水稻田间收割场景语义分割方法——基于改进DeepLabV3+OA

针对稻田环境中光照变化大、地表类别复杂,以及现有分割模型参数量大导致智能农机作业时场景信息提取精度下降和推理速度较慢的问题,提出了一种基于改进DeepLabV3+的图像分割方法。编码阶段采用轻量化的MobileNetV3作为主干网络提取图像特征,并引入深度可分离卷积(DSC)和混合池化模块(MPM)对空洞空间金字塔池化模块(ASPP)进行改进,以降低计算复杂度并增强多尺度特征表达能力;解码阶段结合ECA-Net注意力机制优化浅层特征并融合深层语义信息,损失函数则采用交叉熵与Dice系数损失组合形式。在自制田间场景图像数据集上进行验证实验,结果表明,所提模型的参数量为3.725×10^(6),相较原模型减少93.05%,平均交并比(MIoU)和平均像素准确率(mPA)分别达到88.41%和94.54%,优于UNet、FCN、DeepLabV3+和PSPNet等主流语义分割网络;在NVIDIA RTX 3060 GPU平台上进行图像推理,改进模型的检测速度可达117.05帧/s,远快于对比网络。改进后的模型在实现显著轻量化的同时还提升了分割精度,满足智能农机作业实时精确性的信息提取需求。