基于改进U-Net网络的苹果叶部病害语义分割方法

摘要

针对自然条件下苹果叶部病斑分割与识别效果欠佳的问题，本文提出一种融合条件随机场和卷积块状注意力模块的苹果叶部病害语义分割模型，实现苹果叶部锈病、褐斑病、灰斑病及斑点落叶病的病斑准确分割和识别。本文在U-Net模型基础上，使用ResNet50为骨干网络防止梯度消失问题，并分别在跳跃连接分支与上采样层加入卷积块状注意力模块，减少训练过程中的分割精度损失，融合Dice Loss和Focal Loss降低损失波动，最后利用条件随机场优化分割结果，获取病斑掩模图像，实现对苹果叶部病害语义分割。本研究在自制苹果叶部病害数据集上进行试验，分析了光照、阴影及水滴等因素对分割结果的影响。试验结果表明：本文构建的语义分割模型相比传统U-Net模型，平均分割精度（mIoU）提升8.24百分点，平均分类精度（mPrecision）提升11百分点，类别平均像素准确率（mPA）提升6.09百分点，受光照不均、雨滴的影响更小，具有更好的鲁棒性和可靠性。