基于改进Deeplabv3+的电力线分割方法研究

针对已有的分割算法存在的复杂场景干扰大、分割不准确的问题,提出一种用于电力线分割任务的改进Deeplabv3+模型。将原始主干网络替换为轻量级Mobilenetv2网络,增加低水平特征,获得5路输入特征,充分提取特征信息;添加空洞空间金字塔池化(atrous spatial pyramid pooling,ASPP)的卷积分支数量,调整空洞率,提升图像的特征抓取能力,进一步在每个空洞卷积后加入1×1卷积操作,加快计算速度;提出一种基于坐标注意力机制的语义嵌入分支模块(coordinate attention semantic embedding branch,CASEB),融合第2、3路特征,增强目标特征的表示;引入卷积注意力机制模块(convolution block attention module,CBAM)抑制无用信息的传递,提高模型识别效率。实验结果表明,相对于原Deeplabv3+模型,改进模型在平均像素精度(mean pixel attention,MPA)和平均交并比(mean intersection over union,mIoU)上分别提升2.37%和3.42%,该方法可提供更加精确的电力线分割结果。

基于改进Deeplabv3+算法的滚珠丝杠驱动表面点蚀缺陷检测

针对滚珠丝杠驱动表面背景环境复杂、点蚀缺陷目标小因而难以检测的问题,提出改进的Deeplabv3+滚珠丝杠驱动表面缺陷分割算法。本算法采用Re2Net-50替换Deeplabv3+的主干网络,显著提升了对小尺寸缺陷目标的识别能力。此外,通过在主干网络中融合特征金字塔网络FPN,能够加强多尺度信息的提取,从而增强了对缺陷目标的精确定位。最后,本研究在Deeplabv3+网络的ASPP模块之后引入了Coordinate Attention机制,能够增强模型对图像中空间和维度的关注,有效地捕获了图像中的长距离空间依赖关系。实验结果表明,与原始的Deeplabv3+相比,所提算法在平均交并比MIoU指标上提高了4.38%,准确率Accuracy提高了5.52%,F1-score提高了2.74%。同时,与其他经典的语义分割算法相比,所提算法也展现出了一定的优越性。

基于改进DeepLabv3+的光伏电站道路识别方法

针对移动清洁机器人在光伏电站作业时需要精确快速识别道路的问题,提出一种改进的DeepLabv3+目标识别模型对光伏电站道路进行识别.首先,将原DeepLabv3+模型的主干网络替换为优化的MobileNetv2网络以降低模型复杂度;其次,采用异感受野融合和空洞深度可分离卷积结合的策略改进空洞空间金字塔池化(ASPP)结构,提高ASPP的信息利用率和模型训练效率;最后,引入注意力机制,提升模型识别精度.结果表明,改进后模型的平均像素准确率为98.06%,平均交并比为95.92%,相比于DeepLabv3+基础模型分别提高了1.79个百分点、2.44个百分点,且高于SegNet、UNet模型.同时,改进后的模型参数量小,实时性好,能够更好地实现光伏电站移动清洁机器人的道路识别.

基于改进DeepLabv3的自然图像语义分割算法

针对DeepLabv3模型对自然图像语义分割时存在的图像局部细节信息丢失导致的误分割和物体边缘分割不完整的问题,提出了一种改进DeepLabv3模型的自然图像语义分割网络,能够以更高的准确率实现自然图像的语义分割.首先,使用ResNet101作为骨干网络进行特征提取,把ResNet101网络最后两层提取到的特征图输入到设计的ACMix多重融合模块(ACMix Multiple Fusion Module,AMFM)中,有效获取不同尺度的空间特征信息,将融合之后的结果作为空洞空间金字塔池化模块(Atrous Spatial Pyramid Pooling,ASPP)的输入.其次,添加辅助分支模块(Auxiliary Branch Module,ABM),将ResNet101网络第三层提取到的特征图输入到ABM中,有效提取更丰富的边缘特征信息.最后,将主分支和辅助分支的结果融合作为输出,融合后的输出不仅追踪到了不同尺度的空间特征信息,而且提取到了完整的边缘特征信息,从而使模型更有效地提高分割精度.PASCAL VOC 2012数据集的结果表明,改进后的模型相比于原模型分割精度提升了3.21%,与其它网络模型相比,也具有较好的分割精度.

基于改进DeepLabv3+的轻量化作物杂草识别方法

为在存储资源与计算能力有限的设备上实现田间作物和杂草的识别,本文提出一种基于改进DeepLabv3+的轻量化语义分割网络。首先,以MobileNet v2作为DeepLabv3+的特征提取骨干网络,提出双分支残差模块替换倒残差模块,并删除后两层卷积以降低模型参数量。其次,在空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块中引入分组逐点卷积,使用深度扩张卷积替换标准卷积,并将卷积后的特征图进行多尺度特征融合增强对作物和杂草深层特征的提取能力。最后,将原有的非线性激活函数替换为Leaky ReLU激活函数来提升分割精度。实验结果表明:改进后网络的mIOU达到86.75%,参数量仅为0.69M,FPS达到了98,与原始DeepLabv3+以及3个典型轻量化语义分割网络的相比,参数量最小,在对比的轻量化网络中具有最高的分割精度。

基于改进DeeplabV3+的遥感图像道路分割模型

针对遥感图像道路分割边界模糊和遮挡难以区分的问题,提出了基于改进DeeplabV3+的遥感图像道路分割模型。该模型在主干网络中引入MobileNetV3和高效通道注意力机制(ECA),减少了参数量并关注连续的道路特征信息。在解码过程中采用多级上采样,增强了编码器和解码器之间的紧密连接,全面保留了细节信息。同时,在ASPP模块中采用深度可分离膨胀卷积DS-ASPP,显著减少了参数量。实验结果表明,该模型在Massachusetts Roads数据集上的交并比达到了83.71%,准确率达到了93.71%,分割精度最优,模型参数量为55.57×10^(6),能够有效地避免边界模糊和遮挡导致的错漏检问题,在遥感道路分割中提高了精度和速度。

改进DeepLabV3+网络的指针轨迹图像识别

指针式机械记录仪通常用于记录精密设备运输过程中的震动轨迹图像,为了更好地监测运输过程中车辆颠簸对仪器设备的影响,提出一种改进DeepLabV3+网络的指针轨迹图像语义分割方法。首先将骨干网络替换为MobileNetV3,实现模型的轻量化;然后将解码器中4倍上采样替换为2次2倍上采样,增强图像中像素的连续性,使预测结果更接近原始图像。在自制数据集上进行对比实验,结果表明:改进DeepLabV3+网络的平均交并比(MIoU)达到85.84%,比原始DeepLabV3+网络提高了3.57%,单位时间内检测图片数量(FPS)提高了3.58 s^(-1);改进DeepLabV3+网络在识别精度和速度上具有明显的优势,可为精密仪器检测提供数据支持。

基于改进DeepLabv3+网络的沥青道路裂缝检测方法

针对传统的语义分割技术对于沥青道路裂缝的检测存在检测精度低、误差大的问题,提出了一个基于改进DeepLabv3+网络的语义分割方法。该方法在编码器阶段,采用轻量级MobileNetv2取代DeepLabv3+的主干网络Xception,从而减少参数量;在解码器阶段,引入双注意力机制以进一步提高网络的分割精度;使用Dice Loss函数与原始交叉熵损失函数混合,以缓解样本中前景和背景不平衡问题。最后以道路实时检测的数据为对象进行了大量的实验,结果表明,该方法与原始DeepLabv3+相比,平均交并比(mIoU)、平均像素精度(mPA)分别提升了8.98%和17.39%。与其他主流语义分割模型相比,改进后的DeepLabv3+在沥青道路裂缝的检测上也取得了较好的效果。

基于改进DeepLabv3+的遥感影像道路提取算法

道路提取可以帮助人们更好地理解城市环境,是城市交通和城市规划等方面的重要部分,随着深度学习与计算机视觉的发展,利用基于深度学习的语义分割算法从遥感影像中提取道路的技术趋于成熟。针对现有的深度学习道路提取算法存在的提取速度慢和容易受背景环境因素干扰而产生漏分割、不连续等问题,提出了一种基于ECANet注意力机制和级联空洞空间金字塔池化模块的轻量化算法CE-DeepLabv3+。首先,将主干特征提取网络更换为轻量级的MobileNetv2,减少参数量,提高模型的执行速度;其次,通过增加空洞空间金字塔池化模块的卷积层进一步扩大感受野,再级联不同特征层来增强语义信息的复用性,从而加强对细节特征的提取能力;再次,加入ECANet注意力机制,抑制背景环境中的干扰因素,聚焦道路信息;最后,采用改进的损失函数进行训练,消除了道路与背景样本不均衡对模型性能产生的影响。实验结果表明,改进算法的性能优良,与原始DeepLabv3+算法相比,在分割效率、分割精度上有较大的提升。

基于改进DeepLabV3+的引导式道路提取方法及在震源点位优化中的应用

为解决自动识别方法在道路提取时存在漏提、错提现象,提出一种引导式道路提取方法提高修正效率。在DeepLabV3+原有输入通道(3通道)的基础上添加额外输入通道(第4通道),将道路的4个极点转化为二维高斯热图后作为额外通道输入网络,网络以极点作为引导信号,使网络适用于引导式道路提取任务;设计并行多分支模块,提取上下文信息,增强网络特征提取能力;融合类均衡二值交叉熵和骰子系数组成新的复合损失函数进行训练缓解正负样本不均衡问题。在公共Deepglobe数据集和西南某区域三维实际数据集上对本文网络进行验证,在Deepglobe上的像素精确度PA、交并比IOU、F1分数分别达到82.29%、68.81%和81.52%;在西南某区域三维数据集上PA、IOU、F1分别达到89.05%、81.01%和89.51%。实际应用表明:该方法能够有效提高道路识别精度,道路符合率达到85%以上,为后续震源点布设提供准确的信息。

基于改进DeepLabV3+的囊型肝包虫病超声图像分割算法

目的:将基于改进DeepLabV3+的图像语义分割算法应用到囊型肝包虫病超声图像处理中,实现肝包虫病病灶的自动分割与检测,提高临床诊断效率。方法:本研究采用了DeepLabV3+图像语义分割网络为基础方法,并对其进行了以下改进。首先,为解决DeepLabV3+图像语义分割方法计算复杂度高,内存消耗大,难以在计算能力有限的嵌入式平台上部署,在提取图像特征信息时难以充分利用多尺度信息等问题,以MobileNetV2替换模型的原主干网络Xception,获得轻量级的模型框架。其次,将高效通道注意力应用于底层特征,降低计算复杂度,提高目标边界的清晰度。最后,将Dice Loss引入模型中,缓解模型更关注背景区域,而忽略了包含目标的前景区域等问题。结果:在自建囊型肝包虫病VOC2007数据集5种病灶类型上进行验证,实验结果表明,改进模型的平均交并比和平均像素精度分别达到73.8%和83.5%,能够预测更精细的语义分割结果,有效地优化模型复杂度和分割精度。

改进DeepLabv3+模型的混凝土坝表观裂缝特征提取方法

为了解决混凝土坝环境复杂造成现有算法裂缝检测难度大、效果差的问题,提出了一种改进DeepLabv3+模型的混凝土坝裂缝特征提取方法.该方法以轻量型网络替换原始骨干网络提取图像特征,降低模型复杂度;扩充空洞空间金字塔池化模块,提升编码器感受野;采用多尺度特征融合策略,提高边缘信息利用率;优化模型损失函数,克服像素不均衡的困难.采用自制混凝土坝表观裂缝图像数据集对提出方法的有效性和优越性进行了验证与评估,结果表明:构建的改进网络能准确地实现复杂背景下混凝土坝表观裂缝特征的提取,分割裂缝图像的交并比与像素精度分别为72.85%与85.36%,裂缝分割效果也明显优于其他方法,可为长期混凝土坝面裂缝监测提供有效的技术手段.

基于改进DeepLabV3+的荞麦苗期无人机遥感图像分割识别方法研究

针对DeepLabV3+语义分割模型计算复杂度高、内存消耗大、难以在计算力有限的移动平台上部署等问题,提出一种改进的轻量化DeepLabV3+深度学习语义分割算法,用于实现无人机荞麦苗期图像的分割与识别。该算法采用RepVGG(Re-parameterization visual geometry group)与MobileViT(Mobile vision transformer)模块融合的方式建立主干网络实现特征提取;同时,在RepVGG网络结构中引入SENet(Squeeze-and-excitation networks)注意力机制,通过利用通道间的相关性,捕获更多的全局语义信息,保证荞麦分割的性能。实验结果表明,与FCN(Fully convolutional networks)、PSPNet(Pyramid scene parsing network)、DenseASPP(Dense atrous spatial pyramid pooling)、DeepLabV3、DeepLabV3+模型相比,本文提出的改进算法在较大程度上降低了模型参数规模,更适合在移动端部署,自建荞麦苗期分割数据集上的语义分割平均像素准确率(Mean pixel accuracy,mPA)和平均交并比(Mean intersection over union,mIoU)分别为97.02%和91.45%,总体参数量、浮点运算次数(Floating-point operations,FLOPs)和推理速度分别为9.01×10^(6)、8.215×10^(10)、37.83 f/s,综合表现最优。在全尺寸图像分割中,训练模型对不同飞行高度的荞麦苗期分割的mPA和mIoU均能满足要求,也具有较好的分割能力和推理速度,该算法可为后期荞麦补种、施肥养护和长势监测等提供重要技术支持,进而促进小杂粮产业智能化发展。

基于改进DeepLabv3+模型的农村道路提取方法研究

从国产高分辨率影像中快速准确提取农村道路在信息管理、农村农业现代化等领域具有重要的价值,但由于背景噪音复杂、道路蜿蜒细长、易受阴影遮挡等,传统遥感解译方法提取农村道路信息效率低、精度不高.文章针对农村道路的特征,对DeepLabv3+模型进行改进,设计了一种兼具效率和精度的高分辨率影像农村道路信息提取改进模型.首先,使用Mobilenetv2作为模型的主干,减少模型的参数;其次,在ASPP模块中串联CBAM,加强模型的特征感受能力;最后,添加Dice Loss函数改进损失函数,克服样本的不均衡.实验结果表明,细节的改进使得各项指标明显提升,效率和精度达到了最高;与经典模型相比,改进模型在MPA、MIoU上取得了更高的分数,虽然对深层特征的深度学习需要花费更多的时间,但改进模型在精度效率上均优于其他模型.

基于改进Deeplabv3+模型的果树语义分割研究

针对丘陵山区果园存在地形、光线、边界干扰等环境因素对单株果树难以精准识别分割的问题,提出一种改进的高精度Deeplabv3+语义分割网络模型。首先,该模型以ResNet50为主干网络提取特征,引入金字塔拆分注意力(PSA)机制,获得更清晰的果树轮廓边界信息;继而,将条纹池化(SP)模块串联到解码部分,通过SP加强特征提取,分别沿水平和垂直维度获取丰富的上下文信息,扩大感受野范围并保证信息完整性和连续性。通过语义分割可得以下结论:在使用Labelme工具进行自主图像标注的丘陵山区果树树冠图像数据集中,果树单株识别分割准确率PA为98.91%,果树分割的平均交并比MIoU为74.94%,相较于PSPNet、UNet、FCN和Deeplabv3+,PA分别提高2.5%、1.88%、1.03%和1.85%,MIoU分别提高10.93%、8.19%、2.78%、5.73%,有较明显的数据提升。该研究成果可为智能农业装备在果园对靶喷药、长势识别等精细化作业方面提供数据支撑。

基于改进DeepLabV3+的梨树冠层分割方法

针对杂草和阴影等较复杂背景影响梨树冠层图像信息提取精度的问题,提出一种改进DeepLabV3+的梨树冠层图像分割方法。该方法将注意力机制引入到DeepLabV3+编码部分的主干网络与空洞空间金字塔池化模块之间和解码部分的主干网络之后,重要的特征信息将得到关注,提高模型分割精度的同时保证分割效率。以Y字形棚架梨园为试验对象,通过无人机采集梨树冠层照片,进行冠层分割试验。结果表明,提出的CBAM-DeepLabV3+模型对梨树冠层图像分割的平均交并比、类别平均像素准确率和准确率分别为88.72%、94.56%和96.65%,分割单张图像时间为0.107 s。CBAM-DeepLabV3+模型分割梨树冠层的类别平均像素准确率相比DeepLabV3+和SE-DeepLabV3+分别提高2.28%和0.56%。

基于改进Deeplabv3+的桥梁裂缝分割算法研究

为提高Deeplabv3+模型对桥梁裂缝的分割精度与检测效率,提出一种多分支卷积块和Deeplabv3+改进的桥梁裂缝分割算法。在Deeplabv3+模型中加入RFB多分支卷积模块,将Deeplabv3+中的backbone替换为Mobilenetv2,用深度分离卷积替换算法中所有普通卷积,增加一次底层特征融合。将改进模型与主流的图像检测模型如PSPNet、U-Net在相同数据集下进行实验对比,结果表明,改进后的Deeplabv3+模型对桥梁裂缝的检测具有较好的效果,检测精度可达90.15%,较原始模型提高了4.07%。改进后的模型分割精度和速度有明显提高,对于完成裂缝检测任务具有实际应用价值。

基于改进DeepLabV3+的遥感图像分割模型

针对经典语义分割算法对遥感图像分割精度较低、参数量大等问题,提出一种轻量化网络与注意力机制相结合的改进深度实验室库版本3(DeepLabV3)+遥感图像语义分割模型。首先,使用移动网络版本3(MobileNetV3)轻量化模型作为DeepLabV3+的特征提取网络,可有效降低整个模型的参数量;其次,对DeepLabV3+模型解码阶段添加有效通道注意力机制,增强模型对不同通道的特征拟合能力。实验表明:本文所改进DeepLabV3+模型相较原模型,参数量降低3.6倍,平均交并比提高3.5%。

基于改进DeepLabv3+的林木图像分割方法

近年来,人们越来越重视森林资源管理规划,但是森林结构复杂、分布破碎,准确区分树木区域与非树木区域以及预测森林面积比较困难。针对森林区域提取困难、边界分割不精确的问题,提出改进的DeepLabv3+模型研究森林区域智能精准提取。首先,在编码器阶段使用CFF(cross feature fusion)模块融合主干网络与空洞卷积的多尺度低级和高级特征来获得高分辨率的掩码特征,有效地聚合多层次编码器特征;其次,在解码器阶段引入cSE(spatial squeeze and channel excitation)通道注意力模块,使模型能够更好地获取不同通道上的特征,提高网络的表现力使其关注到输入图像的边缘位置,从而提高分割准确率;最后,将卷积之后的深层特征与浅层特征进行融合,增强网络的分割性能。研究表明:基于改进的DeepLabv3+深度学习神经网络得到的森林类别平均像素准确率(mPA)达到了93.85%,平均交并比(mIoU)达到了89.17%,准确率(Accuracy)达到了95.66%,相较于原始DeepLabv3+网络分别提升了0.77%,1.8%和0.89%,模型参数量减少了48.84 M,检测速度FPS提升了17.93帧/s,检测效率更高,分割性能更好。

基于改进DeepLabv3+与CycleGAN的图像风格迁移研究

CycleGAN的优势就是在没有成对训练集的情况下将图像从原目标区域迁移到目标区域,但其泛化能力较弱,针对CycleGAN无法在图像风格迁移时仅对所需目标进行迁移和DeepLabv3+模型和参数量过大的问题,本文提出了一种结合改进DeepLabv3+网络和CycleGAN的局部图像迁移方法。先使用DeepLabv3+网络对图像进行语义分割,再将分割出来的目标与迁移图像进行匹配,将得到的迁移图像转回到原图像中,实现对局部图像的迁移。在DeepLabv3+模型中使用MobileNetV2代替主干网络,使用WASP网络代替ASPP网络降低了模型体积,减少了参数量,提高检测速度。采用相似性SSIM与峰值信噪比PSNR作为迁移图像评估指标,对迁移后的效果进行评估。实验表明,使用改进DeepLabv3+网络和CycleGAN的局部图像迁移方法能够提高风格迁移质量,拥有更好的视觉效果。