基于DSC-DeepLabv3+的玉米田间杂草轻量化语义分割模型：精准农业的高效识别方案

这篇研究提出了一种轻量化语义分割模型DSC-DeepLabv3+，通过采用MobileNetV2骨干网络、深度可分离空洞卷积（DSDConv）和条带池化（S-ASPP）结构，显著降低了模型参数量（2.89M）和计算成本（15.326 GFLOPs），同时实现85.57%的mIoU和42.89 FPS的实时推理速度。创新性引入卷积块注意力模块（CBAM）和级联特征融合（C-CFF）机制，有效提升了玉米田间杂草识别的边界敏感性和多尺度特征融合能力，为精准农业中的实时杂草防控提供了高效解决方案。

　　

引言

杂草与作物竞争水分、养分和光照，严重影响玉米产量和品质。传统除草剂虽广泛应用，但可能危害土壤健康和人类安全。基于机器视觉的杂草识别系统逐渐兴起，但传统机器学习方法（如ANN、SVM）对环境变化敏感，而主流语义分割模型（如DeepLabv3+、UNet）存在参数量大、计算成本高的问题。本研究提出DSC-DeepLabv3+，通过轻量化设计和多尺度特征优化，实现高效精准的杂草分割。

方法与模型改进

骨干网络优化：采用MobileNetV2替代Xception，结合线性瓶颈和逆残差结构，将参数量从54.714M降至2.89M。

S-ASPP模块：在空洞空间金字塔池化（ASPP）中引入条带池化，通过水平与垂直方向的1D卷积捕获长程依赖关系，公式¹-³量化了其加权平均过程。

注意力机制：CBAM模块通过通道-空间双路径注意力（图7）抑制背景噪声，特征融合阶段采用C-CFF模块（图8），结合双线性插值和空洞卷积提升边界恢复能力。

实验结果

在自建玉米杂草数据集上，模型mIoU达85.57%，较原始DeepLabv3+仅降低0.71%，但FLOPs减少90%。对比实验中，较BiSeNet和ICNet分别提升7.1%和5.92%的mIoU（表2）。图11可视化显示，该模型在叶片重叠区域的分割精度显著优于PSPNet等基线方法。

讨论与展望

模型在PASCAL VOC 2012数据集上mIoU达74.31%（图12），验证了泛化性。当前局限包括对复杂光照和杂草形态的适应性不足，未来拟通过多光谱数据融合和域自适应技术进一步优化。

结论

DSC-DeepLabv3+以轻量化设计实现了精度与效率的平衡，为田间实时杂草管理提供了可行方案，未来可扩展至其他作物类型以推动精准农业应用。

（注：全文严格依据原文数据及图表结论，未添加主观推断）