基于改进DeepLabV3+的轻量化茶叶嫩芽采摘点识别模型.pdf

2024年9月第6卷第5期智慧农业（中英文）SmartAgricultureSept.2024Vol.6,No.5

基于改进DeepLabV3+的轻量化茶叶嫩芽采摘点识别模型

11，2*11

胡程喜，谭立新，王文胤，宋敏

（1.湖南农业大学信息与智能科学技术学院，湖南长沙410125，中国；

2.湖南信息职业技术学院电子工程学院，湖南长沙410200，中国）

摘要：［［目的目的/意义意义］］名优茶的采摘是茶产业中至关重要的环节，识别和定位名优茶嫩芽采摘点是现代化采茶过

程中的重要组成部分。传统神经网络方法存在着模型体量大、训练时间长，以及应对场景复杂等问题。本研究以

湖南省溪清茶园为实际场景，提出一种新型深度学习算法解决名优茶采摘点的精确分割难题。［［方法方法］］对传统的

DeepLabV3+算法进行轻量化改进。首先，针对其模型体量大、训练时间长的问题，使用MobilenetV2网络提取图

像的初始特征，并按照网络结构划分深浅层特征；其次，将高效通道注意力网络（EfficientChannelAttentionNet⁃

work,ECANet）与空洞空间卷积池化金字塔（AtrousSpatialPyramidPooling,ASPP）模块结合，得到ECA_ASPP模

块，并将深层特征输入到ECA_ASPP模块中进行多尺度特征融合以减少无效信息，将经过处理后的深浅层特征相

加，随后通过卷积和上采样的方式对特征信息进行还原，得到分割结果；最后，通过对识别结果进行处理以获得

茶叶嫩芽采摘点。［［结果和讨论结果和讨论］］改进后的DeepLabV3+在茶叶嫩芽数据集上的平均交并比达到93.71%，平均像素

准确率达到97.25%，模型参数量由原来以Xception为底层网络的54.714M下降至5.818M。［［结论结论］］本研究在茶叶

嫩芽结构分割上相对于原版DeepLabV3+的检测速度更快、参数量更小，同时保证了较高的准确率，为智能采茶机

器人的采摘提供了新的定位方法。

关键词：轻量化模型；DeepLabV3+；注意力机制；茶叶嫩芽；ECANet；名优茶；空洞空间卷积池化金字塔

中图分类号：S225.99；TP391.41；TP18文献标志码：A文章编号：SA202403016

引用格式：胡程喜,谭立新,王文胤,宋敏.基于改进DeepLabV3+的轻量化茶叶嫩芽采摘点识别模型[J].智慧农业(中

英文),2024,6(5):119-127.DOI：10.12133/j.smartag.SA202403016

HUChengxi,TANLixin,WANGWenyin,SONGMin.LightweightTeaShootPickingPointRecognitionModelBasedon

ImprovedDeepLabV3+[J].SmartAgriculture,2024,6(5):119-127.DOI：10.12133/j.smartag.SA202403016(inChinese

withEnglishabstract)

0引言对茶叶嫩芽的智能识别提出了一定程度的挑战。

随着计算机视觉技术不断发展，国内外学者在

茶产业作为中国脱贫攻坚的支柱产业之一，在

［3,4］