Semantic segmentation of agricultural images: A
survey
Zifei Luoa,b, Wenzhu Yanga,b,
Yunfeng Yuana,b, Ruru Goua,b, Xiaonan Lic aSchool
of Cyber Security and Computer, Hebei University, Hebei 071002, China bHebei Machine Vision Engineering Research Center,
Baoding, Hebei 071002, China cCollege
of Education, Hebei University, Hebei 071002, China |
https://doi.org/10.1016/j.inpa.2023.02.001
语义分割作为近年来的一个重要研究课题，被广泛应用于各个领域的图像理解问题。随着深度学习方法在机器视觉中的成功应用，将其与传统方法相结合，将其优越的性能转移到农业图像处理中。语义分割方法对农业自动化的发展产生了革命性的影响，通常用于作物覆盖和类型分析、病虫害识别等。
1.综述了传统和深度学习方法在农业图像语义分割方面的最新进展；
2.确定了农业图像分割的挑战，并总结了解决这些挑战的创新发展。
近年来在农业自动化中得到广泛应用的传统语义分割过程如图1所示。
图1 基于传统方法的语义分割过程
当使用SLIC算法结合深度学习技术对胴体进行分割时，首先使用SLIC算法为胴体图像形成超像素。然后为不同类别的物体(尸体、背景)手动标记这些超像素，如图2所示。图2 超像素的创建和标记
DeepLab通过使用自然卷积改进了FCN。亚光卷积通过增加孔来增加接受野，使得卷积输出包含更大范围的信息并保留图像的空间特征。原来的DeepLabV3仍然以ResNet为主干，然而，ResNet的最后一个块被修改为添加了atrous卷积，它使用ASPP(自然空间金字塔池)而不是CRF来捕获不同尺度的上下文信息，ASPP增强了密集特征的提取能力。然而，由于存在池化和步长卷积，分割后的目标边界信息丢失严重。相比之下，DeepLabV3+将Xception模型中提取的深度可分离卷积分别对每个通道的空间进行卷积，获得了更高的精度，DeepLabV3+的架构如图3所示。在深度卷积网络中，传统方法通常被用作预处理阶段的工具或衍生为功能模块，以增强训练效果。我们回顾了传统的农业图像分割方法和基于先进CNN架构的农业图像分割方法，使语义分割方法的转换能够适应农业图像的各种数据模式和特征。
引用格式：
Luo, Zifei, et al. Semantic segmentation of
agricultural images: A survey. Information Processing in Agriculture, 2024, 11(2):
172-186.编辑：鲁娜
校对：鲁娜
审核：付学谦
日期：2024年6月13日
《农业信息处理(英文)》，创刊于2014年，由中国农业大学主办，李道亮教授主编，已被ESCI、EI、Scopus、DOAJ、中国科学引文数据库(CSCD)等数据库检索。2019年入选《中国科技期刊卓越行动计划》之高起点新刊项目，2020年入选中国农林核心期刊（A类）目录，2023年正式被ESCI(Emerging Sources Citation Index)收录，将于2024年收获第一个期刊影响因子。《WJCI报告》学科排名位居全球TOP5%或学科排名TOP3，影响因子7.908。2023年Citescore为21.1，在林学领域排名第2，在水生科学领域排名第3，在农学作物科学领域排名第3，在动物科学与动物学领域排名第4，在计算机科学及应用领域排名第15。主要刊载最新信息技术在农业的应用，包括：农业物联网、农业人工智能和大数据、农业机器人、农业能源与控制、农业供应链与管理、空间信息技术、信息技术在现代农业工程的应用和其他农信息化技术。推文投稿：欢迎INPA作者/农业信息领域学者，撰写发表的/感兴趣的INPA论文公众号推文，一同打造INPA微信公众号精彩内容。纪尚一，s20233081809@cau.edu.cn鲁娜，B20233080715@cau.edu.cn
