融合坐标注意力与混联采样的烟叶主脉轻量级语义分割

针对目前烟叶主脉的分析过程自动化低,难以应对复杂烟叶主脉提取与识别的问题,提出一种基于坐标注意力(coordinate attention,CA)与混合联接空洞空间金字塔池化(mixed-connections atrous spatial pyramid pooling,MASPP)的烟叶主脉轻量级语义分割方法。该算法以DeepLabV3+网络模型为框架,采用轻量级MobileNetV2替换原始框架中的Xception网络,以“扩充-提取-压缩”方式进行主干特征提取,减少网络模型参数量;引入坐标注意力机制加强对烟叶主脉细微特征的学习能力,改善分割主脉时与主脉真实分布相比较所存在的区域错分情况;采用“混联密接采样”的MASPP结构替代原始网络模型中的空洞空间卷积池化金字塔,改善烟叶主脉分割存在的断续分割情况。实验结果表明,与原始的DeepLabV3+语义分割算法相比较,训练时间从635 min缩减为311 min,平均交互比(mIOU)达到80.66%,平均像素精度(mPA)达到91.96%,网络模型参数量压缩85.32%,储存空间降为30.63 MB。在保证分割精度的同时减少模型训练时间,为烟叶主脉分割提供了新的思路和方法。