基于改进Unet的分布式光伏建筑物高精度分割方法

针对屋顶光伏资源评估中难以准确高效地获取建筑物屋顶区域的问题,该文提出一种基于Unet的FPN_AttentionUnet语义分割网络,用于实现建筑物屋顶的高精度自动提取。该网络融合Soft-Attention注意力机制和双层特征金字塔FPN以提取准确的语义信息,精细化分割结果。Soft-Attention注意力机制用于处理和连接编码部分与解码部分的特征图;双层特征金字塔FPN融合解码部分不同尺度的特征图来获取不同尺度的特征信息。采用无人机获取苏州某区域上空的建筑物数据集和武汉大学WHU公开数据集分别进行训练,训练结果表明:与Unet、AttentionUnet、FPNUnet网络相比,该文提出的FPN_AttentionUnet在建筑物外轮廓提取中具有更高的精度,有效提高边缘提取效果。在自制数据集中类别像素准确率C_(PA)达95.56%,平均交并比M_(IoU)达91.10%,在WHU公开数据集中分割效果同样优于其他对比网络,所提算法能够有效提升建筑物外轮廓边缘的分割精度。最后以河海大学常州校区为例,利用提出的算法从无人机图像中分割建筑物,评估指定区域的光伏发电量与光伏组件安装潜力。

基于改进UNet网络的车牌分割算法研究

针对传统图像算法在定位分割车牌时易受复杂环境因素影响,为提升分割准确率,采用深度学习UNet网络模型进行改进研究,对其增加注意力cSE模块,以增强网络对特征的提炼能力,与其他主流分割网络进行对比实验。实验结果表明,在自建车牌数据集上经过100轮训练后,该文改进方法中的各种指标系数表现最好,其中在测试集上的Dice、Miou指标分别比经典UNet网络提高了16%、15%,较FCN和CeNet等分割网络有较大幅度的提升,较主流的UNet改进网络也有不同程度的提升,证明了cSE-UNet网络能够提高车牌图像分割的准确率,是一种有效的改进网络模型。

基于Mobile-UNet 的葫芦科接穗苗子叶图像分割方法

农业嫁接栽培中,通常要保证嫁接后叶片方向与底部的砧木叶片成十字姿态。为了满足自动嫁接机实时准确分割接穗叶片进而找出子叶特征参数,提出一种基于改进UNet的轻量化分割网络。利用MobileNetV2主干作为UNet编码部分的特征提取主干网络,在加强特征提取层中使用Ghost模块实现所有双重卷积操作,在提高网络精度的同时减少网络参数和计算量。实验结果表明,Mobile-UNet模型相比原始模型在MIoU、Precision、Recall和Dice系数等指标上分别提高了5.69%、1.32%、4.73%和3.12%,模型的计算量和参数量分别下降了27.4%和35.3%,模型参数体积得到了有效压缩。此外,该模型与SegNet、DeepLabV3+经典语义分割模型相比,也具有分割精度高、参数量更小等优点,可部署于自动嫁接机系统,实现对夹持机构上的接穗子叶分割。

基于注意力机制的UNet模型的洪水SAR图像研究

洪水灾害的快速蔓延对社会构成了巨大威胁,因此高效而准确的洪水监测技术显得尤为重要。合成孔径雷达(SAR)图像由于其独特的穿透性和无视天气限制的特点,在洪水监测中发挥着关键作用。然而,由于SAR图像的复杂性和噪声,传统的图像分割方法在洪水SAR图像上的应用仍然具有挑战性。通过引入空间注意力机制对UNet模型进行了改进,提出了一个编码解码结构模型USANet,旨在提高其在洪水SAR图像分割任务中的精确度。改进的UNet模型通过在编码解码端分别引入注意力机制来有针对性地增强对洪水特征的感知能力。实验结果显示,改进的UNet模型相较于传统UNet在洪水SAR图像分割任务中取得了显著的性能提升。通过定量评估,验证了注意力机制在提高模型对洪水特征敏感性方面的有效性,为未来在遥感领域的相关研究和应用提供了有益的指导。

基于自旋式Unet++网络的小麦条锈病菌夏孢子自动检测方法

[目的]条锈病菌夏孢子是引起小麦条锈病暴发的重要原因。针对夏孢子显微图像识别中存在的检测精度不高和分割精度较低的问题,提出了一种基于自旋式Unet++网络的小麦条锈病菌夏孢子自动检测算法。[方法]针对显微图像中夏孢子目标密集,易粘连等特点,通过改进Unet++特征提取网络,将原始网络的输出反向连接至输入端形成一种自旋结构,并增加超参数K控制自旋次数,以达到迭代训练的目的,优化Unet++网络的分割精度,提高检测的分割率;根据孢子的形态特征,提出一种加权映射矩形计算公式,计算其矩形热力图,以提高孢子的检测精确率。[结果]算法测试结果表明,改进算法的平均精确率达到99.03%,分割率为86.45%,较原始CenterNet模型分割率提高了10.35百分点,精确率提高0.46百分点,占用内存降低66.09%。[结论]该模型在保证较高精度检测夏孢子目标的同时,保证了较高的孢子分割率,为小麦条锈病早期预警提供了一种有效的方法。

基于深度学习的国土资源遥感影像分类模型

针对国土资源遥感影像分类中,遥感影像分类鲁棒性以及精确性不高的问题,提出结合深度学习的国土资源遥感影像分类模型。通过改进的UNet3+深度学习网络进行国土资源遥感影像分类检测,该改进UNet3+深度学习网络在保留UNet3+深度学习网络全尺度跳跃连接以及深度监督机制的前提下,引入注意力机制对深度学习网络的参数以及特征提取做出进一步优化,避免过拟合以及运算量较大的问题。通过实验验证,基于深度学习的国土资源遥感影像分类模型在不同尺度的遥感影像观测上均表现出优异的检测精度及分类性能。其中,当观测尺度为500 m时,边界分割误差可以控制在-2~1 m范围内。相比其他深度学习网络,改进模型在分类检测精度上更具优势。

基于语义分割的遥感影像建筑变化检测

遥感影像变化检测是利用多时相影像确定一定时间内地物或现象的变化,提供地物空间变化的定性与定量信息。传统遥感影像变化检测方法主要基于地面纹理及空间特征的方法,存在着难以精确识别遥感影像中新增建筑物的问题,为此该文提出了一种基于UNet网络的遥感影像建筑物变化检测方法。首先,将轻量级高效通道注意力机制网络(efficient channel attention network,ECANet),注入到原UNet网络模型,调整并优化网络结构,提升影像分割的准确度。然后改进SENet网络参数,提高遥感影像中的建筑物变化检测的精度。该文在高分辨率数据集LIVER-CD上进行实验,结果表明,所提方法的语义分割准确度达到99.03%,建筑变化检测准确率达到98.62%。相比于其他方法,该方法增强了影像的有效特征,提升了遥感影像中地面建筑物的检测精度。

高分二号卫星影像在地表分类中的研究

高分二号高空间分辨率遥感影像在地表监测中具有重要作用。为了更好地获取监测地表变化数据,研究使用高分二号监测研究地区的地表情况,并对基于UNet网络的遥感影像分类方法进行了改进。实验结果显示:改进UNet网络分类的整体准确率为89.98%,分类精度较高。基于遥感影像与监测数据的评价结果显示,研究区域的环境综合状况处于良好等级,但道路两侧坡面在雨季仍有崩塌可能,可见高分二号可以有效地监测地表变化并提供灾害预警。