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。

基于L-DeepLabv3+的轻量化光学遥感图像道路提取

针对DeepLabv3+在进行光学遥感图像道路提取任务时,存在模型参数量大、细节提取效果差等问题,提出一种改进DeepLabv3+的轻量化道路提取模型L-DeepLabv3+。首先通过将主干网络替换为MobileNetv2来减少模型参数量;其次,在编码层中设计一个改进的空洞空间卷积池化金字塔模块。该模块通过嵌入一个通道空间并联注意力模块和YOLOF模块来增强模型特征表达能力,并且将普通卷积替换为深度可分离卷积进一步减少模型参数量;最后组合采用Dice_loss和Focal_loss作为损失函数来解决正负样本不均衡问题。实验结果表明:L-DeepLabv3+在DeepGlobe Road数据集上进行道路提取的交并比达到68.40%,像素准确率达到82.67%,且模型参数量仅为5.63 MB,FPS达到72.3,与其他模型相比具有明显提升,实现了模型精度与轻量化之间更好的平衡。

基于CP-DeepLabv3+的玉米根系图像分割

利用微根管技术可以直接监测植物根系动态生长,并获取清晰根系图像,但土壤环境复杂、颗粒不均匀、细根数量多,图像分割时容易造成根系不连续,将土壤背景误认为根系。针对以上问题,提出了CP-DeepLabv3+算法进行图像分割。该算法引入坐标注意力机制(coordinate attention, CA),更精确地获得分割目标信息,使得分割目标边缘更加连续;在ASPP特征提取模块加入条纹池化(strip pooling,SP)分支,避免在相距较远的位置之间建立不必要的连接,提高图像分割精度。利用CP-DeepLabv3+算法对玉米根系数据集进行测试,结果显示,平均交并比(mean intersection over union,MIoU)值为82.95%,平均像素精确度(mean pixel accuracy,MPA)值为92.47%,相比于原始DeepLabv3+模型分别提高了3.69%、4.44%,表明该算法可有效分割玉米根系,对图像特征提取具有实际意义。

用于高分辨率遥感影像地类识别的Deeplabv3+改进模型

在高分辨率遥感影像地类识别上,语义分割网络Deeplabv3+表现优异,但是所需参数非常多,训练时间久。遥感影像中的地类与普通RGB图片中的对象相比颗粒度非常大,其具有更显著的特征以及更少的类别,并不需要过深过大的网络。因此,文中提出了一种基于轻量级网络的语义分割模型(Thin-Deeplabv3+),对Deeplabv3+的编码器进行了改进,利用轻量级膨胀网络(Light and Dilated Network,LDNet)提取输入遥感影像的特征,然后利用膨胀系数分别为2、12、24和36的空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块加强特征提取。在高分遥感影像数据集(Gaofen Image Dataset,GID)以及DeepGlobe土地覆盖分类挑战数据集(DeepGlobe Land Cover Classification Challenge,DLCCC)上的实验结果表明,Thin-Deeplabv3+的识别精度高于Deeplabv3+,并且所需参数仅约为Deeplabv3+的1/10。

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。

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.

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+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。

DeeplabV3+中引入注意力机制的小面积溢油识别方法

海面溢油危害大、分布广、时间空间不确定性大,对海洋溢油进行高精度识别与监测对全球生态环境的保护有着重要意义。针对传统卷积神经网络模型对小面积溢油分类不准确的问题,提出一种基于深度学习的SAR影像海上小面积溢油的高精度提取方法。该方法以DeeplabV3+网络模型为基础,引入SE注意力机制来提高网络对海面上小面积溢油的分类精度。基于欧空局开源数据集Oil Spill Detection Dataset建立了海面溢油提取模型,训练得到的平均交并比为77.70%,平均像素精度为98.16%。通过目视对比模型预测图和对比两类精度指标,发现经过注意力机制优化后的DeeplabV3+网络模型明显优于原始网络模型,对小面积溢油监测的效果明显提升。

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%。

拖拉机平视显示研究与分析--基于DeeplabV3+和眼动追踪技术

为了提高拖拉机驾驶人员的驾驶安全系数,解决拖拉机驾驶人员经常扭头观看后方农机机具作业情况的问题,对拖拉机驾驶室使用平视显示(HUD)进行研究分析。首先,利用Deeplabv3+图像语义分割法与眼动追踪技术结合的方式,对拖拉机驾驶人员观察后方农机机具的画面进行采集并对重要信息进行标注;然后,使用Pytorch深度学习框架来搭建所需的模型网络结构和完成相应的代码开发,最终得到较为清晰的分割图像;最后,对原始图像及分割后图像进行眼动追踪实验验证,提取被试者的眼动轨迹,发现分割后图像能更好地被观看者识别。研究结果表明:利用DeeplabV3+对图像进行分割增强,应用到平视显示技术中,可以有效提高拖拉机驾驶人员的驾驶安全性和工作效率。

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。