改进DeepLabV3+下的轻量化烟雾分割算法

通过监测火灾烟雾可以有效地检测火灾的发生,现有火灾烟雾分割算法在小目标烟雾以及大目标烟雾边缘部分表现不理想,为快速而有效地监测烟雾,基于深度学习,提出一种改进的轻量化DeepLabV3+烟雾分割算法。该文通过替换DeepLabV3+算法的主干特征提取网络,在减少参数量的同时,提高了算法提取特征的能力和对烟雾的分割能力;同时在编码模块中添加卷积注意力模块(convolutional block attention module,CBAM),增加算法对小目标烟雾的关注度,以提升算法对烟雾在复杂背景下的分割能力,并有效缓解烟雾边缘的误分割现象。最后通过比对测试集的测试结果,改进的烟雾分割算法相较于原DeepLabV3+算法,烟雾交并比(smoke intersection over union,sIoU)、平均交并比(mean intersection over union,mIoU)和平均像素精确度(mean pixel accuracy,mPA)分别提高了6.46%、4.28%和1.72%,且改进算法的权重大小仅为原算法权重大小的10.76%。实验结果表明,改进的烟雾分割算法具有分割精度高、训练时间短且模型小的优点,更符合实际中的烟雾监测任务。

DetSegNet:一种基于检测和分割的高精度水尺水位检测网络

为了克服传统水位测量方法中水位边缘粗糙和检测精度不足的问题,提出了一种高精度的水尺水位检测网络——DetSegNet。DetSegNet在网络结构、损失函数等方面对YOLOv4和DeepLabv3+算法进行了改进,并将水尺刻度识别、水体区域分割、水位线检测和水位值计算等模块进行有效结合,实现了对水尺与水体交界区域的高效定位和精确分割。实验结果表明,DetSegNet在水尺图像数据集上的检测精度和速度均优于传统的检测方法;现场测试表明,DetSegNet的水位检测误差小于1 cm,满足水文监测的精度要求。

基于DeepLabV3+的轮对踏面损伤分割算法

针对轨道交通轮对踏面损伤图像存在边界识别效果差,分割精度低的问题,提出一种改进的DeepLabV3+算法对损伤区域进行识别分割。首先将轻量化网络MobileNetV2作为主干特征提取网络,加快语义分割的速度;然后将空洞空间卷积池化金字塔模块中的膨胀卷积以及特征融合后的普通卷积替换为深度可分离卷积,减少参数量,降低模型复杂度;最后在主干网络输出的浅层与深层特征层添加ECA机制,加强网络特征学习能力,使模型对损伤区域更加敏感,从而提升模型分割精度。实验结果表明,改进后的DeepLabV3+模型大小缩减为原来的5%,mPA值达到90.70%,mIou值达到84.33%,在模型更轻量化的同时保证了踏面损伤图像的分割效果。

基于DeepLabv3架构的高分辨率遥感图像分类

针对目前使用机器学习解决高分辨率遥感图像分类主要存在下采样导致的细节信息丢失问题,提出了一种基于DeepLabv3架构的小波域DeepLabv3-MRF(Markov random field,MRF)算法。选择当前较为普遍的DeepLabv3架构分类算法,能够获得更为精确的分类结果;采用小波域DeepLabv3-MRF算法,还能够获得更为清晰的边缘细节信息。选取南方某地区高分辨率无人机遥感图像进行分类实验,通过小波变换的方向性、非冗余性以及MRF变换像素空间的交互性这三个方面,将分类结果与原始DeepLabv3架构分类结果对比分析。结果表明,所提出的分类方法精度明显高于原始DeepLabv3架构分类算法的精度,总体精度可提升3%左右,并且可以充分表达高分辨率遥感图像细节信息。

基于密集连接与特征增强的语义分割算法

在语义分割算法DeepLabv3+中,由于对主干网络提取的特征信息利用不充分,导致了分割边缘不连续、目标丢失以及分割错误等问题。为此,提出一种基于密集连接和特征增强的语义分割算法。采用共享空洞空间金字塔池化(S-ASPP)模块建立多个空洞卷积之间的联系,增强局部信息之间的语义关联,捕获密集的采样点像素,同时提高对高层特征信息的利用。引入特征金字塔增强模块(FPEM)和特征融合模块(FFM),对主干网络输出的多层特征信息进行处理,增强特征的表达能力,并采用FFM对FPEM输出的不同尺度特征信息进行融合,提高各层特征之间的互补能力,以获得更全面的特征图信息。在此基础上,将S-ASPP和FFM的输出进行拼接和卷积操作,得到最终的分割结果。在PASCAL VOC 2012和Cityscapes数据集上的实验结果表明,该算法的平均交并比分别达到81.13%和73.39%,相较于基准算法DeepLabv3+分别提升了2.3和2.1个百分点,充分利用了骨干网络中的每层特征信息,提升了算法的分割精度,取得了较好的分割效果。

水面无人艇可行域及障碍物快速分割算法研究

针对水面无人艇(USV)可行域及障碍物分割系统对图像处理过程的快速性和准确性要求,研究了一种根据无人艇机载视觉传感器对水上图像快速分割的算法。首先经过多地实验采集实验图像,经过数据清洗、图像去重和人工筛选构建原始数据库,并采用人在回路数据标注方法构造了无人船可行域及障碍物分割数据集,共5620张图像和25875个标签;其次实践了主流的基于深度学习的语义分割方法,包括FCN、DeeplabV3 Plus、U-Net;最后针对水上图像的特点和快速分割的任务需求,提出了一种基于改进DeeplabV3 Plus的快速分割网络DeeplabV3-CSPNet。网络学习实验、离线航行实验和模型部署结果表明,DeeplabV3-CSPNet算法取得快速且准确的分割效果,平均精度达到84.17%,运算速度达到49.26 fps,在边缘计算平台上运算速度达到45.45 fps。

结合深度学习和NCFS算法的堆石料粒度分布智能检测方法

针对目前堆石坝施工过程中人工筛分试验无法实现爆堆料物粒度快速检测以及现有粒度检测模型准确度低、泛化能力差等问题,提出了一种基于深度学习模型与邻域分量特征(Neighborhood Component Feature Selec⁃tion,NCFS)算法相结合的堆石坝料物粒度数字筛分检测方法,该方法可以通过拍摄料堆图像快速检测料堆粒度分布。为了提高深度学习模型的精确度,提出将基于迁移学习的Deeplabv3+模型和稠密条件随机场算法(Dense⁃CRF)结合用于图像训练学习和优化;在料堆二维特征到三维粒度分布转换方面,提出基于NCFS算法的块石二维平面参数对三维粒度的表征公式,并采用MATLAB语言编制了相应的软件加以实现。句容抽水蓄能电站工程现场爆破料堆图像采集和筛分试验分析的结果表明:所提方法是可行的,且相比其他方法,在特征提取以及粒度检测精度上均有所提高。