基于 Mask R-CNN 的土壤图像分割
计算机视觉与模式识别
2024-07-26 v1
摘要
野外自然环境下采集的土壤图像中复杂背景会影响后续基于机器视觉的土壤图像识别。从土壤图像中分割出土壤中心区域可消除复杂背景的影响，是后续土壤图像识别的重要预处理工作。本文首次将深度学习方法应用于土壤图像分割，并选用 Mask R-CNN 模型完成土壤图像定位与分割。基于采集的土壤图像构建土壤图像数据集，使用 EISeg 标注工具将土壤区域标注为土壤并保存标注信息；训练 Mask R-CNN 土壤图像实例分割模型。训练后的模型可对土壤图像获得准确分割结果，并在不同环境采集的土壤图像上表现良好；训练后的实例分割模型在训练集上损失值为 0.1999，验证集分割 mAP（IoU=0.5）为 0.8804，基于 GPU 加速完成图像分割仅需 0.06s，可满足自然条件下野外土壤图像的实时分割与检测。代码见结论部分。主页为 https://github.com/YidaMyth。
引用
@article{arxiv.2309.00817,
title = {Soil Image Segmentation Based on Mask R-CNN},
author = {Yida Chen and Kang Liu and Yi Xin and Xinru Zhao},
journal= {arXiv preprint arXiv:2309.00817},
year = {2024}
}
备注
4 pages, 5 figures, Published in 2023 3rd International Conference on Consumer Electronics and Computer Engineering