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。

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。

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+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DeepLabV3+模型的轨道站点影响区自行车出行环境评价

轨道站点影响区自行车出行环境评价对于促进自行车接驳出行效率和服务品质提升具有重要意义。采集百度街景、路网、轨道站点等多源数据,选取自行车出行环境的舒适性、安全性、便捷性和可达性评价指标,运用DeepLabV3+模型和sDNA分析法对轨道站点1500 m范围影响区内不同类型道路的自行车出行环境进行评价,并以南京市为例进行实证分析。结果表明:站点影响区自行车出行环境存在空间差异性;交通型道路的自行车出行中间性、天空可视度高,但自行车存取方便程度低;生活型道路的自行车存取方便程度、绿视率高,但自行车出行中间性、安全性低;综合型道路各指标相对协调。

基于改进DeepLabV3+的轻量化茶叶嫩芽采摘点识别模型

[目的/意义]名优茶的采摘是茶产业中至关重要的环节,识别和定位名优茶嫩芽采摘点是现代化采茶过程中的重要组成部分。传统神经网络方法存在着模型体量大、训练时间长,以及应对场景复杂等问题。本研究以湖南省溪清茶园为实际场景,提出一种新型深度学习算法解决名优茶采摘点的精确分割难题。[方法]对传统的DeepLabV3+算法进行轻量化改进。首先,针对其模型体量大、训练时间长的问题,使用MobilenetV2网络提取图像的初始特征,并按照网络结构划分深浅层特征;其次,将高效通道注意力网络(Efficient Channel Attention Network,ECANet)与空洞空间卷积池化金字塔(Atrous Spatial Pyramid Pooling,ASPP)模块结合,得到ECA_ASPP模块,并将深层特征输入到ECA_ASPP模块中进行多尺度特征融合以减少无效信息,将经过处理后的深浅层特征相加,随后通过卷积和上采样的方式对特征信息进行还原,得到分割结果;最后,通过对识别结果进行处理以获得茶叶嫩芽采摘点。[结果和讨论]改进后的DeepLabV3+在茶叶嫩芽数据集上的平均交并比达到93.71%,平均像素准确率达到97.25%,模型参数量由原来以Xception为底层网络的54.714 M下降至5.818 M。[结论]本研究在茶叶嫩芽结构分割上相对于原版DeepLabV3+的检测速度更快、参数量更小,同时保证了较高的准确率,为智能采茶机器人的采摘提供了新的定位方法。

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+的遥感图像分割方法

由于遥感图像具有高分辨率,卷积层需要扩大感受野以捕获更丰富的语义信息。在进行遥感图像分割时,DeepLabV3+模型采用较大的空洞率以获得更大感受野,导致网格伪影问题。因此,提出一种优化网格伪影的改进DeepLabV3+模型。首先,在空间空洞金字塔池化(ASPP)之前引入了一个平滑网格伪影模块,以减轻网格伪影对分割任务的影响;接着,在ASPP模块的每个空洞卷积之后添加了一个逐点卷积,以保留更多的空间信息;其次,替换空洞卷积的激活函数为LeakyReLU;最后,在DeepLabV3+中引入了ECA注意力机制。通过在GID15和Postdam遥感数据集上的验证,相对于基础的DeepLabV3+模型,改进模型在准确度和平均交并比方面均取得了显著提升,证明所提出的网络调整能有效提高遥感图像分割的精度。

基于轻量级MobileNetV2-DeeplabV3+的棒材分割方法

针对当前语义分割模型为提升像素分割精度,不断增加算法复杂度,导致模型出现参数量大,耗时长,难以部署至工业现场等问题,提出一种基于轻量级MobileNetV2-DeeplabV3+模型的棒材分割算法。算法为平衡像素分割精度、模型参数量和算法检测速度,在原网络基础上做出一系列改进:将原有的Xception主干网络替换为轻量级MobileNetV2网络以降低模型参数量与计算复杂度;在空洞空间金字塔池化(ASPP)模块基础上密集连接各空洞卷积以获得更大的感受野,更加密集的像素采样,并扩大输出特征覆盖的语义信息;使用深度可分离卷积(DSConv)替代ASPP模块中的标准卷积进一步降低模型的计算复杂度;此外,引入有效通道注意力(ECA)模块聚焦目标边缘特征,增强特征图通道信息提取的效果。实验表明:改进后的模型在棒材数据集下平均交并比(MIOU)为89.37%,平均像素精度(MPA)为94.57%,帧率(FPS)为33.09帧/s,模型参数量为33.6 M。与U-net、M-PSPNet、M-DeeplabV3+等模型相比,改进后算法的MIOU值与MPA值略低于最佳值,但仍处于较高水准,模型参数量小,FPS值得到较大提升。实验表明:改进后的算法能较好地平衡分割精度和算法实时性,能满足部署至工业现场的需求。

基于手势识别的DeepLabV3+算法研究

文章为解决手势识别研究中欠缺考虑多时相、特征多样性的问题,提出了一种基于改进DeeplabV3+模型的手势识别提取方法。通过更改模型中ASPP模块结构,使用多个不同的空洞率以及图像金字塔池化等操作,增加CBAM注意力机制模块,提升模型的提取精度和效率。在公开Freihand数据集上进行验证,结果表明:改进后的DeeplabV3+模型训练速度提高了29.2%,识别精确度提升了0.04%,相似度提升了0.68%,召回率提高了0.36%。

基于DeepLabV3+的建筑物高精度批量自动提取方法

针对实景三维模型中建筑物提取效率低、精度不够、识别效果不理想等问题,提出一种新的基于倾斜摄影实景三维模型的建筑物批量自动提取方法。基于经典的语义分割框架DeepLabV3+训练出能从海量多样化数据中自动提取建筑物特征的DEEPROOF模型,并结合阈值聚类、降噪处理和计算机视觉中的相关图像处理方法完善提取结果。实验结果表明,与其他4种语义分割方法相比,本文方法在准确率、召回率、平均交并比上都更具优势,高出其他方法2~35个百分点;其次,分割区域更合理科学,轮廓线更清晰准确,建筑物批量自动提取的效果更好,可满足实际生产的精度要求。

改进Deeplabv3+的高分辨率遥感影像道路提取模型

针对传统的道路提取方法在高分辨率遥感影像中存在提取效果差和提取速度慢的问题,提出了改进Deeplabv3+的高分辨率遥感影像道路提取模型。采用MobileNetv2主干特征提取网络与Dice Loss函数相结合,较好地平衡了高分辨率遥感影像道路提取精度与速度的矛盾,实现较高提取精度的同时减少了模型参数,满足了时效性的要求。基于开源道路提取数据集的实验结果表明:①该文提出的道路提取模型在高分辨率遥感影像上具有可行性,提取道路的整体精度达到98.71%,具有较高的提取精度;②在提取道路的速度方面该方法平均帧数达到120.05,模型参数量仅为5.81 M,总体上比原模型更加轻量化,表明该方法满足了时效性的要求。该方法在大幅减少参数量、满足时效性的同时保证了提取的精确度,为提高基于高分辨率影像的道路提取精度和速度提供了一种新的改进思路和方法。

基于优化DeepLabv3+的混凝土梁裂缝分割及特征量化

目前基于深度神经网络的裂缝分割模型存在着训练参数多、裂缝边缘分割粗糙、分割精度不足、缺少深度特征语义信息等问题。为解决以上问题,对分割性能较好的DeepLabv3+模型进行研究,嵌入Non-local注意力机制,并改进了主干网络ResNet101得到优化模型DeepLabv3+(N-S),最后基于优化模型的输出并使用裂缝骨架提取的方法来量化裂缝特征参数。使用的数据集为自制的混凝土梁裂缝图像数据集,并对优化前后模型作对比实验,分析了模型在各项性能上优化的有效性,并使用实测数据来验证评估裂缝各项特征参数量化方法。实验结果表明,DeepLabv3+(N-S)网络在数据集上的平均像素准确率(mean pixel accuracy,mPA)、平均交并比(mean intersection over union,mIoU)分别达到了88.86%、82.04%,较于原模型分别提高2.21%、2.54%,裂缝分割效果优于原模型,且裂缝样本各项特征参数量化的平均误差为+8.7%,低于原模型,可满足工程上的检测精度需求。

基于无人机正射影像的城市居民区植被分类DeepLabV3+模型改进实验

针对目前利用无人机可见光影像进行城市居民区植被分类存在精度不高、效率较低的问题,该文构建一种改进的DeepLabV3+模型,选取南京市江宁A、B两处居民区无人机正射影像进行对比实验和模型迁移性能测试。实验结果表明:①基于改进DeepLabV3+模型的植被总体分类准确度、精确度、召回率、F 1得分、平均交并比在验证集上达到95.27%、94.03%、93.55%、93.79%、84.94%,较原模型分别提高了2.36%、1.01%、2.09%、1.56%、8.71%,且参数量降低92.7%,训练用时减少25.7%;②在迁移性能测试中,乔木、灌木、草本分类精确度分别提高了2.88%、6.54%、2.29%。改进DeepLabV3+模型可提高城市居民区植被分类精度与效率,分类结果可为城市微尺度热环境研究提供基础数据。

基于改进DeepLabV3+深度学习模型的冬小麦种植面积提取研究

冬小麦种植面积的精确提取对粮食估产、农业政策制定、科学研究等具有重要意义。针对原始深度学习语义分割模型DeepLabV3+存在的分割效果差、提取精度低、模型复杂以及训练时间长等问题,采用MobileNetV2主干网络、注意力机制、损失函数、组归一化和条带池化对其网络模型进行改进,以高分二号影像为数据源,利用改进的模型进行冬小麦面积的提取。结果表明,单一改进模块融入对网络模型提升不高,将MobileNetV2主干网络、卷积块的注意力模块(Convolutional Block Attention Module,CBAM)、Focal Loss+Dice Loss函数、组归一化(Group Normalization,GN)和条带池化(Stripe Pooling)模块都有效融入网络模型时,相比未改进的DeepLabV3+网络模型MIoU、MPA、Accuracy分别提高了5.22%、2.43%、2.77%,利用改进模型提取的夏张镇冬小麦面积与政府统计数据相比较,相对误差仅为-7.11%,提高了1.56%;结合外业采样点,夏张镇和徂徕镇的冬小麦面积提取精度分别达到93.91%、92.31%,有力证明了改进算法在冬小麦面积提取模型中的有效性。

基于改进的DeepLabV3+网络模型的杂交水稻育种父母本语义分割研究

为解决杂交水稻育种授粉过程中父母本区分的精确性和实时性问题,本研究提出一种基于全卷积神经网络的、改进的DeepLabV3+杂交水稻育种父母本区分的语义分割模型。采用轻量化的主干网络MobileNetV2结构替换原DeepLabV3+的主干网络Xception结构,使之更适用于移动设备,并提出一种联系较为紧密的低层特征信息提取方法,将较低层次信息和较高层次信息初步融合作为原低层次信息的输入,使网络获得更加密集的信息,从而增强网络对于细节的提取能力。结果表明,改进的DeepLabV3+网络模型较原DeepLabV3+网络模型具有更高的杂交水稻制种父母本分割精度,并能够减少模型训练和图片预测时间。将改进后的DeepLabV3+网络模型与其他主流网络和先进网络模型对比发现,各项参数精度均有所提高。本研究为深度学习在农业视觉机器人领域中的发展提供了参考。

基于改进DeeplabV3+的钢筋尺寸检测算法

钢筋混凝土工程的建造规模与要求日益提升,传统的钢筋检验方法无法在效率和数量上满足工程检查的需求,且施工现场钢筋背景环境复杂多变,单一的图像识别算法无法利用到钢筋的特征信息,在精度上不能满足建筑智能监理的验收标准。为了解决这方面的问题,提出一种改进的DeeplabV3+模型对钢筋识别。研究表明:通过减小空洞卷积膨胀率以及空洞卷积密度,降低模型感受野,提高了细部边缘特征信息的提取率;通过加入注意力机制实现模型对钢筋特征信息的敏感程度。之后利用图像处理技术对识别图进行检测,获得钢筋各项尺寸。在施工现场收集钢筋图像并整理成数据集,并在此数据集上进行算法检验。实验结果表明,改进的DeeplabV3+模型和原模型相比,在平均交并比、像素精确率、召回率上分别提升了5.14%、0.27%、5.19%,钢筋直径和间距的尺寸检测精度也达到了工程验收的标准。

基于图像处理和Deeplabv3+模型的小麦赤霉病识别

赤霉病是影响小麦产量和品质的主要病害之一。为快速、有效地监测小麦赤霉病的发生情况,利用数码相机对人工接种赤霉病菌的小麦田进行RGB图像获取,在图像预处理基础上,对Deeplabv3+网络模型进行调参和训练。以轻量化网络MobileNet V2为网络编码模块,利用空洞卷积技术建立基于深度学习网络的小麦赤霉病发病麦穗的识别与检测模型,并用实测数据对模型进行验证和评价。结果表明,该模型的平均精度为0.9692,损失函数Loss为0.1030,平均交并比MIoU为0.793,模型识别与检测效果较好。上述结果为小麦赤霉病的检测与识别提供新的手段。