(xué)修， 陳志， 張小超， 等. 聯(lián)合收獲機(jī)喂入量在線監(jiān)測(cè)系統(tǒng)設(shè)計(jì)與試驗(yàn)［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2013， 44（S2）： 1-6.

Liang Xuexiu， Chen Zhi， Zhang Xiaochao， et al. Design and experiment of On-line monitoring system for feed quantity of combine harvester ［J］. Transactions of the Chinese Society of Agricultural Machinery， 2013， 44（S2）： 1-6.

［8］ Flufy M J L， Stone G T. Speed control of a combine harvester to maintain a specific level of measured threshing grain loss ［J］. Journal of Agricultural Engineering Research， 1983， 28（6）： 537-543.

［9］ Littke J D， Mertins K H O， Burke D J， et al. Harvester feedrate control with tilt compensation ［P］. Patents： CA2396321 A1， 2003-03-27.

［10］ 劉海娟， 邵陸壽， 朱建輝， 等. 基于圖像處理的水稻成熟期密度檢測(cè)［J］. 昆明理工大學(xué)學(xué)報(bào)（理工版）， 2009， 34（2）： 84-88.

Liu Haijuan， Shao Lushou， Zhu Jianhui， et al. Detection of rice density during maturity based on image processing ［J］. Journal of Kunming University of Science and Technology （Science and Technology）， 2009， 34（2）： 84-88.

［11］ 潘靜， 邵陸壽， 王軻. 水稻聯(lián)合收割機(jī)喂入密度檢測(cè)方法［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2010， 26（8）： 113-116.

Pan Jing， Shao Lushou， Wang Ke. Detection method on feed density for rice combine ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2010， 26（8）： 113-116.

［12］ 陳科尹， 吳崇友， 關(guān)卓懷， 等. 基于統(tǒng)計(jì)直方圖k-means聚類的水稻冠層圖像分割［J］. 江蘇農(nóng)業(yè)學(xué)報(bào)， 2021， 37（6）： 1425-1435.

Chen Keyin， Wu Chongyou， Guan Zhuohuai，et al. Rice canopy image segmentation based on statistical histogram k-means clustering ［J］. Jiangsu Journal of Agricultural Sciences， 2021， 37（6）： 1425-1435.

［13］ Saeys W， Lenaerts B， Craessaerts G， et al. Estimation of the crop density of small grains using LiDAR sensors ［J］. Biosystems Engineering， 2009， 102（1）： 22-30.

［14］ 慕濤陽， 趙偉， 胡曉宇， 等. 基于改進(jìn)的DeepLabV3+模型結(jié)合無人機(jī)遙感的水稻倒伏識(shí)別方法［J］. 中國農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2022， 27（2）： 143-154.

Mu Taoyang， Zhao Wei， Hu Xiaoyu， et al. Rice lodging recognition method based on UAV remote sensing combine with the improved DeepLabV3+ model ［J］. Journal of China Agricultural University， 2022， 27（2）： 143-154.

［15］ 魏天翔， 汪小旵， 施印炎， 等. 基于三維重建的秸稈地單株水稻生長(zhǎng)形態(tài)檢測(cè)研究［J］. 南京農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2021， 44（6）： 1197-1208.

Wei Tianxiang， Wang Xiaochan， Shi Yinyan， et al. Detection of single rice early growth morphology based on 3D reconstruction under straw returning condition ［J］. Journal of Nanjing Agricultural University， 2021， 44（6）： 1197-1208.

［16］ 張遠(yuǎn)琴， 肖德琴， 陳煥坤， 等. 基于改進(jìn)Faster R-CNN的水稻稻穗檢測(cè)方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2021， 52（8）： 231-240.

Zhang Yuanqin， Xiao Deqin， Chen Huankun， et al. Rice panicle detection method based on improved faster R-CNN ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（8）： 231-240.

［17］ 周東， 李昀峰， 高妍， 等. 融合區(qū)域紋理梯度的船舶陰影視頻去除算法［J］. 北京郵電大學(xué)學(xué)報(bào)， 2017， 40（S1）： 81-84， 97.

Zhou Dong， Li Yunfeng， Gao Yan， et al. Ship shadow elimination algorithm based on HSV and texture of gradient amendment ［J］. Journal of Beijing University of Posts and Telecommunications， 2017， 40（S1）： 81-84， 97.

［18］ Chen L C， Zhu Y， Papandreou G， et al. Encoder-decoder with atrous separable convolution for semantic image segmentation ［C］. Proceedings of the European Conference on Computer Vision （ECCV）， 2018： 801-818.

［19］ Chollet F. Xception： Deep learning with depthwise separable convolutions ［C］. 2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， 2017： 1251-1258.

［20］ Zhang Q L， Yang Y B. SA-Net： Shuffle attention for deep convolutional neural networks ［C］. 2021 IEEE International Conference on Acoustics， Speech and Signal Processing （ICASSP）， 2021： 2235-2239.

［21］ Woo S， Park J， Lee J Y， et al. CBAM： Convolutional block attention module ［C］. Proceedings of the European Conference on Computer Vision （ECCV）， 2018： 3-19.

［22］ Malone S， Herbert D A， Holshouser D L. Evaluation of the LAI-2000 plant canopy analyzer to estimate leaf area in manually defoliated soybean ［J］. Agronomy Journal， 2002， 94（5）： 1012-1019.