基于深度學習的圖像分割方法，主要研究領域是在于語義分割，即根據圖片內容，將圖像分為多個有含義的部分，對于農產品分類而言有著革命性的意義。全卷積網絡FCN是深度學習用于進行圖像分割的先驅，以分類模型AlexNet為基礎，將其3層全連接層轉化為反卷積層進行上采樣，從而將輸出有特征分類轉化為區域特征熱力圖。
基于編碼結構的圖像分割網絡雖然能在復雜背景及環境中基于特征分割出圖像區域，不過其提取的輪廓特征依然較為粗糙，不足為真實尺寸測量提供依據，直到MaskRCNN才做到了像素級圖像分割，為尺寸測量提供了依據。除此之外，MaskRCNN將目標檢測和語義分割結合，對農產品尺寸測量及分類提供了指導性算法，也是目前研究優化的主要方向。
傳統提取算法，闕值提取法是圖像分割中使用較為廣泛的方法，通過闕值的設置，將處于闕值區間內的像素區域歸納為同一區域，從而分割圖像。此類算法的缺陷在于只考慮了目標的灰度信息，從而缺少魯棒性。在這類算法中，如何獲取一個合理的闕值是算法成功的關鍵，手動選取闕值無法具備通用性，易受環境變化的影響，主流的選取闕值的方法有類間方差法和熵闕值分割法。
在線客服
17856548804
2179259773@qq.com
