在玉米田中，玉米苗与杂草之间的相似性以及植物边缘细节的模糊性等因素给玉米和杂草分割带来了挑战。此外，农田等偏远地区通常受限于有限的计算资源和有限的采集数据。因此，有必要对模型进行轻量化处理，以更好地适应复杂的玉米田场景，并充分利用有限的数据信息。本文提出了一种基于 UNet 的改进型图像分割算法。首先，在收缩路径中引入反向残差结构，减少训练过程中的参数数量，提高特征提取能力；其次，引入金字塔池化模块，增强网络获取上下文信息的能力以及处理小目标丢失问题的能力；最后，为了进一步增强模型的分割能力，在扩展路径中引入了挤压和激励机制。我们使用田间采集的玉米幼苗图像和公开的玉米杂草数据集来评估改进的模型。改进后的模型总参数为3.79 M，mIOU可以达到87.9 %。在单块 3050 Ti 显卡上的帧速率约为 58.9。实验结果表明，本文提出的网络能够快速分割出玉米田中的杂草场景，并且具有较好的分割精度。

图1 U-Net 的架构

图2 金字塔集合式结构（PPM）

表1 MobileNetV3 大型网络结构

图3 原最后阶段

图4 高效的最后阶段

图5 网络结构图

图6 改良解码器

图7 不同角度拍摄的玉米幼苗

图8 不同光照条件下拍摄的玉米幼苗

图9 部分数据集 （a）玉米幼苗 （b）早熟禾 （c）藜 （d）刺菜 （e）莎草

图10 部分人工标注的分割图像

表2 分割结果对比

图11 模型的Dice系数和mIOU

表3 MobileNetV3_unet, unet, squeezenet_unet, efficientnetv2s_unet, convnext_unet和ours的分割结果

图12 6种网络的Dice系数和mIOU

表4 不同植物的IOU

图13 原始 unet 和我们的分割图像 （a）原始图像 （b）使用Unet对图像进行分割 （c）利用我们的技术分割图像