基于改进DeepLabv3plus算法的遥感图像海岛建筑提取方法

目前海岛经济快速发展,为避免海岛建筑无序扩建,了解海岛建筑分布特征尤为重要。机器学习方法是从高分遥感影像提取地物目标的常见方式,然而建筑物遥感特征复杂,机器学习方法出现鲁棒性差、难以充分挖掘深层次特征的弊端。文章提出基于DeepLabv3plus网络模型的深度学习语义分割方法提取海岛建筑,并对网络结构进行改进,使用组归一化(GN)方法替代批归一化(BN)以适合小batch size下的语义分割操作。针对海岛建筑数据量较少的问题,采用迁移学习策略,设计基于多源数据的国内城市建筑数据集的预训练样本智能采集和标注方法,再人工标注中国部分海岛建筑进行算法实验。结果表明,在batch size较小时,基于GN的DeepLabv3plus语义分割算法的平均精度和mIoU均得到提升,能够获得更为精确的像素级海岛建筑提取结果。

动态场景下基于语义分割的视觉SLAM方法

针对在动态场景下视觉同步定位与建图(SLAM)鲁棒性差、定位与建图精度易受动态物体干扰的问题,设计一种基于改进DeepLabv3plus与多视图几何的语义视觉SLAM算法。以语义分割网络DeepLabv3plus为基础,采用轻量级卷积网络MobileNetV2进行特征提取,并使用深度可分离卷积代替空洞空间金字塔池化模块中的标准卷积,同时引入注意力机制,提出改进的语义分割网络DeepLabv3plus。将改进后的语义分割网络DeepLabv3plus与多视图几何结合,提出动态点检测方法,以提高视觉SLAM在动态场景下的鲁棒性。在此基础上,构建包含语义信息和几何信息的三维语义静态地图。在TUM数据集上的实验结果表明,与ORB-SLAM2相比,该算法在高动态序列下的绝对轨迹误差的均方根误差值和标准差(SD)值最高分别提升98%和97%。

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+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。

软包装锂离子电池表面凹坑缺陷检测方法

软包装锂离子电池表面凹坑缺陷对比度低、缺陷区域过小且存在反光,传统方法很难进行准确检测。提出一种基于图像增强和改进DeepLabV3网络的软包装锂离子电池表面凹坑缺陷检测方法。通过分析表面凹坑缺陷图像特征,采用图像增强算法对图像进行预处理,以增强凹坑缺陷对比度。对DeepLabV3网络进行改进,使用ResNet101作为特征提取网络,同时引入位置注意力模块,使得模型更加关注于凹坑缺陷相关特征,提升网络的检测精度。改进后的网络在自制数据集上的平均交并比达到85.98%,缺陷检测准确率达到98.33%。

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DeeplabV3+网络的轻量化语义分割算法

针对传统语义分割模型参数量大、计算速度慢且效率不高等问题,改进一种基于DeeplabV3+网络的轻量化语义分割模型Faster-DeeplabV3+。Faster-DeeplabV3+模型采用轻量级MobilenetV2代替Xception作为主干特征提取网络,大幅减少参数量,提高计算速度;引入深度可分离卷积(deep separable convolution, DSC)与空洞空间金字塔(atrous spatia pyramid pooling, ASPP)中的膨胀卷积设计成新的深度可分离膨胀卷积(depthwise separable dilated convolution, DSD-Conv),即组成深度可分离空洞空间金字塔模块(DP-ASPP),扩大感受野的同时减少原本卷积参数量,提高运算速度;加入改进的双注意力机制模块分别对编码区生成的低级特征图和高级特征图进行处理,增强网络对不同维度特征信息提取的敏感性和准确性;融合使用交叉熵和Dice Loss两种损失函数,为模型提供更全面、更多样的优化。改进模型在PASCAL VOC 2012数据集上进行测试。实验结果表明:平均交并比由76.57%提升至79.07%,分割准确度由91.2%提升至94.3%。改进模型的网络参数量(params)减少了3.86×10~6,浮点计算量(GFLOPs)减少了117.98 G。因此,Faster-DeeplabV3+算法在大幅降低参数量、提高运算速度的同时保持较高语义分割效果。

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DeepLabv3+的船体结构腐蚀检测方法

利用图像识别方法对无人机、机器人所采集的实时图像开展船体结构腐蚀检测,可有效提高检验检测效率和数字化、智能化水平,具有极大的应用价值和潜力,将改变传统的船体结构检验检测方式。提出一种基于DeepLabv3+的船体结构腐蚀检测模型,通过收集图像样本并进行三种腐蚀类别的分割标注,基于DeepLabv3+语义分割模型进行网络的训练,预测图片中腐蚀的像素点类别和区域,模型在测试集的精准率达到52.92%,证明了使用DeepLabv3+检测船体腐蚀缺陷的可行性。

一种基于注意力机制的轻量级语义分割

语义分割是一种计算机视觉技术,它需要从大量的图像中提取出重点信息,然后通过掩膜的方式,将这些信息转化成更加清晰、易于理解的表达形式。研究人员正在努力寻求一种平衡,在保证模型精度的同时,尽可能减小模型的体积,这也是当前设计轻量级网络模型的热门话题。当前,图像语义分割技术存在许多挑战,如分割不连续、错误分割和模型复杂度过高。为了解决这些问题,提出了一种基于注意力机制的轻量级语义分割模型。该模型采用冻结解冻训练,特征提取网络是MobileNetV2,为了恢复较清晰的目标边界,在空洞金字塔池化(ASPP)输出部分引入轻量级的卷积注意力(CBAM)模块或在解码部分引入通道注意力(ECA-Net);为了解决样本不均衡的问题,引入了focal_loss损失函数;使用了混合精度和替换了输出端的标准卷积——DO-Conv卷积,在PASCAL VOC 2012和Cityscapes数据集上进行实验和验证,模型的大小为23.6 MB,平均交并比分别为73.91%和74.89%,类别平均像素准确率分别82.88%和84.87%,成功地在精确分割和计算效率之间取得了平衡。

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。

基于注意力机制改进的DeepLabV3+遥感图像分割算法

DeepLabV3+分割算法具有高效的编解码结构,常用在图像分割任务中。针对DeepLabV3+高分辨率遥感图像语义分割中存在的分割目标边缘不精确和孔洞缺陷问题,提出了一种基于注意力机制改进的DeepLabV3+遥感图像分割算法。构建ECBA(Efficient Convolutional Block Attention Module)注意力机制,将ECBA添加至DeepLabV3+主干网络Xception,增强其特征提取能力,得到注意力加权的高层特征。同时,将ECBA添加至编码器和解码器的连接支路,得到注意力加权后的低层特征。解码器将两种特征进行特征融合,以增强网络对不同分割目标的边缘以及同一目标内部的感知。实验结果表明,改进后的算法在ISPRS Potsdam数据集上的平均交并比(mean Intersection over Union,mIoU)和F1指数分别达到了79.80%和75.88%,比DeepLabV3+算法提高了11.06%和6.32%。

基于DeepLabv3+的太阳能电池板污染面积分割与计算算法研究

在露天环境中运行的太阳能电池板易受积尘等污染物覆盖的影响,进而降低其发电效率。为了定量评估污染物对太阳能电池板表面污染的程度,文章采用DeepLabv3+语义分割模型对太阳能电池板污染面积进行分割与计算。首先,通过训练DeepLabv3+模型,实现对太阳能电池板图像的精确分割,从而提取出污染区域。然后,通过计算污染区域像素点总数占整块太阳能电池板图像像素点总数的比例,量化污染物的面积。最后,在实际场景中的实验表明,DeepLabv3+分割太阳能电池板污染物的精准率、F1得分和平均准确率分别达到97.17%、96.45%和96.79%。该方法为太阳能电池板的维护管理和效率优化提供了科学依据。

基于语义分割的粮仓粮食数量变化动态监测方法

为了高效、准确且低成本监测粮仓粮食数量变化情况,研究提出一种基于语义分割的粮仓粮食数量变化动态监测方法,利用深度学习技术对粮仓仓内摄像机采集的图像进行分析,实现对粮仓仓内粮食数量变化情况的动态监测。通过将监测结果与仓内近期业务数据进行比对,可及时发现违法违规行为线索并预警,提高日常监管的针对性和效率。本研究选取粮仓仓内监控摄像机采集的图像作为数据集,构建了基于DeepLabV3+的粮仓粮食数量变化动态监测模型,通过提取判断粮面变化的参照边界,利用参照边界像素值的变化判断仓内粮食数量变化情况,并通过引入基于MobileNetV2的特征提取网络,提高了模型识别的准确性和计算效率。实验结果表明,该模型平均交并比和平均像素准确率分别达到89.57%和94.53%,参数量为5.818 M,MIoU分别比PSPNet模型和UNet模型高0.95%和0.88%。通过对50个粮仓的测试分析,模型识别得到的仓内粮食数量变化情况与实际情况的一致性为96%,验证了该方法的有效性,为粮仓粮食数量的动态监测提供了新的思路。

基于DeepLabV3+的甲骨拓片图像文字分割方法

为将甲骨拓片中的文字和背景有效分割,提出一种基于深度可分离卷积网络DeepLabV3+的甲骨文拓片图像文字分割方法,实验使用了包含9800张甲骨文拓片图像的数据集进行训练和测试。结果表明,提出的方法在进行甲骨文拓片文字分割时具有较高的准确率,能为甲骨文字的识别、甲骨图片的缀合等提供一定的基础数据。

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。

融合注意力机制的DeeplabV3+服装图像分割方法

针对在服装图像语义分割中存在由服装颜色、纹理、背景以及多目标遮挡导致的边缘分割粗糙和分割精度低等问题,文中基于Deeplabv3+框架,提出了一种图像语义分割算法(FFDNet)。首先,模型的骨干网络采用ResNet101网络,并添加通道空间注意力模块(Feature-Enhanced Attention Module,FEAM),通过对特征图加权来挖掘并增强特征信息,提高网络表达能力。其次引入特征对齐模块(Feature Align Module,FAM)作为一种新的上采样方式,解决不同尺度特征融合之间特征未对齐导致分割错误且效率低的问题,以此提高对服装图像分割的准确性和鲁棒性。最后,FFDNet在Deepfashion2和PASCAL VOC 2012数据集上的平均交并比分别达到55.2%和79.4%;在参数量方面,该模型相比原模型在Deepfashion2上仅增加了0.61 MB。与其他现有经典模型对比,其分割性能更优,能有效捕获图像局部细节信息,减少像素分类错误。

基于语义分割和几何分析的火龙果果实与枝条的三维重建

针对非结构化环境中采摘机器人缺少足够环境信息的问题,该研究提出了一种用于机器臂避障和路径规划的果实与枝条检测和三维重建方法。采用MobileNetV2取代传统DeepLabV3+主干特征提取网络Xception,并在特征提取模块引入了坐标注意力机制,通过改进网络对采集的RGB图像进行目标检测,并将检测到的火龙果和枝条语义掩膜转换成三维点云。提出一种基于非线性最小二乘法的椭球体拟合方法用于重建火龙果,用有限数量的AABB包围盒获取不规则的枝条的三维空间位姿信息。测试表明,改进后模型的平均交并比(mean intersection over union,mIoU)和平均像素精度(mean pixel accuracy,mPA)分别达到95.59%、98.01%,相较原模型分别提升2.57个百分点和1.44个百分点;平均推理时间和模型内存占用量分别降至94.74 ms和22.52 MB,分别仅为原模型的59%和11%。三维重建试验表明,火龙果果实重建的短轴尺寸和深度距离的平均绝对误差分别为0.44和2.04 mm,枝条重建的样本标准差在各坐标轴上均小于10 mm。结果证实了该研究方法可以有效地重建火龙果果实和枝条,可以为火龙果采摘机器人的采摘路径规划避障提供基础。

基于优化DeepLabv3+的智能化高速铁路安全区域划分算法研究

针对目前电气化铁路沿线复杂背景下铁路安全区域划分均需采用实际固定标准件为参照物且区域划分范围小等问题,提出一种无需参照物的高速铁路安全区域划分算法.首先基于无人机所采集图像中的相关参数计算出相应的GSD(地面采样间距)参数,然后利用加入ECA-Net模块的DeepLabv3+模型对图像中的轨道进行精确分割.通过边缘检测、开运算、概率霍夫变换等一系列图像处理操作,提取出构成轨道的关键像素点,并运用最小二乘法进行轨道拟合,得出轨道数学表达式.最后,结合数学算法和GSD参数以及轨道数学表达式,完成安全区域的划分.实验结果表明,所提算法测量精度高达90%以上,无需选取固定参照物,适应性强、鲁棒性高,具有较高的实用性和可靠性.