- · 《湖北农机化》栏目设置[06/29]
- · 《湖北农机化》投稿方式[06/29]
- · 《湖北农机化》征稿要求[06/29]
- · 《湖北农机化》刊物宗旨[06/29]
基于改进空洞卷积神经网络的丘陵山区田间道路(7)
作者:网站采编关键词:
摘要:文献[10]采用传统全卷积网络的 FCN-32s、FCN-16s和FCN-8s这3种不同的网络结构,针对大田平原场景进行训练和对比测试,结果显示效果最好的FCN-8s的PA、MPA以及
文献[10]采用传统全卷积网络的 FCN-32s、FCN-16s和FCN-8s这3种不同的网络结构,针对大田平原场景进行训练和对比测试,结果显示效果最好的FCN-8s的PA、MPA以及MIoU分别为90.87%、88.83%和75.52%。文献[11]基于传统FCN进行改进,将FCN-VGG16结构中原有的卷积层和池化层全部改为空洞卷积层和空洞池化层,针对MIT Scene Parsing Dataset进行训练,测试结果显示 PA、MPA以及 MIoU分别为 72.81%、35.60%和26.68%。
本文将文献[10]中效果最好的FCN-8s针对丘陵山区田间道路场景的数据集进行了训练和测试,结果FCN-8s在本文测试的4种网络中的PA、MPA以及MIoU都是最低,分别为 80.9%、76.5%和 65.3%。表 5可以看出,Front-end+Large测试结果既优于FCN-8s,也优于文献[11]提出的全空洞卷积网络的测试结果,表明本文构建的Front-end+Large模型对丘陵山区田间道路对象类别具有更好的识别效果。
4.3.3 不同阴影覆盖下的试验结果
Front-end + Large网络模型对有阴影道路测试集以及无阴影道路测试集的语义分割结果如表 6所示,分割效果如图6所示。
表6 有阴影和无阴影道路的测试结果Table 6 Test results of shadowed and unshadowed roads无阴影道路Unshadowed road统计像素准确率PA/% 88.6 88.9类别平均准确率MPA/% 85.2 85.7平均区域重合度 MIoU/% 73.2 73.4评价指标Evaluating indicator有阴影道路Shadowed road
图6 Front-end+Large网络模型对有阴影和无阴影道路图像的分割效果Fig.6 Front-end + Large network's image segmentation results for shadowed and unshadowed roads
卷积神经网络对几何变换、形变、光照具有一定程度的不变性,这是被许多学者所认同的。由表 6中可以看出,基于Front-end + Large构建的田间道路复杂场景图像语义分割模型,其 MIoU在无阴影道路测试集上为73.4%,在有阴影道路测试集上为 73.2%,仅减少了 0.2个百分点;而且两种测试集的PA和MPA也仅分别相差0.3和0.5个百分点。丘陵山区田间道路上由于树木、作物等遮挡产生阴影的现象普遍存在,而本文构建的语义分割模型对田间道路的识别准确率基本上不受阴影的影响,说明该模型对阴影干扰有良好的适应性。
4.3.4 导航线提取测试结果
表 7为普通水泥路、小障碍物遮挡道路以及杂草、水渍覆盖道路 3种田间道路提取的导航线与道路实际中线的偏差(5个采样点)。测试表明,3种道路提取的导航线与实际道路中线的最大偏差分别为2.16%、3.39%和3.61%,均低于文献[1]和文献[14]所得到的5%最大偏差。上述文献采用图像颜色特征进行阈值分割和处理识别出田间道路区域,然后提取道路区域的导航线。测试结果说明本文构建的语义分割模型对田间道路的识别准确率更高,能满足智能农机在田间道路上自主导航对田间道路的识别精度要求。
表7 导航线提取相对偏差Table 7 Relative errors of navigation centerlines extraction采样点相对偏差Relative error of sampling points/%田间道路Field road 1 2 3 4 5普通水泥路Cement road 2.16 1.09 0.18 -0.31 0.38小障碍物遮挡道路Road obstructed by small obstacles 3.39 2.65 0.51 -0.67 0.86杂草、水渍等覆盖道路Road covered with weeds, water stains, etc 0.33 -0.15 0.39 2.30 3.61
5 结 论
针对丘陵山区田间道路图像特征,将道路场景对象分为11类,构建了基于改进空洞卷积神经网络的丘陵山区田间道路场景图像语义分割模型。
1)构建的空洞卷积神经网络语义分割模型,包括前端模块和上下文模块。前端模块为 VGG-16融合空洞卷积的改进结构,上下文模块为不同膨胀系数空洞卷积层的级联。该模型能够利用传统 VGG-16网络进行参数的初始化,可产生更高分辨率的输出。
2)对 FCN-8s、Front-end、Front-end +Basic、Front-end+Large 4种网络模型进行了对比测试。在统计像素准确率、类别平均准确率以及平均区域重合度评价指标上,Front-end+Large最高,FCN-8s最低,可采用Front-end+Large网络模型作为田间道路场景的语义分割模型。
3)验证了构建的Front-end + Large网络对不同阴影道路图像的适应性,其 MIoU在无阴影道路训练集上为73.4%,在有阴影道路训练集上为 73.2%,仅减少了 0.2个百分点,而且对两种训练集的PA和MPA仅分别相差0.3和0.5个百分点。该模型对于丘陵山区田间道路场景的阴影干扰有良好的适应性。
本文构建的语义分割模型实现了对田间道路及道路上障碍物的较准确的识别,能满足智能农机在田间道路自主导航的场景对象识别精度要求。下一步将通过增大训练样本量、减小分类数、后处理优化等方法进一步提高模型识别的精度,为更好地获取田间道路场景对象的深度信息奠定基础。
文章来源:《湖北农机化》 网址: http://www.hbnjhzz.cn/qikandaodu/2021/0709/1515.html