基于UR-MSM网络的玉米叶部病斑分割OA

针对复杂背景干扰下玉米叶部病斑图像分割精度不高的问题,提出一种改进的分割网络UR-MSM,以提升其在阴影、遮挡及光照变化等复杂场景下的分割准确性、稳定性与鲁棒性。本研究采用融合公共数据集与自建数据的混合数据集CGSDD进行模型训练与验证。UR-MSM网络以U-Net为基础架构,对以下3个关键方面作出改进:首先,使用SE-Res Net模块替换编码器中传统的双层卷积操作,以增强特征表征能力并有效缓解梯度消失问题,同时提升模型对光照变化的适应能力;其次,引入矩形自校准(RCM)模块,实现编码器不同层级特征的有效融合,增强网络对病斑前景区域的关注,从而解决由阴影造成的局部特征丢失问题;最后,设计空间与通道协同注意力(SCSA)机制,通过空间和通道2个维度的双向协同优化,减小语义歧义,提升特征选择能力。试验结果表明,UR-MSM网络有效提升了在复杂干扰情况下玉米病斑的分割性能。在测试集上,该模型的MIoU、宏F1分数分别达到88.20%、93.48%,相较于原始U-Net基线模型分别提升4.72、3.00百分点。在与Deep Lab v3+、PSPNet等其他主流分割模型的对比试验中,本研究提出的模型在处理阴影遮挡场景方面展现出明显优势;通过系统对比不同数据增强策略下的性能表现,进一步验证了该模型具有良好的泛化性与稳定性。本研究提出的UR-MSM网络在实现模型轻量化的前提下,通过对网络结构的针对性优化,显著提高了分割玉米叶部病斑图像的综合性能。