基于改进DeepLabv3+模型的电力线语义分割方法

在无人机智能电力巡检中,电力线分割是实现无人机自动避障、保障低空飞行安全的关键技术。针对现有基于深度学习的电力线分割算法存在的预测速度慢、分割精度低的问题,提出了一种改进DeepLabv3+算法的电力线分割模型——PBB-DeepLabv3+。用轻量级PP-LCNet替换原始DeepLabv3+主干网络Xception,有效减少参数量并提升预测速度。在空洞空间金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)模块中增加空洞卷积分支和级联卷积,获取具有更大感受野的多尺度特征从而减少漏分割现象,进一步将空洞卷积分支改为瓶颈结构以减少参数量。在解码器融合3层浅层特征以恢复降采样过程中丢失的细节特征。引入瓶颈注意力模块(Bottleneck Attention Module, BAM)减少对电力线误分割现象。实验结果表明,改进算法预测速度相对于原DeepLabv3+模型提升54.39%,平均像素精度(Mean Pixel Accuracy, MPA)和平均交并比(Mean Intersection over Union, MIoU)分别提升1.18%和3.50%,参数量仅为原模型的6.38%。兼顾了分割速度和精度,能够对电力线进行有效分割。

基于VSA-UNet的电气设备紫外图像分割

提高电气设备紫外图像分割精确度对设备放电程度的准确评估具有重要意义。由于存在噪声干扰与紫外光斑形状、大小不规则等问题,目标分割区域存在过分割和欠分割现象,因此提出一种基于多模块的VSA-UNet(VGG16Net, Improved SENet, and ASPP based U-Net)分割网络。为强化网络特征提取能力,减少过分割现象,使用VGG16Net的卷积层代替U-Net网络的编码部分;将编码部分末端卷积层替换成空洞空间金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)模块,获取紫外图像的多尺度信息,解决大区域的欠分割问题;在跳跃连接部分加入改进SENet模块,加强有用信息的提取,补充细节损失,提升整体网络性能。基于自建紫外图像数据集的实验表明,改进网络在分割紫外图像时平均交并比(Mean Intersection over Union, MIoU)达到81.78%,平均精确率为95.97%。与U-Net网络相比,提出的VSA-UNet模型明显提升了紫外图像分割的准确性。