改进U-Net模型的保护性耕作田间秸秆覆盖检测

改进U-Net模型的保护性耕作田间秸秆覆盖检测 Straw coverage detection of conservation tillage farmland based on improved U-Net model 1 first-author 刘媛媛（1980-），女，吉林长春人，博士，讲师，硕士生导师，美国俄克拉荷马州立大学访问学者，主要从事农业信息化图像和视频信号处理方面的研究。Email：liuyuanyuan1980@126.com http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424457&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424425&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424461&type= 22.01333237 32.00399780 刘媛媛 （1980-），女，吉林长春人，博士，讲师，硕士生导师，美国俄克拉荷马州立大学访问学者，主要从事农业信息化图像和视频信号处理方面的研究。Email： liuyuanyuan1980@126.com liuyuanyuan1980@126.com 1 2 corresp E-mail： yueyong10@mails.jlau.edu.cn E-mail： yueyong10@mails.jlau.edu.cn 王跃勇（1979-），男，吉林长春人，博士，副教授，硕士生导师，德国德累斯顿工业大学访问学者，主要从事智能系统、生物环境与能源工程的研究。Email：yueyong10@ mails.jlau.edu.cn http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424467&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424481&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424471&type= 22.01332855 32.00399780 王跃勇 （1979-），男，吉林长春人，博士，副教授，硕士生导师，德国德累斯顿工业大学访问学者，主要从事智能系统、生物环境与能源工程的研究。Email： yueyong10@ mails.jlau.edu.cn yueyong10@ mails.jlau.edu.cn 3 1 1 吉林农业大学 信息技术学院，吉林 长春 130118 吉林农业大学 信息技术学院，吉林 长春 130118 College of Information Technology， Jilin Agricultural University， Changchun 130118， China College of Information Technology， Jilin Agricultural University， Changchun 130118， China 吉林农业大学 工程技术学院，吉林 长春 130118 吉林农业大学 工程技术学院，吉林 长春 130118 College of Engineering and Technology， Jilin Agricultural University， Changchun 130118， China College of Engineering and Technology， Jilin Agricultural University， Changchun 130118， China 吉林大学 工程仿生教育部重点实验室，吉林 长春 130025 吉林大学 工程仿生教育部重点实验室，吉林 长春 130025 Key Laboratory of Engineering Bionics， Ministry of Education， Jilin University， Changchun 130025， China Key Laboratory of Engineering Bionics， Ministry of Education， Jilin University， Changchun 130025， China 为了适应保护性耕作秸秆还田监测的技术需求，提出了一种改进的U-Net语义分割算法对秸秆覆盖率进行检测。首先，提出一种新的卷积模块代替原始U-Net框架中的卷积模块；其次，改进Inception结构，引入条纹池化和高效空间金字塔空洞卷积模块，形成新的Gception结构；最后，在模块中引入注意力机制。利用无人机采集田间地表图像，将改进的U-Net模型应用于自标注田间秸秆图像分割，与U-Net，PSP-Net，Link-Net，Res-Net，DSRA-Unet和DE-GWO算法进行对比实验，得到的平均交并比为80.05%，平均像素精确度为91.20%，覆盖率平均误差为0.80%。实验结果表明，改进U-Net模型的分割结果优于对比算法，能够保证特征提取的有效性和全局特征的完备性，有效剔除树影以及田内其他干扰因素。该模型适用于含有农机和树影等干扰的田间复杂场景，在大尺度图像中亦可获得较好的分割效果，可为大面积秸秆覆盖率检测提供技术支持。 To meet the technical requirements of straw return monitoring in conservation tillage， an improved U-Net semantic segmentation algorithm was proposed to detect straw coverage rate. First， a novel convolution module was developed to replace the convolution module in the original U-Net framework； Second， the inception structure was improved， and stripe pooling and efficient spatial pyramid hollow convolution modules were introduced for the design of a new Gception structure. Finally， an attention mechanism was introduced into this module. The effectiveness and progressiveness of the optimized U-Net model were evaluated on farmland surface images collected by a drone， and comparative experiments were conducted with the U-Net， PSP-Net， Link-Net， Res-Net， DSRA-Unet， and DE-GWO algorithms， obtaining mean intersection over union of 80.05%， an average pixel accuracy of 91.20%， and an average coverage error of 0.80%. The experimental results demonstrate that the segmentation capability of the improved U-Net model was superior to those of the other algorithms， indicating the effectiveness of feature extraction and the integrity of global features， by effectively eliminating tree shadows and other interference factors over the farmland. These results prove that the proposed model achieves better segmentation not only in complex farmland scenes with agricultural machinery and tree shadow interference but also in large-scale images. Moreover， the model provides efficient algorithms for large-area straw coverage detection and other related image detection methods. 秸秆图像 覆盖率检测 语义分割 U-Net模型 注意力机制 straw image coverage detection semantic segmentation U-net model attention mechanism 1 引　言 1 保护性耕作是农业生产中的重要环节，它是一种以农作物秸秆还田、免耕或者少耕播种为主要内容的现代耕作技术体系，能够有效减轻土壤风蚀水蚀、增加土壤肥力和抗旱保墒能力，提高农业生态和经济效益。其中，秸秆还田是保护性耕作的有效措施之一 ［ 1 1 - 8 8 1-8 ］ ，而秸秆覆盖率的检测是衡量秸秆还田质量的直接手段。为了促进保护性耕作的实施及推广，2021年2月吉林省农业农村厅颁布关于转发《2021年东北黑土地保护性耕作行动计划技术指引》的通知，东北四省按照《东北黑土地保护性耕作行动计划》制定的秸秆覆盖率测算标准实行还田补贴政策。因此，快速、准确检测秸秆覆盖率是当前亟待解决的问题。 传统的秸秆覆盖率检测方法为人工拉绳测量，时间和人工成本大，测量效率低，难以测量面积巨大的农田。近年来，计算机视觉算法已经成功地应用到秸秆覆盖检测中 ［ 9 9 - 11 11 9-11 ］ 。为了提高检测效率，本课题组提出一种基于多阈值图像分割算法的秸秆覆盖率检测方法 ［ 12 12 ］ ，但对于含有农机和树影干扰的田间图像，分割效果欠佳。这些干扰因素导致秸秆还田图像的分割难度增大，秸秆覆盖率检测的准确性降低。为进一步提高检测效率，本课题组提出了基于语义分割的复杂场景下的秸秆检测算法 ［ 13 13 ］ ，该算法可以分割带有树影和农机等复杂场景下的秸秆农田，但存在模型训练时间较长、收敛速度慢等问题，树影的去除效果仍需进一步提升。 针对上述问题，本文提出了一种以U-Net ［ 14 14 ］ 作为基本骨架的语义分割模型，能够有效分割出树影以及田间其他干扰因素，减少了模型参数，缩短了训练时间，能够更加高效地进行秸秆覆盖率图像分割，使得检测效果进一步提高。 2 改进U-Net模型框架 1 2.1　模型分析 2 一般情况下，实际田间场景比较复杂，农田之间会设置防林带，紧靠农田边缘种植树木，在阳光的照射下投影出面积较大的树影，且农田区域内通常会有农机、公路、植被和房屋等，如 图1 图1 所示。实际田间图像中秸秆末端缠绕交错，细长且杂乱。由于秸秆、土壤、树影等颜色接近，传统的阈值分割方法难以区分，检测结果误差较大。因此，秸秆图像分割难度大、精确度低。为了提高秸秆图像的分割精度，本文在原始U-Net模型的基础上，提出了一种改进的U-Net（Improved U-Net， IU-Net）模型。U-Net是完全卷积网络的经典变体，在图像分割应用中具有三个优势：一是提取全局特征和上下文信息的能力较强；二是整个图像可以作为输入，直接输出分段图像；三是对小样本图像分割具有较强的泛化能力。 首先，IU-Net模型使用U-net的对称上下采样结构作为骨干网络以实现语义分割；为了提高模型的特征提取能力，提出了一种复杂的卷积模块Block 代替原始U-Net模型中的3×3卷积；然后，将空洞卷积 ［ 15 15 ］ 引入Inception结构 ［ 16 16 ］ ，提出一种拓展网络宽度的模块结构Gception，以拓宽感受野，提取高维特征；将Gception与条形池化 Strip pooling ［ 17 17 ］ 一同引入卷积模块中，并使用Sigmoid函数将输出转换为注意力形式，以强化焦点特征；最后，在下采样阶段使用残差卷积 ［ 18 18 ］ ，在上采样使用深度可分离卷积 ［ 19 19 ］ ，连接Block卷积模块，以减轻梯度消失，减少模型参数量。 复杂卷积模块能够提升模型对秸秆细节特征的提取能力；Gception能够提升模型对全局特征及高维特征的提取能力；注意力机制的引入能够减轻树影及农机等因素对秸秆分割的干扰。因此，IU-Net模型拓宽了网络结构，能够在不增加参数量的情况下提升网络性能，从而实现在复杂田间场景下秸秆图像的精准分割。 2.2　改进的U-Net模型 2 IU-Net网络架构如 图2 图2 所示，整体呈现U型结构，可分为左侧编码器Encoding和右侧解码器Decoding阶段。与原始U-Net不同的是，在编码器阶段附加一个三角形结构，包含最大池化和Concatenate连接操作。图中，每个立方体对应一个多通道特征图，通道的数量位于立方体顶部，特征图尺寸位于立方体的左上边缘。箭头表示不同的操作，其中细长空心箭头表示复制下采样阶段的特征图到相应层数的上采样阶段；加号表示Concatenate连接操作；向下的箭头表示2×2最大池化运算；向上的箭头表示2×2的上卷积操作；粗实心和空心箭头表示将特征图输入复杂卷积模块Block。彩色图像经过灰度处理后输入IU-Net模型。 网络中的卷积操作均采用本文提出的复杂卷积模块Block代替原始U-Net结构中的3×3卷积。在下采样阶段，使用一个3×3残差卷积块与Block模块相连，形成Block1，每个Block1模块后接2×2最大池化运算。相对于原始U-Net结构，卷积操作将通道数量增加一倍，而IU-Net下采样阶段的卷积操作不改变通道大小，将未经过卷积模块的上层特征图经过2×2最大池化后，与经过卷积模块的下层特征图通过Concatenate连接操作进行特征融合，以此实现通道数量的倍增，进行高维特征提取的同时保证了全局特征的完整性。 在上采样阶段，使用一个深度可分离卷积块与Block模块相连，形成Block2。首先进行2×2的上卷积，将通道数量减半；其次，将特征图与上采样中相应路径的特征图进行Concatenate连接；然后，通过Block2模块；在最后一层使用两个3×3卷积和一个1×1卷积模块减少通道数量，并将每个分量特征向量映射到所需的6个类中。 3 网络结构优化设计 1 3.1　卷积模块结构 2 由于秸秆特征复杂细小，普通的卷积结构对于这类特征的提取效果并不理想，导致秸秆精准分割困难。为更好地提取秸秆的细节特征，本文对原始U-Net的3×3卷积块进行改进，设计了一种复杂的卷积模块Block，其内部结构如 图3 图3 所示。其中， <math id="M1"><mi>W</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424852&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424835&type= 3.80999994 2.87866688 和 <math id="M2"><mi>H</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424817&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424832&type= 2.96333337 2.79399991 分别为特征图的宽度和高度。 在利用池化操作扩大视野时，不可避免地会加入一些无关紧要的像素区域，因此，在卷积模块Block中引入条纹池化结构，限制池化区域，以避免全局池化或金字塔池化带来的无用信息及误导信息。该模块通过条纹池化结构与Gception结构得到的张量进行Concatenate连接，后接一个使用Sigmoid激活函数的1×1卷积模块，作为整个卷积模块的输出。 在下采样阶段，使用残差卷积模块得到的特征图作为卷积模块Block的输入，以减轻复杂网络梯度消失的问题；在上采样阶段，使用深度可分离卷积模块得到的特征图作为卷积模块Block输入，以减少模型的参数量，避免复杂网络带来的计算量增加问题。 3.2　Gception结构 2 针对田间图像中秸秆特征不明显的问题，准确分割要求网络可以提取多样的全局特征以及高维的细节特征。在特征值提取时，网络的宽度一定程度上决定了特征提取的多样性，Inception结构能够有效拓宽网络，以提取高维特征。通过上述条纹池化和最大池化运算，分别可以获得特征图上的高度概括特征和条形特征。为了获得传统方形大视野，通常采用增加卷积核大小的方法，但以增加参数计算量为代价。因此，本文将空洞卷积引入Inception结构，提出一种新的Gception结构，如 图3 图3 所示。 在Gception结构中，像素对经过两个3×3卷积模块、一个3×3卷积模块以及空洞卷积的3种不同操作的卷积结果进行Concatenate连接后，使用Sigmoid函数对其进行转换并与输入相乘，将Inception结构由残差形式转换为注意力形式，以强化焦点特征。 空洞卷积可以在不增加参数计算量的同时获得更大的视野，但插值次数越高，插值结果越偏离原函数，出现龙格现象。为解决此问题，本文采用高效空间金字塔空洞卷积模块（Efficient Spatial Pyramid of Dilated Convolutions Module， ESP mod），如 图4 图4 所示。当需要进行高空洞值的卷积时，将相应的低空洞值与之进行累加，以弥补空洞卷积参数之间的无关联性。本文采用扩张率为2，4，8，16的4种卷积核得到的结果通过Concatenate操作进行特征提取。 3.3　注意力机制 2 为更好地排除田间秸秆图像中树影、土壤以及农机等干扰，强化秸秆的焦点特征，以提高网络对秸秆的提取能力，本文在模型中引入了注意力机制。首先，通过一个1×1卷积和Sigmoid函数将原始Inception结构的输出转换为注意力参数形式；其次，将条纹池化的结果与Gception结构输出的结果进行Concatenate连接；然后，将结果与输入相乘，达到提取焦点特征的目的。注意力形式的Gception结构可以更完整地提取图像中秸秆的边缘细节，其性能优于Inception结构的残差形式。 4 实　验 1 4.1　模型训练 2 4 . 1 . 1　图像采集与预处理 3 本文采用DJI大疆M200无人机搭载X5S云台相机，采集时间为2021年4月21日、2021年5月5日，采集地点为中国吉林省榆树市大岗乡，采集范围为（126.261 675°E，45.097 652°N），（126.287 043°E，45.101 012°N），（126.262 969°E，45.074 335°N），（126.300 194°E，45.075 098°N），采集数据的光照条件为自然光照。 无人机按照既定的航线等高度垂直于地面匀速飞行，高度为50 m，速度为5 m/s，云台相机镜头始终垂直于地面拍摄，拍摄间隔为2 s，相邻采集图像重复率为70%，最终得到900张秸秆图像。上述数据集包含农机、植被、道路、房屋和土地等干扰信息的图像仅为50张，所以需要通过增加干扰信息的方式来合成新的图像。将图像中含有的农机、植被、道路及房屋等干扰信息裁剪出，然后将它们添加到不含干扰信息的图像上并做旋转、缩放等操作，通过以上方法得到了600张包含多类别干扰信息的图像。 对秸秆图像数据集的预处理操作分为三步。首先将图像内容分为六类并标注，针对秸秆复杂的细节，采用Photoshop软件中通道抠图的方法进行标注，常规秸秆的曲线值为67/0.92/14，利用蓝色通道调整图像色阶，将原始图像转为灰度图像保存。再将阈值设置为25，转为二值图像。通道抠图可以大致分割出秸秆的轮廓特征，然后再通过像素工具笔进行手动注释和修复完整秸秆和土壤的细节，标注出真实的秸秆和土壤。秸秆区域的像素值为1，背景像素为0。再对样本图像中其他干扰物体进行手动标注。其次，将标记好的图像生成npy格式类型的文件，以备模型训练和测试。最后，将1 500张图像随机打乱并划分为1 200张训练集图像、150张验证集图像和150张测试集图像，各数据集之间相互独立，无重复样本。 4 . 1 . 2　交叉熵损失函数 3 本文在模型训练时选用的损失函数为交叉熵损失函数 ［ 20 20 ］ 。计算方法如下所示： <math display="block" id="M3"><msub><mrow><mi>L</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>=</mo><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>c</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>M</mi></mrow></munderover></mstyle><mrow><msub><mrow><mi>y</mi></mrow><mrow><mi>i</mi><mo>,</mo><mi>c</mi></mrow></msub></mrow><mi mathvariant="normal">l</mi><mi mathvariant="normal">o</mi><mi mathvariant="normal">g</mi><mo stretchy="false">(</mo><msub><mrow><mi>p</mi></mrow><mrow><mi>i</mi><mo>,</mo><mi>c</mi></mrow></msub><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424571&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424557&type= 31.24200058 8.55133343 ， <math display="block" id="M4"><mi>L</mi><mo>=</mo><mfrac><mrow><mn mathvariant="normal">1</mn></mrow><mrow><mi>N</mi></mrow></mfrac><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>i</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>N</mi></mrow></munderover></mstyle><mrow><msub><mrow><mi>L</mi></mrow><mrow><mi>i</mi></mrow></msub></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424574&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424561&type= 19.38866615 8.63599968 ， 其中： <math id="M5"><mi>M</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424585&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424581&type= 3.38666677 2.87866688 为类别数； <math id="M6"><msub><mrow><mi>y</mi></mrow><mrow><mi>i</mi><mo>,</mo><mi>c</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424589&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424588&type= 4.31799984 4.57200003 为符号函数，若第 <math id="M7"><mi>i</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424627&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424620&type= 1.10066664 2.79399991 个样本的真实类别等于 <math id="M8"><mi>c</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424634&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424631&type= 1.52400005 2.79399991 ，则取1，否则取0； <math id="M9"><msub><mrow><mi>p</mi></mrow><mrow><mi>i</mi><mo>,</mo><mi>c</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424623&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424615&type= 4.31799984 4.57200003 为第 <math id="M10"><mi>i</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424627&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424620&type= 1.10066664 2.79399991 个样本的属于类别 <math id="M11"><mi>c</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424634&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424631&type= 1.52400005 2.79399991 的预测概率。交叉熵函数可以准确得到不同模型预测效果的差异。 4 . 1 . 3　训练过程 3 从训练集中随机选择4张图像组成一组，并输入到网络以进行前向传播以预测像素类别。将模型输出的分割图像与标签文件进行比对以计算损失函数。采用随机梯度下降方法进行向后学习，确定最佳网络参数：初始学习率为 <math id="M12"><mn mathvariant="normal">1</mn><mo>×</mo><msup><mrow><mi>e</mi></mrow><mrow><mo>-</mo><mn mathvariant="normal">4</mn></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424670&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424657&type= 11.17599964 3.04800010 ，衰减系数为0.5。当损失函数曲线汇聚和稳定时，停止训练并保存训练模式。随着迭代次数的增加，损失函数值逐渐下降，准确性逐渐提高。 如 图5 图5 所示，模型在最终迭代的损失函数值为0.216，从第97次迭代开始，后一次迭代的损失函数值与前一次迭代损失函数值之间的差值已经小于0.001，损失函数图像的斜率趋近为0，表明模型从第97次迭代开始趋于收敛。在训练初期，损失函数通过学习快速地降低，表明模型处于学习状态；在训练中期，从第97次迭代开始，模型在训练集中的损失函数曲线趋于稳定，表明该模型处于逐渐收敛的状态；在训练后期，第150~200次迭代期间，模型在训练集的损失函数曲线已经保持平稳，表明模型已经稳定收敛。 4 . 1 . 4　训练超参数设置 3 （1）优化器：Adam； （2）学习率（learning-rate）：初始学习率为 <math id="M13"><mn mathvariant="normal">1</mn><mo>×</mo><msup><mrow><mi>e</mi></mrow><mrow><mo>-</mo><mn mathvariant="normal">4</mn></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424670&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424657&type= 11.17599964 3.04800010 ，衰减系数为0.5，最小值为 <math id="M14"><mn mathvariant="normal">1</mn><mo>×</mo><msup><mrow><mi>e</mi></mrow><mrow><mo>-</mo><mn mathvariant="normal">8</mn></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424662&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424675&type= 11.17599964 3.04800010 ； （3）批量大小（batch size）：2； （4）训练迭代周期（epochs）：200； （5）每周期步数（step per epoch）：300。 4.2　算法性能对比实验 2 算法处理计算机配置为：3.02 GHz Inter（R） Core（TM） i7-8700处理器、16 GB内存、NVIDIA GeForce GTX 1080显卡；Windows10专业版操作系统，Pyhon3.6、TensorFlow10、Keras环境下进行训练和仿真实验。 4 . 2 . 1　评价指标 3 为量化分析模型性能，本文采用语义分割的标准化评价指标衡量模型在验证集与测试集的表现，主要包括平均交并比（Mean Intersection Over Union，mIoU） ［ 21 21 ］ 和平均像素识别准确率（Mean Pixel Accuracy，mPA） ［ 21 21 ］ 。mIoU用于评价模型总体目标区域的分割准确度，是预测区域与真实区域在像素层面的交集和并集之比，反映两者之间的重合程度，定义如下： <math display="block" id="M15"><mi>m</mi><mi>I</mi><mi>o</mi><mi>U</mi><mo>=</mo><mfrac><mrow><mn mathvariant="normal">1</mn></mrow><mrow><mn mathvariant="normal">2</mn></mrow></mfrac><mfenced separators="|"><mrow><mfrac><mrow><mi>T</mi><mi>P</mi></mrow><mrow><mi>T</mi><mi>P</mi><mo>+</mo><mi>F</mi><mi>P</mi><mo>+</mo><mi>F</mi><mi>N</mi></mrow></mfrac><mo>+</mo><mfrac><mrow><mi>T</mi><mi>N</mi></mrow><mrow><mi>T</mi><mi>N</mi><mo>+</mo><mi>F</mi><mi>N</mi><mo>+</mo><mi>F</mi><mi>P</mi></mrow></mfrac></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424683&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424680&type= 72.98266602 9.22866726 ， 其中： <math id="M16"><mi>T</mi><mi>P</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424704&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424700&type= 4.99533367 2.79399991 表示预测正确的秸秆像素数量， <math id="M17"><mi>F</mi><mi>P</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424710&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424708&type= 4.91066647 2.79399991 是将背景预测为秸秆的像素数量， <math id="M18"><mi>T</mi><mi>N</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424714&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424686&type= 5.41866684 2.87866688 为预测正确的背景像素数量， <math id="M19"><mi>F</mi><mi>N</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424693&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424716&type= 5.33400011 2.87866688 是将秸秆预测为背景的像素数量。 <math id="M20"><mi mathvariant="normal">m</mi><mi mathvariant="normal">P</mi><mi mathvariant="normal">A</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424730&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424720&type= 8.12800026 2.79399991 表示2个预测类别的平均像素识别准确率，是评价模型像素预测精度的主要指标，表示全部类别中正确预测的像素平均比例，定义如下： <math display="block" id="M21"><mi>m</mi><mi>P</mi><mi>A</mi><mo>=</mo><mfrac><mrow><mn mathvariant="normal">1</mn></mrow><mrow><mn mathvariant="normal">2</mn></mrow></mfrac><mfenced separators="|"><mrow><mfrac><mrow><mi>T</mi><mi>P</mi></mrow><mrow><mi>T</mi><mi>P</mi><mo>+</mo><mi>F</mi><mi>P</mi></mrow></mfrac><mo>+</mo><mfrac><mrow><mi>T</mi><mi>N</mi></mrow><mrow><mi>T</mi><mi>N</mi><mo>+</mo><mi>F</mi><mi>N</mi></mrow></mfrac></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424735&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424723&type= 56.04933929 9.22866726 . 4 . 2 . 2　算法对比 3 本文采用不同算法对测试集中的图像进行了分割和分析，评估指标包括mPA，mIoU和参数量Parameters。 实验中，所有对比算法的迭代次数均设置为200。本文所提算法IU-Net在第97次迭代开始收敛，在训练后期平稳收敛。对比算法中Res-net未达到收敛状态，其他算法均达到收敛状态。由此表明对于秸秆图像的训练过程，Res-net模型相对于其他对比模型收敛速度稍慢。从 图6 图6 中可看出，本文所提算法IU-Net最终迭代时的mIoU为80.05%，改进前算法UNET的mIoU为76.61%，PSP-Net ［ 22 22 ］ ，Link-net ［ 23 23 ］ ，Res-net和DSRA-Unet的mIoU分别为69.10%，63.45%，60.34%，66.56%。 将本文提出的算法与其他算法进行比较，结果如 表1 表1 所示。可以看出，U-Net模型在验证集上的mIoU为76.61%，mPA为89.23%，但是模型参数略大；Link-Net在该数据集上的性能表现一般；DSRA-Unet ［ 13 13 ］ 为使用深度可分离卷积的U-Net，其深度和卷积核尺寸均较小，最终mIoU为66.56，mPA为89.52%；PSP-Net采用金字塔池模块，增大了特征提取能力，使得mIoU提高至69.10%，mPA为83.92%；Res-Net ［ 18 18 ］ 上的mIoU在最终迭代时达到60.34%，结果略低于其他对比算法，表明Res-Net模型不太适用于秸秆图像分割；DE-GWO为传统阈值分割算法 ［ 12 12 ］ ，它对含阴影等的复杂场景的检测效果有限，mIoU为72.50%，mPA为85.37%。IU-Net的验证集测试结果的mIoU为80.05%，mPA为91.20%，优于相同训练条件下其他算法的检测结果，具有最高的mIoU和mPA，能够保证良好的泛化能力。 Algrorithms mIoU/% mPA/% Parameters/M U-Net 76.61 89.23 31.00 PSP-Net 69.10 83.92 3.00 Link-Net 63.45 87.70 47.80 Res-Net 60.34 83.09 91.00 DSRA-Unet 66.56 89.52 0.30 DE-GWO 72.50 85.37 - IU-Net 80.05 91.20 10.86 IU-Net模型的训练集和测试集的平均交并比、平均像素识别准确度和损失函数曲线如 图7 图7 所示。随着迭代次数的增加，模型的损失函数值逐渐下降，平均像素识别准确率和平均交并比逐渐升高。在训练的中后期，第150~200次迭代期间，模型在训练集和验证集的损失函数曲线已经保持平稳，表明IU-Net模型已经稳定收敛。在最终迭代时，模型的平均交并比为80.05%，平均像素识别准确率为91.20%，损失函数值为0.216，优于其他对比算法。 4 . 2 . 3　消融实验 3 为了研究IU-Net算法中各个模块的作用，设计了4个不同的网络进行效果对比，实验结果如 表2 表2 所示。第1个是U-Net网络，其mIoU为76.61%；第2个是U-Net网络与改进的卷积块的结合，其mIoU为78.58%；第3个是U-Net与改进注意力机制结合，其mIoU为79.69%；第4个是U-Net与改进的卷积块和注意力机制结合。从表中可以看出，引入改进的卷积块和注意力机制后mIoU和mPA有了进一步的提升，可以很好地平衡参数量和精度，mIoU最高可达80.05%。 Methods mIoU/% mPA/% Parameters/M Bone 76.61 89.23 31.00 Bone+Block 78.58 89.45 13.53 Bone+Att 79.69 89.98 18.60 Bone+Block+Att 80.05 91.20 10.86 5 秸秆覆盖率检测 1 5.1　评价指标 2 为了更好地评价秸秆的覆盖准确率，本文使用预测秸秆覆盖率 <math id="M22"><msub><mrow><mi>R</mi></mrow><mrow><mi mathvariant="normal">S</mi><mi mathvariant="normal">C</mi><mi mathvariant="normal">P</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424785&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424767&type= 6.60400009 3.72533321 、实际秸秆覆盖率 <math id="M23"><msub><mrow><mi>R</mi></mrow><mrow><mi mathvariant="normal">S</mi><mi mathvariant="normal">C</mi><mi mathvariant="normal">T</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424804&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424772&type= 6.85799980 3.72533321 和秸秆覆盖率误差 <math id="M24"><msub><mrow><mi>E</mi></mrow><mrow><mi mathvariant="normal">S</mi><mi mathvariant="normal">C</mi><mi mathvariant="normal">R</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424796&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424793&type= 6.68866634 3.72533321 等来衡量算法性能 ［ 13 13 ］ ，其表达式分别为： <math display="block" id="M25"><msub><mrow><mi>R</mi></mrow><mrow><mi mathvariant="normal">S</mi><mi mathvariant="normal">C</mi><mi mathvariant="normal">P</mi></mrow></msub><mo>=</mo><mfrac><mrow><msub><mrow><mi>P</mi></mrow><mrow><mi mathvariant="normal">p</mi></mrow></msub></mrow><mrow><mi>H</mi><mo>×</mo><mi>W</mi></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424810&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424800&type= 23.79133224 7.95866632 ， <math display="block" id="M26"><msub><mrow><mi>R</mi></mrow><mrow><mi mathvariant="normal">S</mi><mi mathvariant="normal">C</mi><mi mathvariant="normal">T</mi></mrow></msub><mo>=</mo><mfrac><mrow><msub><mrow><mi>P</mi></mrow><mrow><mi mathvariant="normal">t</mi></mrow></msub></mrow><mrow><mi>H</mi><mo>×</mo><mi>W</mi></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424823&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424820&type= 24.04533195 7.95866632 ， <math display="block" id="M27"><msub><mrow><mi>E</mi></mrow><mrow><mi mathvariant="normal">S</mi><mi mathvariant="normal">C</mi><mi mathvariant="normal">R</mi></mrow></msub><mo>=</mo><mfrac><mrow><msub><mrow><mi>P</mi></mrow><mrow><mi mathvariant="normal">p</mi></mrow></msub><mo>-</mo><msub><mrow><mi>P</mi></mrow><mrow><mi mathvariant="normal">t</mi></mrow></msub></mrow><mrow><mi>H</mi><mo>×</mo><mi>W</mi></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424829&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424813&type= 23.96066666 7.95866632 ， 其中： <math id="M28"><mi>H</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424817&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424832&type= 2.96333337 2.79399991 为图片高度； <math id="M29"><mi>W</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424852&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424835&type= 3.80999994 2.87866688 为图片宽度； <math id="M30"><msub><mrow><mi>P</mi></mrow><mrow><mi mathvariant="normal">p</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424857&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424839&type= 3.64066648 3.72533321 为预测的秸秆像素点个数； <math id="M31"><msub><mrow><mi>P</mi></mrow><mrow><mi mathvariant="normal">t</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424842&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28424860&type= 3.21733332 3.72533321 为真实的秸秆像素点个数。 5.2　秸秆图像检测 2 在不同场景下，IU-Net算法以及其他算法的秸秆检测结果如 图8 图8 所示（彩图见期刊电子版）。其中，白色代表秸秆，红色代表房屋，绿色代表植被，蓝色代表马路，黄色代表农机，黑色代表土壤。 样本1是田间的常见场景，仅包含马路和植被，由图可以看出PSP-Net检测效果一般，不能明确分割出秸秆区域，Res-Net对于田间场景的分割出现大量误判。样本2是含有少量树影的场景，可以看出Link-Net对阴影遮盖的秸秆区域检测效果一般，DSRA-Unet则可以检测出小部分被阴影遮盖的秸秆区域。样本3是含有大量树影的农田场景，可以看出其他方法均出现了较大面积的误判，尤其是在道路、植被和树影周围，而IU-Net则可以排除出这些干扰信息，提高秸秆覆盖率的检测精度。 5.3　秸秆覆盖率检测 2 为了测试IU-Net算法在秸秆分割中的检测性能，本文使用7种算法对19幅田间图像进行了分割和检测，各算法得到的秸秆覆盖率预测值如 表3 表3 所示。其中，通过 式（5） 式（5） 计算对比算法及本文提出算法的分割图像的秸秆覆盖率预测值，通过 式（6） 式（6） 计算秸秆覆盖率真实值，最后通过 式（7） 式（7） 得到覆盖率检测误差。 2 Sample number 8 R SCP /% Truth U-Net PSP-Net Link-Net Res-Net DSRA-Unet DE-GWO IU-Net 1 43.70 30.73 11.49 38.14 63.97 41.07 37.63 41.71 2 43.16 30.92 15.12 36.23 62.70 41.54 35.73 41.87 3 43.33 60.10 13.71 45.29 62.90 42.03 36.56 42.74 4 44.13 45.35 13.16 42.28 58.56 41.84 44.79 43.22 5 41.03 43.70 14.25 44.18 54.60 39.73 41.78 40.89 6 43.68 31.82 12.44 46.77 58.94 42.80 46.27 44.48 7 44.25 39.67 11.78 46.25 59.47 42.95 45.75 44.65 8 43.89 48.19 9.97 45.96 58.32 42.23 45.46 44.08 9 42.69 50.18 11.89 46.10 57.54 41.33 45.60 42.87 10 43.74 43.21 27.90 31.29 58.42 42.17 30.79 43.65 11 44.75 41.41 15.38 41.11 67.54 41.10 40.61 41.31 12 47.80 44.29 17.93 35.72 58.18 41.25 35.22 42.95 13 47.52 26.99 18.44 35.34 57.57 41.25 34.84 43.57 14 33.61 26.78 15.84 32.15 41.20 32.60 31.65 33.43 15 27.91 21.98 6.48 25.30 40.86 28.91 24.80 29.84 16 33.22 32.60 7.81 35.22 46.82 32.58 34.72 33.85 17 35.16 22.29 12.46 30.59 44.88 31.67 30.08 33.16 18 33.66 31.04 8.33 38.99 44.96 33.22 38.49 33.59 19 25.04 25.98 6.76 26.15 36.06 23.56 25.65 24.89 在19幅田间图像秸秆覆盖率检测实验中，将 表3 表3 中最接近真实值的结果用粗体示意。IU-Net算法在15幅图像上的秸秆覆盖率检测结果最接近真实值，表现最佳；原始U-Net算法得到的结果有2次最接近真实值，表现次之；DSRA-Net与DE-GWO都有1次最接近真实值，表现再次之。 为进一步统计实验结果，将各算法在19幅图像上的误差取平均值，得到平均秸秆覆盖率误差（Average of Straw Coverage Rate Error，AVG SCRE ），并且统计单幅图像的平均运行时间（Single-image Average Running Time，SART），通过上述两个参量评估秸秆覆盖率检测效果，如 表4 表4 所示。 Algrorithms AVG SCRE /% SART/s U-Net 3.80 1.00 PSP-Net 26.90 0.80 Link-Net 2.40 0.90 Res-Net 14.30 0.92 DSRA-Unet 2.00 1.90 DE-GWO 2.90 2.00 IU-Net 0.80 0.75 检测结果表明，PSP-Net不适用于秸秆图像的分割，大量的秸秆未被检测出，其检测结果误差较大；Res-Net的结果图中大面积的土壤被误判为秸秆，导致其检测结果误差较大，因此不适用于秸秆图像的精准分割；U-net，Link-Net，DSRA-Unet，DE-GWO算法对秸秆覆盖率检测得到的平均误差分别为3.80%，2.40%，2.00%，2.90%，均控制在4%以内，单幅图像的平均运行时间分别为1.00，0.90，1.90，2.00 s。本文所提算法的平均秸秆覆盖率检测误差为0.80%，单幅图像的平均运行时间为0.75 s。与其他算法相比，本文方法得到的平均秸秆覆盖率检测误差更低，单幅图像的运行速度更快，能够更精准、快速地检测秸秆覆盖率，从而更高效地衡量秸秆的还田质量。综上所述，IU-Net模型的分割结果最优，能够保障特征提取的有效性和全局特征的完备性，有效剔除树影以及田内其他干扰因素。 6 结　论 1 为了适应保护性耕作还田监测的技术需求，本文提出了一种改进的U-Net语义分割算法对秸秆覆盖率进行检测。通过Gception在不增加计算量的同时拓宽视野，获取高维特征；通过引入注意力机制提升对秸秆细节的关注，强化焦点特征；通过复杂卷积模块保证全局特征的完备性和特征提取的有效性。在自标注田间秸秆图像数据集上进行测试，结果表明，IU-Net模型在保护性耕作田间秸秆图像上的平均像素识别准确率为91.20%，对比关闭注意力机制模块的算法得到的平均像素识别准确率提升1.75%；对比U-Net，PSP-Net，Link-Net，Res-Net，DSRA-Unet和DE-GWO得到的平均像素识别准确率，分别提升约1.97%，7.28%，3.50%，8.11%，1.68%和5.83%。IU-Net模型在保护性耕作田间秸秆图像上的平均交并比为80.05%，对比关闭注意力机制模块的算法得到的平均交并比提升1.47%；对比U-Net，PSP-Net，Link-Net，Res-Net，DSRA-Unet和DE-GWO得到的算法平均交并比，分别提升约3.44%，10.95%，16.60%，19.71%，13.94%和7.55%。实验表明，IU-Net能够有效分割出树影以及农田里的其他干扰因素，从而在一定程度解决现有的保护性耕作地面秸秆覆盖检测效率低、误差大、劳动强度大及结果不理想等问题。 参考文献 宫纯文 ， 李建玉 ， 李学彬 ， 等 . 秸秆燃烧和沙尘对气溶胶光学特性的影响 ［J］. 光学 精密工程 ， 2015 ， 23 （ 10 ）： 2768 - 2777 . doi: 10.3788/ope.20152310.2768 http://dx.doi.org/10.3788/ope.20152310.2768 秸秆燃烧和沙尘对气溶胶光学特性的影响 GONG CH W ， LI J Y ， LI X B ， et al . Influence of straw burning and dust on aerosol optical properties ［J］. Opt. Precision Eng. ， 2015 ， 23 （ 10 ）： 2768 - 2777 . （in Chinese） . doi: 10.3788/ope.20152310.2768 http://dx.doi.org/10.3788/ope.20152310.2768 Influence of straw burning and dust on aerosol optical properties 张俊雄 ， 荀一 ， 李伟 . 基于形态特征的玉米种子表面裂纹检测方法 ［J］. 光学 精密工程 ， 2007 ， 15 （ 6 ）： 951 - 956 . doi: 10.3321/j.issn:1004-924X.2007.06.025 http://dx.doi.org/10.3321/j.issn:1004-924X.2007.06.025 基于形态特征的玉米种子表面裂纹检测方法 ZHANG J X ， XUN Y ， LI W . Detection of surface cracks of corn kernel based on morphology ［J］. Opt. Precision Eng. ， 2007 ， 15 （ 6 ）： 951 - 956 . （in Chinese） . doi: 10.3321/j.issn:1004-924X.2007.06.025 http://dx.doi.org/10.3321/j.issn:1004-924X.2007.06.025 Detection of surface cracks of corn kernel based on morphology 刘继龙 ， 任高奇 ， 付强 ， 等 . 秸秆还田下土壤水分时间稳定性与玉米穗质量的相关性 ［J］. 农业机械学报 ， 2019 ， 50 （ 5 ）： 320 - 326 . doi: 10.6041/j.issn.1000-1298.2019.05.036 http://dx.doi.org/10.6041/j.issn.1000-1298.2019.05.036 秸秆还田下土壤水分时间稳定性与玉米穗质量的相关性 LIU J L ， REN G Q ， FU Q ， et al . Relationship between temporal stability of soil water and corn ear weight under straw returning ［J］. Transactions of the Chinese Society for Agricultural Machinery ， 2019 ， 50 （ 5 ）： 320 - 326 . （in Chinese） . doi: 10.6041/j.issn.1000-1298.2019.05.036 http://dx.doi.org/10.6041/j.issn.1000-1298.2019.05.036 Relationship between temporal stability of soil water and corn ear weight under straw returning 施印炎 ， 罗伟文 ， 胡志超 ， 等 . 全量秸秆粉碎条铺与种带分型清秸装置设计与试验 ［J］. 农业机械学报 ， 2019 ， 50 （ 4 ）： 58 - 67 . doi: 10.6041/j.issn.1000-1298.2019.04.007 http://dx.doi.org/10.6041/j.issn.1000-1298.2019.04.007 全量秸秆粉碎条铺与种带分型清秸装置设计与试验 SHI Y Y ， LUO W W ， HU ZH CH ， et al . Design and test of equipment for straw crushing with strip-laying and seed-belt classification with cleaning under full straw mulching ［J］. Transactions of the Chinese Society for Agricultural Machinery ， 2019 ， 50 （ 4 ）： 58 - 67 . （in Chinese） . doi: 10.6041/j.issn.1000-1298.2019.04.007 http://dx.doi.org/10.6041/j.issn.1000-1298.2019.04.007 Design and test of equipment for straw crushing with strip-laying and seed-belt classification with cleaning under full straw mulching 韩文霆 ， 彭星硕 ， 张立元 ， 等 . 基于多时相无人机遥感植被指数的夏玉米产量估算 ［J］. 农业机械学报 ， 2020 ， 51 （ 1 ）： 148 - 155 . doi: 10.6041/j.issn.1000-1298.2020.01.016 http://dx.doi.org/10.6041/j.issn.1000-1298.2020.01.016 基于多时相无人机遥感植被指数的夏玉米产量估算 HAN W T ， PENG X SH ， ZHANG L Y ， et al . Summer maize yield estimation based on vegetation index derived from multi-temporal UAV remote sensing ［J］. Transactions of the Chinese Society for Agricultural Machinery ， 2020 ， 51 （ 1 ）： 148 - 155 . （in Chinese） . doi: 10.6041/j.issn.1000-1298.2020.01.016 http://dx.doi.org/10.6041/j.issn.1000-1298.2020.01.016 Summer maize yield estimation based on vegetation index derived from multi-temporal UAV remote sensing 陶惠林 ， 徐良骥 ， 冯海宽 ， 等 . 基于无人机高光谱遥感数据的冬小麦产量估算 ［J］. 农业机械学报 ， 2020 ， 51 （ 7 ）： 146 - 155 . doi: 10.6041/j.issn.1000-1298.2020.07.017 http://dx.doi.org/10.6041/j.issn.1000-1298.2020.07.017 基于无人机高光谱遥感数据的冬小麦产量估算 TAO H L ， XU L J ， FENG H K ， et al . Winter wheat yield estimation based on UAV hyperspectral remote sensing data ［J］. Transactions of the Chinese Society for Agricultural Machinery ， 2020 ， 51 （ 7 ）： 146 - 155 . （in Chinese） . doi: 10.6041/j.issn.1000-1298.2020.07.017 http://dx.doi.org/10.6041/j.issn.1000-1298.2020.07.017 Winter wheat yield estimation based on UAV hyperspectral remote sensing data 田慎重 ， 张玉凤 ， 边文范 ， 等 . 深松和秸秆还田对旋耕农田土壤有机碳活性组分的影响 ［J］. 农业工程学报 ， 2020 ， 36 （ 2 ）： 185 - 192 . doi: 10.11975/j.issn.1002-6819.2020.02.022 http://dx.doi.org/10.11975/j.issn.1002-6819.2020.02.022 深松和秸秆还田对旋耕农田土壤有机碳活性组分的影响 TIAN SH ZH ， ZHANG Y F ， BIAN W F ， et al . Effects of subsoiling and straw return on soil labile organic carbon fractions in continuous rotary tillage cropland ［J］. Transactions of the Chinese Society of Agricultural Engineering ， 2020 ， 36 （ 2 ）： 185 - 192 . （in Chinese） . doi: 10.11975/j.issn.1002-6819.2020.02.022 http://dx.doi.org/10.11975/j.issn.1002-6819.2020.02.022 Effects of subsoiling and straw return on soil labile organic carbon fractions in continuous rotary tillage cropland 龚振平 ， 杜婷婷 ， 闫超 ， 等 . 玉米秸秆还田及施磷量对黑土磷吸附与解吸特性的影响 ［J］. 农业工程学报 ， 2019 ， 35 （ 22 ）： 161 - 169 . doi: 10.11975/j.issn.1002-6819.2019.22.019 http://dx.doi.org/10.11975/j.issn.1002-6819.2019.22.019 玉米秸秆还田及施磷量对黑土磷吸附与解吸特性的影响 GONG ZH P ， DU T T ， YAN CH ， et al . Effects of corn straw returning and phosphorus application rate on phosphorus adsorption and desorption characteristics of black soil ［J］. Transactions of the Chinese Society of Agricultural Engineering ， 2019 ， 35 （ 22 ）： 161 - 169 . （in Chinese） . doi: 10.11975/j.issn.1002-6819.2019.22.019 http://dx.doi.org/10.11975/j.issn.1002-6819.2019.22.019 Effects of corn straw returning and phosphorus application rate on phosphorus adsorption and desorption characteristics of black soil 王丽丽 ， 魏舒 ， 赵博 ， 等 . 一种田间秸秆覆盖率在线检测方法及系统 ： CN107274426A ［P］. 2017-10-20 . doi: 10.1016/s1872-2067(17)62876-6 http://dx.doi.org/10.1016/s1872-2067(17)62876-6 一种田间秸秆覆盖率在线检测方法及系统 WANG L L ， WEI SH ， ZHAO B ， et al . Field straw coverage rate on-line detection method and system ： CN107274426A ［P］. 2017-10-20 . （in Chinese） . doi: 10.1016/s1872-2067(17)62876-6 http://dx.doi.org/10.1016/s1872-2067(17)62876-6 Field straw coverage rate on-line detection method and system 王丽丽 ， 徐岚俊 ， 魏舒 ， 等 . 基于Sauvola与Otsu算法的秸秆覆盖率图像检测方法 ［J］. 农业工程 ， 2017 ， 7 （ 4 ）： 29 - 35 . doi: 10.3969/j.issn.2095-1795.2017.04.009 http://dx.doi.org/10.3969/j.issn.2095-1795.2017.04.009 基于Sauvola与Otsu算法的秸秆覆盖率图像检测方法 WANG L L ， XU L J ， WEI SH ， et al . Straw coverage detection method based on sauvola and otsu segmentation algorithm ［J］. Agricultural Engineering ， 2017 ， 7 （ 4 ）： 29 - 35 . （in Chinese） . doi: 10.3969/j.issn.2095-1795.2017.04.009 http://dx.doi.org/10.3969/j.issn.2095-1795.2017.04.009 Straw coverage detection method based on sauvola and otsu segmentation algorithm 李洪文 ， 李慧 ， 何进 ， 等 . 基于人工神经网络的田间秸秆覆盖率检测系统 ［J］. 农业机械学报 ， 2009 ， 40 （ 6 ）： 58 - 62 . 基于人工神经网络的田间秸秆覆盖率检测系统 LI H W ， LI H ， HE J ， et al . Measuring system for residue cover rate in field based on BP neural network ［J］. Transactions of the Chinese Society for Agricultural Machinery ， 2009 ， 40 （ 6 ）： 58 - 62 . （in Chinese） Measuring system for residue cover rate in field based on BP neural network 刘媛媛 ， 王跃勇 ， 于海业 ， 等 . 基于多阈值图像分割算法的秸秆覆盖率检测 ［J］. 农业机械学报 ， 2018 ， 49 （ 12 ）： 27 - 35， 55 . doi: 10.6041/j.issn.1000-1298.2018.12.004 http://dx.doi.org/10.6041/j.issn.1000-1298.2018.12.004 基于多阈值图像分割算法的秸秆覆盖率检测 LIU Y Y ， WANG Y Y ， YU H Y ， et al . Detection of straw coverage rate based on multi-threshold image segmentation algorithm ［J］. Transactions of the Chinese Society for Agricultural Machinery ， 2018 ， 49 （ 12 ）： 27 - 35， 55 . （in Chinese） . doi: 10.6041/j.issn.1000-1298.2018.12.004 http://dx.doi.org/10.6041/j.issn.1000-1298.2018.12.004 Detection of straw coverage rate based on multi-threshold image segmentation algorithm 刘媛媛 ， 张硕 ， 于海业 ， 等 . 基于语义分割的复杂场景下的秸秆检测 ［J］. 光学 精密工程 ， 2020 ， 28 （ 1 ）： 200 - 211 . doi: 10.3788/ope.20202801.0200 http://dx.doi.org/10.3788/ope.20202801.0200 基于语义分割的复杂场景下的秸秆检测 LIU Y Y ， ZHANG SH ， YU H Y ， et al . Straw detection algorithm based on semantic segmentation in complex farm scenarios ［J］. Opt. Precision Eng. ， 2020 ， 28 （ 1 ）： 200 - 211 . （in Chinese） . doi: 10.3788/ope.20202801.0200 http://dx.doi.org/10.3788/ope.20202801.0200 Straw detection algorithm based on semantic segmentation in complex farm scenarios RONNEBERGER O ， FISCHER P ， BROX T . U-net： convolutional networks for biomedical image segmentation ［C］. Medical Image Computing and Computer-Assisted Intervention-MICCAI ， 2015 ， 2015 ： 234 - 241 . doi: 10.1007/978-3-319-24574-4_28 http://dx.doi.org/10.1007/978-3-319-24574-4_28 U-net： convolutional networks for biomedical image segmentation YU F ， KOLTUN V . Multi-scale context aggregation by dilated convolutions ［J］. CoRR ， 2015 ， abs/1511. 07122 . doi: 10.48550/arXiv.1511.07122 http://dx.doi.org/10.48550/arXiv.1511.07122 Multi-scale context aggregation by dilated convolutions SZEGEDY C ， LIU W ， JIA Y Q ， et al . Going deeper with convolutions ［C］. 2015 IEEE Conference on Computer Vision and Pattern Recognition . 712，2015 ， Boston， MA . IEEE ， 2015 ： 1 - 9 . doi: 10.1109/cvpr.2015.7298594 http://dx.doi.org/10.1109/cvpr.2015.7298594 Going deeper with convolutions HOU Q B ， ZHANG L ， CHENG M M ， et al . Strip pooling： rethinking spatial pooling for scene parsing ［C］. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. 1319，2020 ， Seattle， WA， USA. IEEE ， 2020 ： 4002 - 4011 . doi: 10.1109/cvpr42600.2020.00406 http://dx.doi.org/10.1109/cvpr42600.2020.00406 Strip pooling： rethinking spatial pooling for scene parsing HE K M ， ZHANG X Y ， REN S Q ， et al . Deep residual learning for image recognition ［C］. 2016 IEEE Conference on Computer Vision and Pattern Recognition . 2730，2016 ， Las Vegas， NV， USA . IEEE ， 2016 ： 770 - 778 . doi: 10.1109/cvpr.2016.90 http://dx.doi.org/10.1109/cvpr.2016.90 Deep residual learning for image recognition YANG T J ， CHEN Y H ， SZE V . Designing energy-efficient convolutional neural networks using energy-aware pruning ［C］. 2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. July 21 - 26 ， 2017 . Honolulu， HI. IEEE ， 2017 ： 6071 - 6079 . doi: 10.1109/cvpr.2017.643 http://dx.doi.org/10.1109/cvpr.2017.643 Designing energy-efficient convolutional neural networks using energy-aware pruning GHOSH A ， EHRLICH M ， SHAH S ， et al . Stacked U-nets for ground material segmentation in remote sensing imagery ［C］. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops （CVPRW）. 1822，2018 ， Salt Lake City， UT， USA. IEEE ， 2018 ： 252 - 2524 . doi: 10.1109/cvprw.2018.00047 http://dx.doi.org/10.1109/cvprw.2018.00047 Stacked U-nets for ground material segmentation in remote sensing imagery 刘媛媛 ， 孙嘉慧 ， 张书杰 ， 等 . 用多阈值多目标无人机图像分割优化算法检测秸秆覆盖率 ［J］. 农业工程学报 ， 2020 ， 36 （ 20 ）： 134 - 143 . doi: 10.11975/j.issn.1002-6819.2020.20.016 http://dx.doi.org/10.11975/j.issn.1002-6819.2020.20.016 用多阈值多目标无人机图像分割优化算法检测秸秆覆盖率 LIU Y Y ， SUN J H ， ZHANG SH J ， et al . Detection of straw coverage based on multi-threshold and multi-target UAV image segmentation optimization algorithm ［J］. Transactions of the Chinese Society of Agricultural Engineering ， 2020 ， 36 （ 20 ）： 134 - 143 . （in Chinese） . doi: 10.11975/j.issn.1002-6819.2020.20.016 http://dx.doi.org/10.11975/j.issn.1002-6819.2020.20.016 Detection of straw coverage based on multi-threshold and multi-target UAV image segmentation optimization algorithm ZHAO H S ， SHI J P ， QI X J ， et al . Pyramid scene parsing network ［C］. 2017 IEEE Conference on Computer Vision and Pattern Recognition . 2126，2017 ， Honolulu， HI， USA . IEEE ， 2017 ： 6230 - 6239 . doi: 10.1109/cvpr.2017.660 http://dx.doi.org/10.1109/cvpr.2017.660 Pyramid scene parsing network ZHOU L C ， ZHANG C ， WU M . D-LinkNet： LinkNet with pretrained encoder and dilated convolution for high resolution satellite imagery road extraction ［C］. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops （CVPRW）. 1822，2018 ， Salt Lake City， UT， USA. IEEE ， 2018 ： 192 - 1924 . doi: 10.1109/cvprw.2018.00034 http://dx.doi.org/10.1109/cvprw.2018.00034 D-LinkNet： LinkNet with pretrained encoder and dilated convolution for high resolution satellite imagery road extraction 10.37188/OPE.20223009.1101 S24 TP751 A 1004-924X（2022）09-1101-12 刘媛媛,周小康,王跃勇等.改进U-Net模型的保护性耕作田间秸秆覆盖检测[J].光学精密工程,2022,30(09):1101-1112. 刘媛媛,周小康,王跃勇等.改进U-Net模型的保护性耕作田间秸秆覆盖检测[J].光学精密工程,2022,30(09):1101-1112. LIU Yuanyuan,ZHOU Xiaokang,WANG Yueyong,et al.Straw coverage detection of conservation tillage farmland based on improved U-Net model[J].Optics and Precision Engineering,2022,30(09):1101-1112. LIU Yuanyuan,ZHOU Xiaokang,WANG Yueyong,et al.Straw coverage detection of conservation tillage farmland based on improved U-Net model[J].Optics and Precision Engineering,2022,30(09):1101-1112. 国家自然科学基金资助项目（No.42001256）；吉林省科技厅重点科技项目（No.20180201014NY）；吉林省发展和改革委员会创新项目（No.2019C054）；吉林省教育厅科学技术研究项目（No.JJKH20220339KJ） 2021-11-24 2021-12-14 2022-05-10 2022-05-26 光学精密工程 9 30