引用格式：
胡程喜, 谭立新, 王文胤, 宋敏. 基于改进DeepLabV3+的轻量化茶叶嫩芽采摘点识别模型[J]. 智慧农业(中英文), 2024, 6(5): 119-127.
Citation:HU Chengxi, TAN Lixin, WANG Wenyin, SONG Min. Lightweight Tea Shoot Picking Point Recognition Model Based on Improved DeepLabV3+[J]. Smart Agriculture, 2024, 6(5): 119-127.
官网全文在线阅读
知网阅读
基于改进DeepLabV3+的轻量化茶叶嫩芽采摘点识别模型
胡程喜1， 谭立新1，2*， 王文胤1， 宋敏1
（1.湖南农业大学 信息与智能科学技术学院，湖南长沙 410125，中国；2.湖南信息职业技术学院 电子工程学院，湖南长沙 410200，中国）
摘要：
［目的/意义］名优茶的采摘是茶产业中至关重要的环节，识别和定位名优茶嫩芽采摘点是现代化采茶过程中的重要组成部分。传统神经网络方法存在着模型体量大、训练时间长，以及应对场景复杂等问题。本研究以湖南省溪清茶园为实际场景，提出一种新型深度学习算法解决名优茶采摘点的精确分割难题。
［方法］对传统的DeepLabV3+算法进行轻量化改进。首先，针对其模型体量大、训练时间长的问题，使用MobilenetV2网络提取图像的初始特征，并按照网络结构划分深浅层特征；其次，将高效通道注意力网络（Efficient Channel Attention Network, ECANet）与空洞空间卷积池化金字塔（Atrous Spatial Pyramid Pooling, ASPP）模块结合，得到ECA_ASPP模块，并将深层特征输入到ECA_ASPP模块中进行多尺度特征融合以减少无效信息，将经过处理后的深浅层特征相加，随后通过卷积和上采样的方式对特征信息进行还原，得到分割结果；最后，通过对识别结果进行处理以获得茶叶嫩芽采摘点。
［结果和讨论］改进后的DeepLabV3+在茶叶嫩芽数据集上的平均交并比达到93.71%，平均像素准确率达到97.25%，模型参数量由原来以Xception为底层网络的54.714 M下降至5.818 M。
［结论］本研究在茶叶嫩芽结构分割上相对于原版DeepLabV3+的检测速度更快、参数量更小，同时保证了较高的准确率，为智能采茶机器人的采摘提供了新的定位方法。
关键词： 轻量化模型；DeepLabV3+；注意力机制；茶叶嫩芽；ECANet；名优茶；空洞空间卷积池化金字塔
文章图片
图1 不同条件下茶叶嫩芽状态与茶芽部位图
Fig. 1 State and location of tea buds under different conditions
图2 ECANet结构图
Fig. 2 Structural diagram of ECANet
图3 ECA_ASPP模块结构图
Fig. 3 ECA_ASPP module structure diagram
图4 DeepLabV3+改进结构图
Fig. 4 Improved structure diagram of DeepLabV3+
图5 不同季节茶叶嫩芽识别结果
Fig. 5 Tea bud recognition results in different seasons
图6 不同季节茶叶嫩芽识别结果对比
Fig. 6 Comparison of tea bud recognition results in different seasons
图7 茶叶嫩芽采摘点定位流程
Fig 7 Positioning process of tea sprout picking point
作者简介
谭立新，湖南农业大学硕士生导师、教授，湖南信息职业技术学院党委委员、副院长，湖南省普通高校省级学科带头人、湖南省芙蓉教学名师。研究方向：机器人与智能系统、农机智能化技术；主持完成省部级以上科研（重点）项目38项，发表论文98篇，教材专著35部，授权发明专利软著28项，获国家教学成果奖二等奖1项，省级教学成果奖二等奖2项、湖南省科技进步奖2项。
来源：《智慧农业（中英文）》2024年第5期
转载请联系编辑部授权
本期支持单位
推荐阅读
智慧农业微信交流服务群
发布征集
欢迎在我公众号发布科研团队介绍、创新科研成果及相关活动等信息。
