现有基于卷积神经网络的图像分割方法虽能有效提取粘连大米图像中相似米粒的特征，但在边界模糊和粘连程度不一的情况下，难以实现理想的分割效果。本文受SwinTransformer启发，设计了更加适合粘连大米分割任务的主干网络STRNet，通过考虑图像全局关系及优化粘连大米边缘的分割合理性，构建了一种新颖的改进型粘连大米实例分割模型Swin-STR。STRNet包含特征先验模块(FPM)和特征交互融合模块(FIF)2个重要设计，FPM模块通过结合不同尺度的卷积操作，捕捉从局部到全局的多尺度空间信息，增强粘连区域识别，FIF通过多尺度特征融合提升模型对米粒不同程度粘连的分割能力。为了验证所提出模型的有效性，本文构建了包含4种品种大米、多光照干扰、非单一程度粘连的粘连大米实例分割数据集STR-900。实验结果表明，Swin-STR在粘连大米分割任务上相比多种基于卷积神经网络的实例分割模型有更好的效果。特别地，与SwinTransformer相比，Swin-STR在BoxAP和Mask AP 有4.8%和6.7%的提升，表明所提出模型在随机散落籽粒粘连分割任务上的优势。
暂无评论