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。

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。

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。

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+的囊型肝包虫病超声图像分割算法

目的:将基于改进DeepLabV3+的图像语义分割算法应用到囊型肝包虫病超声图像处理中,实现肝包虫病病灶的自动分割与检测,提高临床诊断效率。方法:本研究采用了DeepLabV3+图像语义分割网络为基础方法,并对其进行了以下改进。首先,为解决DeepLabV3+图像语义分割方法计算复杂度高,内存消耗大,难以在计算能力有限的嵌入式平台上部署,在提取图像特征信息时难以充分利用多尺度信息等问题,以MobileNetV2替换模型的原主干网络Xception,获得轻量级的模型框架。其次,将高效通道注意力应用于底层特征,降低计算复杂度,提高目标边界的清晰度。最后,将Dice Loss引入模型中,缓解模型更关注背景区域,而忽略了包含目标的前景区域等问题。结果:在自建囊型肝包虫病VOC2007数据集5种病灶类型上进行验证,实验结果表明,改进模型的平均交并比和平均像素精度分别达到73.8%和83.5%,能够预测更精细的语义分割结果,有效地优化模型复杂度和分割精度。

融合DeepLabV3神经网络的工件位姿检测研究

针对工业零件表面特征少无法使用基于特征的匹配算法以及使用传统基于模板的匹配算法在光照变化或背景混乱的场景下没有较好的鲁棒性。提出了一种基于DeepLabV3网络与传统的算法相结合的方法,极大的了提高了在复杂背景环境下的匹配结果和检测精度。首先在DeepLabV3网络下使用Hu矩和最小外接矩形法确定中心位置及旋转角度,第二步使用自适应的Harris角点检测与五点法相结合完成手眼相机的快速标定,最后在AUBO机械臂下完成定位实验,定位误差在0.5mm以内,结果表明该算法在复杂场景下和非均匀光照下有更好的表现。

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。