(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111641200.1 (22)申请日 2021.12.2 9 (71)申请人 浙江财经大学 地址 310018 浙江省杭州市下沙高教园区 学源街18号 (72)发明人 宋海裕　王浩宇　吴海燕　张志强　 邓胜春　冯小青　陈琰宏　彭娟娟　 (74)专利代理 机构 杭州君度专利代理事务所 (特殊普通 合伙) 33240 代理人 朱月芬 (51)Int.Cl. G06T 7/11(2017.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06V 10/774(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于DA-Net的杂草自动分割方法 (57)摘要 本发明公开了一种基于DA ‑Net的杂草自动 分割方法。 本发明步骤如下:1、 实验数据的预处 理； 2、 构建DA ‑Net网络模型； 2.1采用ResNet101 作为编码阶段的主干网络提取语义信息； 2.2构 建分支注 意力模块， 并在编码阶段的主干网络中 添加分支注意力模块； 2.3经过分支注意力模块 融合后的最终特征Y送入全局卷积网络进行特征 提取； 2.4构建空间注意力模块； 2.5在解码阶段 采用反卷积 恢复图像分辨率； 3、 训练DA ‑Net网络 模型； 4、 采用训练好的DA ‑Net网络模型进行土地 中的杂草进行分割， 并对分割效果进行评估。 本 发明实现了杂草的自动分割， 减少了除草剂的大 规模使用。 本发 明能更好的促进高层特征与低层 特征的融合， 帮助二者建立多层次和长距离的依 赖关系。 从而实现高精度的杂草分割。 权利要求书3页 说明书6页 附图2页 CN 114299091 A 2022.04.08 CN 114299091 A 1.一种基于DA ‑Net的杂草自动分割方法， 其特 征在于具体步骤如下： 步骤1、 实验数据的预处 理； 步骤2、 构建DA ‑Net网络模型； 步骤2.1采用ResNet101作为编码阶段的主干网络， 提取语义信息； 步骤2.2构建 分支注意力模块， 并在编码阶段的主干网络中添加分支 注意力模块； 步骤2.3经过分支注意力 模块融合后的最终特征Y送入全局卷积网络(GCN)进行特征提 取； 步骤2.4构建空间注意力模块； 步骤2.5在解码阶段采用反卷积恢复图像分辨 率； 步骤3、 训练DA ‑Net网络模型； 步骤4、 采用训练好的DA ‑Net网络模型进行土地中的杂草进行分割， 并对分割效果进行 评估。 2.根据权利 要求1所述的一种基于DA ‑Net的杂草自动分割方法， 其特征在于步骤2.2构 建分支注意力模块， 并在编码阶段的主干网络中添加分支 注意力模块， 具体实现如下： 主干网络的第二层的Res ‑2与高层特征Res ‑3、 Res‑4和Res‑5共同经过分支注意力模块 Ⅰ； 第三层的Res ‑3与高层特征Res ‑4和Res‑5共同经过分支注意力模块 Ⅱ； 第四层的Res ‑4会 与高层特征Res ‑5共同经过分支注意力模块 Ⅲ； 高层特征在经过分支注 意力模块前， 利用双 线性插值将 高层特征恢复图像分辨率； 高层特征与低层特征进行拼接， 并经过全局平均池 化层Ggp得到一维通道特征向量； 一维通道特征向量经过Fcr由， 最终再送入sigmoid激活函 数得到分支注意力图； Fcr由1×1的卷积层、 RELU 激活函数和1×1的卷积层 构成； 分支注意力 图与恢复分辨率后的高层特征进行相乘， 得到新的高层特征； 新的高层特征与低层特征相 乘得到输出特征。 3.根据权利要求1所述的一种基于DA ‑Net的杂草自动分割方法， 其特征在于将编码阶 段的第三层Res ‑3的低层特征Res ‑3记为 第四层Res ‑4、 第五层Res ‑5的高层特 征Res‑4和Res‑5分别记为 其中H和W为图像的长和宽， C为通 道数； 利 用 双 线 性 插 值 将 高 层 特 征 L4和 L5恢 复 图 像 分 辨 率 ， L4和 L5转 换 为 4.根据权利要求1所述的一种基于DA ‑Net的杂草自动分割方法， 其特征在于将低层特 征L3、 恢复后的高层特征L4和L5拼接得到 拼接后的特征U送入全局池化得到 计算公式如下： 其中， Ggp是全局平均池化层； Ui,j表示坐标为(i， j)的值。 5.根据权利 要求4所述的一种基于DA ‑Net的杂草自动分割方法， 其特征在于将Z依次送 入1×1的卷积层、 RELU激活函数和1 ×1的卷积层， 最终再送入sigmoid激活函数得到分支注 意力图S， 计算公式如下：权　利　要　求　书 1/3 页 2 CN 114299091 A 2S＝σ(Fcr(Z))    (2) 其中S＝[ s1,s2,...,s12C]， σ 是sigmoid激活函数； Fcr包括了一个1 ×1的卷积层、 RELU激 活函数和一个1 ×1的卷积层。 6.根据权利要求5所述的一种基于DA ‑Net的杂草自动分割方法， 其特征在于将分支注 意力图S与恢复分辨率后的高层特征L4、 L5相乘， 得到新的特征 和 和 拼接得到 新的特征 和 计算公式如下： 其中， S1＝[s1,s2,...,s4C]是恢复分辨率后的高层特征L4的分支注意力图； S2＝[s4C+1, s4C+2,...,s12C]是恢复分辨率后的高层特征L5的分支注意力图； Fscale(L4,S1)指的是权重S1 和恢复分辨 率后的高级特 征L4之间的通道相乘。 7.根据权利要求6所述的一种基于DA ‑Net的杂草自动分割方法， 其特征在于 与低层特 征L3相乘得到最终输出 特征 计算公式如下： 其中，⊙代表矩阵元素相乘。 8.根据权利要求1或7所述的一种基于DA ‑Net的杂草自动分割方法， 其特征在于步骤 2.4构建空间注意力模块， 具体实现如下： 第二层的特征与第 三层经过反卷积后的高层特征共同经过空间注意力模块； 第 三层的 特征与第四层经过反卷积后的高层特征共同经过 空间注意力模块； 第四层的特征与第五层 经过反卷积后的高层特征共同经过空间注意力模块； 而第五层的特征只有自身经过 空间注 意力模块； 在经过空间注意力模块前， 解码阶段的高层特征与低层特征拼接后得到 其中H和W 为图像的长和宽， C为 通道数； 特征 经过三个1×1的卷积层得到 将Q、 K和V变形为 其中N＝H ×W； 将转置后的Q与K相乘， 得到的特征经过一层 Softmax函数 得到空间注意力图， 计算公式如下： 其中， 将V与转置后的T相乘， 得到 将E变形为 并送入1×1的卷积层； 最终结 果Y计算公式如下： Y＝α E+X    (8) 其中α 是个可以学习的变量。 9.根据权利 要求1或8所述的一种基于DA ‑Net的杂草自动分割方法， 其特征在于所述步 骤3包括以下步骤：权　利　要　求　书 2/3 页 3 CN 114299091 A 3