熊俊濤 劉柏林 鐘 灼 陳淑綿 鄭鎮(zhèn)輝

(華南農(nóng)業(yè)大學(xué)數(shù)學(xué)與信息學(xué)院， 廣州 510642)

0 引言

在果園管理中，利用疏花疏果技術(shù)控制水果植株等農(nóng)作物的開(kāi)花時(shí)間、開(kāi)花數(shù)量和果實(shí)密度，對(duì)提高果實(shí)產(chǎn)量和質(zhì)量具有重要作用。隨著種植規(guī)模的不斷增大、人工成本的不斷提高，利用機(jī)器視覺(jué)對(duì)花果進(jìn)行監(jiān)控，以輔助疏花疏果、精準(zhǔn)施肥等管理顯得越來(lái)越重要。

相關(guān)學(xué)者利用機(jī)器視覺(jué)技術(shù)在識(shí)別花朵果實(shí)、實(shí)現(xiàn)智能采摘方面進(jìn)行了許多研究。熊俊濤等[1]采用LED照明系統(tǒng)獲取夜間荔枝果實(shí)圖像，在YIQ顏色空間使用Otsu、模糊c均值聚類和hough圓檢測(cè)，實(shí)現(xiàn)了荔枝果實(shí)識(shí)別分割，準(zhǔn)確率達(dá)到95.3%，平均識(shí)別時(shí)間為0.46 s。武星等[2]簡(jiǎn)化YOLO v3模型的卷積塊數(shù)量，采用深度可分離卷積、融合損失函數(shù)和多階段優(yōu)化方法，提出了Light-YOLO v3模型，并用于蘋(píng)果檢測(cè)，其平均精度達(dá)到94.69%，平均檢測(cè)速度為116.96 f/s。劉芳等[3]提出含有殘差模塊的YOLO模型，融合了多尺度特征檢測(cè)模塊，構(gòu)建了輕便型的復(fù)雜環(huán)境下番茄快速檢測(cè)模型，其準(zhǔn)確率達(dá)到96.36%，交并比為0.833，檢測(cè)時(shí)間為7.719 ms。此外，結(jié)合不同傳感器進(jìn)行的葡萄[4]、芒果[5]、梨[6]、草莓[7]等果實(shí)識(shí)別研究也越來(lái)越多。

相對(duì)果實(shí)識(shí)別而言，花朵識(shí)別研究相對(duì)較少。ACANSEN等[8]提出一種非物理接觸的花朵檢測(cè)方法，使用CCD相機(jī)拍攝雷斯克勒花的彩色圖像，根據(jù)RGB顏色空間的像素直方圖確定閾值，并根據(jù)閾值將花分割出來(lái)，有效實(shí)現(xiàn)了花朵數(shù)量評(píng)估，且避免了物理?yè)p傷。WANG等[9]提出夜間環(huán)境下修正的芒果花分割方法，該方法將拍攝效果好的圖像作為參照?qǐng)D像，使用歸一化放縮法將其他圖像灰度放縮到參照?qǐng)D像的灰度范圍內(nèi)，從而起到修正作用。在RGB顏色空間分割出芒果花、葉片和枝干后，訓(xùn)練識(shí)別花的支持向量機(jī)，精確分割出芒果花，并計(jì)算花密度，其準(zhǔn)確率達(dá)到85.8%。WANG等[10]提出采用顏色修正方法增強(qiáng)樣本，在使用SURF方法提取花朵特征后，使用支持向量機(jī)實(shí)現(xiàn)分類，最后計(jì)算芒果花的密度，其準(zhǔn)確率達(dá)到86.6%。這些傳統(tǒng)的手工特征設(shè)計(jì)方法一般具有多個(gè)階段，每個(gè)階段的設(shè)計(jì)需要耗費(fèi)大量的精力，而且只能處理一些背景簡(jiǎn)單、規(guī)模較小的數(shù)據(jù)集，其泛化能力較差。

隨著深度學(xué)習(xí)的提出和廣泛應(yīng)用，深度學(xué)習(xí)方法被用于識(shí)別花朵。LIU等[11]設(shè)計(jì)了一個(gè)8層的網(wǎng)絡(luò)結(jié)構(gòu)，包括5層“卷積、池化”組合模塊和3層全連接層，并配合局部歸一方法、重疊池化和Dropout技術(shù)。本文數(shù)據(jù)集來(lái)源于著名的細(xì)粒度識(shí)別數(shù)據(jù)集，Oxford 102 Flower Species Dataset，一共包括102個(gè)不同種類的花朵、8 189幅圖像。FARJON等[12]提出蘋(píng)果花識(shí)別、密度計(jì)算和開(kāi)花峰值期預(yù)估的方法，首先使用Faster R-CNN網(wǎng)絡(luò)識(shí)別樹(shù)上花朵，然后基于線性回歸方法根據(jù)識(shí)別花的數(shù)量和分布預(yù)測(cè)花密度，最后根據(jù)開(kāi)花量衰減時(shí)間判定開(kāi)花峰值時(shí)間，從而協(xié)助疏花決策。TIAN等[13]使用以U-Net為主干框架的Mask R-CNN模型檢測(cè)和分割不同成長(zhǎng)期的蘋(píng)果花，其預(yù)測(cè)精度達(dá)到96.43%，平均交并比為91.55%。深度特征提取的端到端學(xué)習(xí)，從低層語(yǔ)義特征通過(guò)線性卷積核和非線性激活組合傳遞到高層語(yǔ)義特征，使各個(gè)階段的特征具有較強(qiáng)的依賴性，特征的表示能力顯著。

荔枝花朵稠密聚集、形態(tài)上難以區(qū)分，在繁花期花朵粘連成簇，目標(biāo)檢測(cè)、實(shí)例分割方法并不適合，而傳統(tǒng)的機(jī)器學(xué)習(xí)方法在復(fù)雜環(huán)境下效果不佳。針對(duì)上述問(wèn)題，本文提出一種基于深度語(yǔ)義分割網(wǎng)絡(luò)的像素分割方法，對(duì)圖像中花朵和葉片的像素進(jìn)行分類，實(shí)現(xiàn)整幅圖像的花和葉的識(shí)別，以期解決花朵稠密、粘連形態(tài)問(wèn)題。

1 材料與方法

1.1 圖像采集與數(shù)據(jù)集構(gòu)建

使用Nikon單反攝像機(jī)拍攝荔枝花圖像，焦距、曝光和拍攝模式均為自動(dòng)。拍攝時(shí)間為2019年2月28日至3月25日，拍攝地點(diǎn)在華南農(nóng)業(yè)大學(xué)園藝學(xué)院實(shí)踐基地荔枝園。拍攝垂直角度變化范圍為0°～60°，拍攝條件包括順光、逆光，遠(yuǎn)距離和近距離，清晰和模糊，如圖1所示，共拍攝了675幅圖像。經(jīng)數(shù)據(jù)增強(qiáng)后為3 375幅，2 700幅為訓(xùn)練集，350幅為測(cè)試集，325幅為訓(xùn)練集，比例約為8∶1∶1。使用Matlab 2018的Image Labeler軟件人工手動(dòng)標(biāo)注荔枝花和周圍葉片的標(biāo)簽，標(biāo)簽共分3類，分別是背景、花朵和葉片。標(biāo)注后生成8位PNG灰度圖，0表示背景(黑色)，1表示花朵(紅色)，2表示葉片(綠色)。原圖和可視化標(biāo)注結(jié)果如圖1g、1h所示。

1.2 模型構(gòu)建

AlexNet[14]具有較好的的特征提取能力，并被應(yīng)用、改進(jìn)以解決各種機(jī)器視覺(jué)問(wèn)題，如圖形分類、圖像識(shí)別等。隨后提出的VGG網(wǎng)絡(luò)[15]、GoogleNet[16]和ResNet[17]，在深度上不斷地堆疊卷積層，在寬度上增加并行的卷積核，再加上歸一化、激活函數(shù)的運(yùn)用，從而極大地提升了特征提取能力。

Deeplab V3[18]是Deeplab系列的第3個(gè)版本，源于全卷積網(wǎng)絡(luò) (Fully convolutional networks, FCN)[19]。FCN使用VGG16的主干網(wǎng)絡(luò)結(jié)構(gòu)提取圖像的高層語(yǔ)義特征，在網(wǎng)絡(luò)中增加了反卷積結(jié)構(gòu)用于恢復(fù)特征的空間信息，并將最后的線性全連接層替換為保留空間信息的全卷積層，實(shí)現(xiàn)像素預(yù)測(cè)，解除了固定網(wǎng)絡(luò)輸入的限制。Deeplab V3借鑒了FCN上采樣恢復(fù)空間信息和全卷積像素預(yù)測(cè)的思想，使用空洞卷積、空洞空間金字塔池化(ASPP)結(jié)構(gòu)替代了FCN的反卷積上采樣?？斩淳矸e增大提取特征的感受野，使空間信息更加豐富，但又不增加內(nèi)存消耗；ASPP結(jié)構(gòu)則使尺度多樣化，有利于提取多尺寸變化對(duì)象的特征。此后許多語(yǔ)義分割研究都在這些思想的基礎(chǔ)上發(fā)展。本文深度花朵像素分割模型基于Deeplab V3網(wǎng)絡(luò)的搭建思路，構(gòu)建一個(gè)合適深度的稠密特征傳遞、多尺度特征提取的主干網(wǎng)絡(luò)，然后使用全卷積層實(shí)現(xiàn)花朵像素的預(yù)測(cè)和分割。整體模型包括主干網(wǎng)絡(luò)和像素預(yù)測(cè)兩部分，模型結(jié)構(gòu)如圖2所示。圖2中c表示特征通道上的拼接操作，d表示空洞卷積率。

1.2.1主干網(wǎng)絡(luò)構(gòu)建

本文基于Deeplab V3構(gòu)建一個(gè)適當(dāng)深度的特征提取主干網(wǎng)絡(luò)，主干網(wǎng)絡(luò)一共34層，包括兩部分。第1部分為普通卷積層，卷積核為7×7，并包括一個(gè)尺寸為3×3的最大值池化層，粗略提取特征并減小特征尺寸提高語(yǔ)義性。第2部分為堆疊殘差層，主要有4個(gè)階段(Stage)，每個(gè)階段包括一定數(shù)量的卷積塊。在卷積塊中使用3×3卷積核處理特征，并且特征數(shù)量隨著卷積塊的加深而增加，搭建的網(wǎng)絡(luò)主干結(jié)構(gòu)如圖3所示。

每個(gè)卷積塊表示一個(gè)殘差模塊[17]，該結(jié)構(gòu)能有效減輕梯度消失和梯度爆炸問(wèn)題，權(quán)重學(xué)習(xí)更有效。本文卷積塊中加入了注意力模塊，其結(jié)構(gòu)如圖4所示。

在主干網(wǎng)絡(luò)的所有卷積操作后都有批量歸一化層和ReLU激活層。Channels為特征數(shù)，階段1和階段2的輸入特征數(shù)為64，階段3為128，階段4為256，同一個(gè)階段的卷積塊之間的特征傳遞數(shù)量不變。Attention Blocks為注意力模塊。

1.2.2稠密特征傳遞

DenseNet[20]提出的深度網(wǎng)絡(luò)稠密特征傳遞能夠提高特征的重復(fù)使用性和減輕梯度消失的問(wèn)題，DenseNet的第k+1層輸入是前k層網(wǎng)絡(luò)的輸出，能充分地利用所有淺層特征信息。稠密特征傳遞的ASPP結(jié)構(gòu)構(gòu)成稠密特征金字塔(Dense ASPP)[21]，通過(guò)并行的多尺度空洞卷積核編碼特征中不同尺寸物體的信息，有效解決圖像中尺寸差異大的物體識(shí)別問(wèn)題，充分提取多尺度物體特征信息。本文借鑒稠密傳遞和多尺度特征思想，將稠密多尺度特征傳遞應(yīng)用在主干殘差網(wǎng)絡(luò)中。主干網(wǎng)絡(luò)共4個(gè)階段，第i個(gè)階段的特征輸入為前面所有階段的特征輸出，同時(shí)為了減少計(jì)算量，階段的輸出特征數(shù)量不增加；為了增大特征的感受野，在第3階段和第4階段中分別采用空洞卷積率為2和4的空洞卷積核。稠密特征傳遞公式為

Si=Hi([Si-1,Si-2,…,S1])

(1)

其中，Si表示第i個(gè)階段的輸出特征，[Si-1,Si-2,…,S1]是1～i-1個(gè)階段輸出特征在通道維度上的拼接，S0為第1個(gè)階段的輸入，即圖3中卷積塊1的輸入。Hi表示在第i個(gè)階段里的卷積塊模塊運(yùn)算。稠密特征傳遞、多尺度空洞卷積融合的主干結(jié)構(gòu)如圖5所示。

1.2.3注意力模塊

擠壓-激勵(lì)網(wǎng)絡(luò)(Squeeze-and-excitation networks, SENet)[22]注意力模塊在圖像分類中具有顯著成效。SENet是在ResNet基礎(chǔ)上加入2個(gè)模塊，擠壓模塊(squeeze bolck)和激勵(lì)模塊(excitation block)。通過(guò)擠壓，將輸入的特征集壓縮成一個(gè)向量，然后使用可學(xué)習(xí)的權(quán)重實(shí)現(xiàn)激勵(lì)，在損失的反向傳播中調(diào)整激勵(lì)權(quán)重來(lái)篩選前向傳遞的特征，即“將注意力放在有用的地方”。擠壓模塊壓縮公式為

(2)

式中zc——輸出特征

uc——輸入的第c個(gè)通道的特征

H、W——特征圖的高和寬

Fsq——擠壓函數(shù)

(i,j)——二維特征的像素空間位置

使用均值池化生成該特征的空間描述子，然后輸入激勵(lì)模塊公式為

s=Fex(z,W)=ReLU(g(z,W))=ReLU(W2sigmoid(W1z))

(3)

式中Fex——激勵(lì)函數(shù)

W1、W2——全連接層權(quán)值

病害流行還與栽培管理水平關(guān)系密切。過(guò)度密植、樹(shù)冠郁閉、灌水多、濕度大、地勢(shì)低洼、通風(fēng)不良的梨園，以及肥力不足、樹(shù)勢(shì)衰弱的梨園發(fā)生較重。

g——全連接層z——輸出特征

ReLU、sigmoid——激活函數(shù)

(4)

Fscale——特征注意力權(quán)值sc與輸入特征圖uc的元素乘積函數(shù)

激勵(lì)權(quán)重依賴于輸入特征和損失函數(shù)，從而實(shí)現(xiàn)自適應(yīng)調(diào)整的自注意力功能，其結(jié)構(gòu)如圖6a所示。

但在SENet中，模型僅關(guān)注通道注意力，缺少特征的空間信息注意力[23]。本文在SENet基礎(chǔ)上，構(gòu)建關(guān)注特征注意力和空間注意力模塊，實(shí)現(xiàn)特征的篩選，其結(jié)構(gòu)如圖6b所示?？臻g特征注意力計(jì)算公式為

(5)

AP、MP——對(duì)空間注意力計(jì)算后特征的均值池化最大值、池化值

[AP();MP()]——通道維度上拼接對(duì)應(yīng)池化后的特征圖函數(shù)

Conv7×7——核為7×7的卷積濾波器運(yùn)算函數(shù)

本文使用的注意力模塊如圖6所示。其中C為特征通道數(shù)。

2 實(shí)驗(yàn)與結(jié)果分析

2.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)選用i7-8700 CPU，3.2 GHz主頻，六核十二線程；32 GB內(nèi)存；GeForce GTX2080Ti GPU；操作系統(tǒng)為Ubuntu 16.04；編程語(yǔ)言為Python；深度學(xué)習(xí)框架為Pytorch。

2.2 數(shù)據(jù)集增強(qiáng)

實(shí)驗(yàn)采用線下和線上數(shù)據(jù)集增強(qiáng)方法對(duì)荔枝花圖像進(jìn)行增強(qiáng)。線下增強(qiáng)采用圖像旋轉(zhuǎn)方法[24]，將采集的675幅圖像旋轉(zhuǎn)45°、-45°、135°、-135°后加上原圖共3 375幅圖像，荔枝花圖像如圖7所示。然后在訓(xùn)練時(shí)使用線上增強(qiáng)方法，包括翻轉(zhuǎn)和裁剪。旋轉(zhuǎn)圖像如圖7所示。

2.3 評(píng)價(jià)指標(biāo)

采用像素準(zhǔn)確率(Pixel accuracy)、交并比(Intersection over union，IoU)和平均交并比(Mean intersection over union，mIoU)作為評(píng)價(jià)指標(biāo)。

2.4 模型訓(xùn)練與對(duì)比分析

本文模型采用遷移學(xué)習(xí)方法，主干網(wǎng)絡(luò)加載ImageNet預(yù)訓(xùn)練的ResNet-34權(quán)重初始化網(wǎng)絡(luò)。模型迭代次數(shù)為2 500次，批量訓(xùn)練尺寸為32；動(dòng)態(tài)調(diào)整學(xué)習(xí)率，初始學(xué)習(xí)率為0.01，在迭代400、1 000次時(shí)迭代學(xué)習(xí)率為原來(lái)的1/10，動(dòng)量因子為0.9，權(quán)重衰減為0.001，優(yōu)化算法為隨機(jī)梯度下降(SGD)，損失函數(shù)為對(duì)數(shù)交叉熵?fù)p失(Cross entropyloss)。本文模型可直接輸入荔枝花圖像訓(xùn)練，原圖尺寸為1 200像素×1 800像素，訓(xùn)練前經(jīng)過(guò)RGB的顏色歸一化處理，圖像隨機(jī)裁剪為256像素×256像素；根據(jù)數(shù)據(jù)集每個(gè)類別標(biāo)簽的比例設(shè)置損失函數(shù)的類別權(quán)重參數(shù)，從而解決類別不平衡問(wèn)題。

模型的主干網(wǎng)絡(luò)分別選擇18、34、50層，通過(guò)深度對(duì)比實(shí)驗(yàn)，初步確定適合荔枝花分割的主干網(wǎng)絡(luò)深度。實(shí)驗(yàn)中，除了網(wǎng)絡(luò)深度變化，其余條件不變，3個(gè)模型的訓(xùn)練損失值如圖8a所示，驗(yàn)證損失值如圖8b所示。

從圖8a可看出，當(dāng)訓(xùn)練至模型收斂時(shí)，ResNet_50的損失值為0.47左右，ResNet_18損失值為0.38左右，ResNet_34損失值為0.29左右，損失值最小。損失值越低，模型在訓(xùn)練集上的擬合能力越強(qiáng)，反映了主干網(wǎng)絡(luò)的特征提取能力。ResNet_18的層網(wǎng)絡(luò)太淺，對(duì)花、葉片的分割特征學(xué)習(xí)不足，表征不充分；而ResNet_50擬合能力過(guò)強(qiáng)，學(xué)習(xí)了圖像中噪聲信息，導(dǎo)致模型損失難以進(jìn)一步下降。從圖8b中可看出，ResNet_50的驗(yàn)證損失波動(dòng)較大，且損失值也較大；ResNet_34的驗(yàn)證損失值波動(dòng)較小，且損失值最小，維持在0.31左右，接近訓(xùn)練損失值，說(shuō)明該模型泛化能力較好。綜上所述，模型深度選擇34層最為合適。

為了進(jìn)一步驗(yàn)證上述結(jié)論，使用測(cè)試集進(jìn)行測(cè)試，對(duì)比2.3節(jié)中提及的評(píng)價(jià)指標(biāo)，測(cè)試集圖像共325幅，測(cè)試結(jié)果如表1所示。

由表1可知，花朵IoU在所有類別中最大，葉片比背景稍低。因?yàn)榕臄z的數(shù)據(jù)集中，花朵在圖像中較為突出，而園林環(huán)境的荔枝樹(shù)比較密集，拍攝圖像時(shí)，其他荔枝樹(shù)會(huì)形成背景造成干擾，所以導(dǎo)致葉片的分割難度變大。從平均交并比來(lái)看， ResNet_34達(dá)到0.677，預(yù)測(cè)像素與真實(shí)像素的交集最大；從像素準(zhǔn)確率來(lái)看，有83.6%，預(yù)測(cè)精度最高，進(jìn)一步驗(yàn)證了ResNet_34模型最為合適。

表1 不同深度網(wǎng)絡(luò)的測(cè)試性能指標(biāo)

確定模型深度后，需要驗(yàn)證模型增加稠密特征傳遞和注意力模塊的有效性。增加稠密特征傳遞和注意力模塊的模型測(cè)試結(jié)果如表2所示。

表2 不同模型的性能對(duì)比

由表2可知，ResNet_34和Dense-ResNet_34的對(duì)比驗(yàn)證了稠密特征的作用，ResNet_34的平均交并比和像素準(zhǔn)確率比Dense-ResNet_34模型分別低0.018和0.9個(gè)百分點(diǎn)。稠密特征傳遞使每層的特征提取能夠充分利用淺層的所有信息，增強(qiáng)了模型的學(xué)習(xí)能力。但是豐富的特征可能會(huì)造成干擾，所以稠密特征連接未能帶來(lái)比較明顯的性能提升。為了增強(qiáng)特征提取的有效性，在特征提取模塊中加入了注意力模塊。加入CBAM模塊的平均交并比和像素準(zhǔn)確率比加入SE模塊的分別高0.012和1個(gè)百分點(diǎn)，CBAM除了計(jì)算通道注意力外，還關(guān)注每個(gè)通道的空間注意力，比SE模塊要全面，所以效果更好。綜合稠密連接和注意力模塊的Dense-ResNet_34+CBAM模型，既充分利用了淺層信息，同時(shí)能夠篩選有助于目標(biāo)任務(wù)的信息。其平均交并比和像素準(zhǔn)確率分別為0.734和87.0%，比Dense-ResNet_34分別高0.039和2.5個(gè)百分點(diǎn)，比ResNet_34+CBAM高0.019和1.1個(gè)百分點(diǎn)，有了比較明顯的提升。綜上所述，在殘差主干網(wǎng)絡(luò)的基礎(chǔ)上增加稠密特征傳遞和注意力模塊是有效的。

目前花朵識(shí)別和分割主要使用傳統(tǒng)的機(jī)器學(xué)習(xí)方法，深度卷積網(wǎng)絡(luò)主要針對(duì)易于區(qū)分的花朵，使用實(shí)例分割方法進(jìn)行識(shí)別。將荔枝花分割、蘋(píng)果花分割研究作為對(duì)比，同時(shí)增加一組FCN模型實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比，驗(yàn)證本文荔枝花識(shí)別分割模型的有效性。

從表3可看出，MASU R-CNN預(yù)測(cè)單朵可分花朵的平均識(shí)別準(zhǔn)確率最高，為96.4%，但并不適用于荔枝花、芒果花等對(duì)象。而與荔枝花生長(zhǎng)形態(tài)相近的芒果花識(shí)別研究使用傳統(tǒng)機(jī)器學(xué)習(xí)方法，平均識(shí)別準(zhǔn)確率只有85.8%，比本文模型低1.2個(gè)百分點(diǎn)。本文模型實(shí)現(xiàn)荔枝花語(yǔ)義分割的準(zhǔn)確率比FCN模型高6.2個(gè)百分點(diǎn)，效果較好。本文模型與FCN模型在測(cè)試集的分割效果如圖9所示。

表3 不同模型花朵識(shí)別效果對(duì)比

對(duì)比圖9b、9c發(fā)現(xiàn)，F(xiàn)CN模型的分割效果較差，模型對(duì)背景和葉片的區(qū)分度低，某些背景區(qū)域會(huì)誤分割成荔枝花，如黃色方框區(qū)域所示。圖9b、9d分割效果較好，圖9d的紅色方框區(qū)域是將背景誤分割成葉片，從圖9a中發(fā)現(xiàn)，該區(qū)域的背景與葉片十分相似，所以比較難區(qū)分。對(duì)比圖9c和圖9d發(fā)現(xiàn)，本文模型的分割效果具有明顯優(yōu)勢(shì)，能清楚地區(qū)分葉片和暗色背景，類別之間的分界線比較清晰。

綜上所述，本文提出的方法能夠有效識(shí)別分割荔枝花，同時(shí)也適用于類似荔枝花形態(tài)的花朵，能夠?yàn)橹悄芄麍@疏花提供視覺(jué)支持。

3 結(jié)論

(1)為了實(shí)現(xiàn)自動(dòng)化疏花，構(gòu)建了一個(gè)像素級(jí)的荔枝花識(shí)別分割模型。以Deeplab V3為基礎(chǔ)，通過(guò)對(duì)比實(shí)驗(yàn)確定合適深度的特征提取主干網(wǎng)絡(luò)。加載預(yù)訓(xùn)練模型，并進(jìn)行微調(diào)，使之適用于荔枝花數(shù)據(jù)集，微調(diào)后的ResNet_34網(wǎng)絡(luò)能有效地提取野外環(huán)境下荔枝花特征，為后續(xù)識(shí)別和分割奠定基礎(chǔ)。

(2)為了提高特征提取的有效性，引入了稠密特征傳遞方式，本層特征從所有淺層特征中運(yùn)算得出，淺層特征的高分辨率有助于深層特征的準(zhǔn)確定位，提高了定位的準(zhǔn)確度。同時(shí)，在特征傳遞過(guò)程中加入CBAM注意力模塊，起到篩選特征的作用，提高了特征的有效性。二者結(jié)合提高了模型性能。