亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于新型編解碼網(wǎng)絡(luò)的復(fù)雜背景航拍圖像輸電線識(shí)別*

        2022-10-25 08:29:56李運(yùn)堂詹葉君王鵬峰黃永勇李孝祿
        傳感技術(shù)學(xué)報(bào) 2022年8期
        關(guān)鍵詞:編解碼輸電線編碼器

        李運(yùn)堂,詹葉君,王鵬峰,黃永勇,李孝祿,陳 源

        (1.中國(guó)計(jì)量大學(xué)機(jī)電工程學(xué)院,浙江 杭州 310018;2.中國(guó)計(jì)量大學(xué)現(xiàn)代科技學(xué)院,浙江 杭州 310017)

        輸電線長(zhǎng)期暴露于自然環(huán)境,表面容易粘附異物、內(nèi)部容易受損甚至出現(xiàn)斷股、斷線,致使電力傳輸異常。 因此,對(duì)輸電線路進(jìn)行定期巡檢并及時(shí)發(fā)現(xiàn)問題,對(duì)于確保電力傳輸安全具有重要意義[1]。人工輸電線路巡檢需要徒步到達(dá)指定地點(diǎn)進(jìn)行檢測(cè),易受地理環(huán)境影響,效率低、成本高、誤檢率大。無(wú)人機(jī)具有機(jī)動(dòng)性強(qiáng)、靈活性好等優(yōu)點(diǎn),可以到達(dá)山區(qū)、叢林等苛刻環(huán)境。 因此,無(wú)人機(jī)輸電線路巡檢近年來(lái)得到廣泛關(guān)注[2-3]。

        在復(fù)雜多樣的背景中完整、快速、準(zhǔn)確地識(shí)別出輸電線是無(wú)人機(jī)跟蹤輸電線飛行、實(shí)現(xiàn)自動(dòng)巡檢的前提。 目前,輸電線識(shí)別主要有常規(guī)圖像處理和基于深度學(xué)習(xí)的圖像智能識(shí)別兩種方法。 在常規(guī)圖像處理方面,趙樂等[4]利用水平方向Ratio 算子檢測(cè)圖像邊緣,采用Hough 變換提取輸電線,具有較好的抗噪性,輸電線識(shí)別精度高,但對(duì)圖像中輸電線方向要求嚴(yán)格,并且容易將水平方向的線性噪聲識(shí)別為輸電線。 趙浩程等[5]通過(guò)直方圖均衡化提高圖像中輸電線和背景的對(duì)比度,采用Radon 變換快速完整地識(shí)別和提取輸電線,但背景復(fù)雜時(shí),噪聲影響大,穩(wěn)定性較差。 張從新等[6]利用多組態(tài)形態(tài)學(xué)算法濾除二值圖中的背景噪聲,增強(qiáng)輸電線邊緣信息,采用Canny 算子檢測(cè)圖像邊緣,通過(guò)直線提取算法快速、準(zhǔn)確地提取和識(shí)別輸電線,但需人工調(diào)節(jié)背景不同時(shí)邊緣檢測(cè)閾值,泛化能力有待提高。 Abid Hasan 和Ko[7]采用中值模糊過(guò)濾出邊緣特征,利用腐蝕和膨脹形態(tài)學(xué)操作與Canny 算子結(jié)合識(shí)別輸電線邊緣,可去除平滑操作無(wú)法處理的噪聲,保留輸電線像素信息。 Tian 等[8]通過(guò)雙邊濾波器消除圖像背景噪聲,同時(shí)保留輸電線邊緣信息,利用輸電線之間平行的先驗(yàn)條件,通過(guò)Hough 變換識(shí)別輸電線,檢測(cè)速度快,但需手動(dòng)調(diào)整參數(shù)以獲得最佳識(shí)別效果。

        利用常規(guī)圖像處理檢測(cè)輸電線易受背景噪聲干擾,識(shí)別精度低,易出現(xiàn)漏檢或錯(cuò)檢。 近年來(lái),許多學(xué)者采用深度學(xué)習(xí)方法進(jìn)行輸電線識(shí)別和提取。 其中,語(yǔ)義分割作為深度學(xué)習(xí)的核心應(yīng)用領(lǐng)域之一,圖像中每個(gè)像素均劃分出對(duì)應(yīng)的類別,實(shí)現(xiàn)像素級(jí)分類,突破了常規(guī)圖像處理識(shí)別精度的瓶頸[9-10]。 在語(yǔ)義分割領(lǐng)域,Long 等[11]提出的全卷積網(wǎng)絡(luò)(FCN)考慮多尺度特征融合,基于端到端的思想用卷積層代替全連接層處理圖像分割。 Ronneberger等[12]提出具有U 型結(jié)構(gòu)的UNet 網(wǎng)絡(luò),采用下采樣編碼、上采樣解碼和跳躍連接結(jié)構(gòu),下采樣逐層提取特征信息,上采樣逐層恢復(fù)特征信息,跳躍連接結(jié)構(gòu)對(duì)不同尺度的特征層進(jìn)行融合,該方法對(duì)圖像中的小目標(biāo)分割效果較好。 Badrinarayanan 等[13]提出的SegNet 網(wǎng)絡(luò)具有典型的編解碼結(jié)構(gòu),編碼器由VGG16 的前13 個(gè)卷積層組成,實(shí)現(xiàn)端到端像素級(jí)圖像分割。 Chen 等[14]提出的Deeplab 網(wǎng)絡(luò)引入了空洞卷積的金字塔池化,跨像素提取特征,擴(kuò)大了感受野,使每個(gè)卷積輸出均包含較大范圍信息,能夠提取圖像多尺度特征。 針對(duì)輸電線的語(yǔ)義分割,Yetgin 和Gerek[15]利用離散余弦變換提取出輸電線特征,采用隨機(jī)森林和支持向量機(jī)分類器判斷圖像中是否存在輸電線,但不能實(shí)現(xiàn)輸電線的定位和提取。 劉嘉瑋等[16]針對(duì)已有語(yǔ)義分割模型輸電線識(shí)別準(zhǔn)確率低和輸電線圖像數(shù)據(jù)樣本過(guò)少等問題,改進(jìn)了UNet 網(wǎng)絡(luò),在下采樣中將池化層添加到第5 層從而覆蓋輸入圖像的全部感受野,在背景圖像中,添加與輸電線類似的線段,形成仿真數(shù)據(jù)集,采用改進(jìn)的UNet 網(wǎng)絡(luò)在所搭建的仿真數(shù)據(jù)集上訓(xùn)練,能夠精確提取輸電線像素信息,識(shí)別準(zhǔn)確率高,但仿真數(shù)據(jù)集與真實(shí)輸電線圖像差別較大、特征單一,容易導(dǎo)致網(wǎng)絡(luò)過(guò)擬合。 趙振兵等[17]采用FCN 網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集,在上采樣階段添加多尺度膨脹卷積,擴(kuò)大了感受野,有效提高了像素分類精度,但FCN 網(wǎng)絡(luò)模型參數(shù)多,識(shí)別速度慢。 Zhang 等[18]采用VGG16 作為主干特征提取網(wǎng)絡(luò)搭建輸電線檢測(cè)模型,利用非極大值抑制細(xì)化輸電線邊緣,提高輸電線分割精度,但模型參數(shù)較多,網(wǎng)絡(luò)訓(xùn)練速度較慢。

        本文提出基于新型編解碼網(wǎng)絡(luò)復(fù)雜背景航拍圖像輸電線識(shí)別方法,能夠快速、準(zhǔn)確地識(shí)別出圖像中的輸電線。 編碼器選用MobileNetV3 模型作為主干特征提取網(wǎng)絡(luò)并引入注意力機(jī)制,更新了H-swish和Hard-sigmoid 激活函數(shù),采用深度可分離卷積塊代替普通卷積,在編碼器第13 特征層引出快捷鏈路進(jìn)行最大池化,壓縮特征信息后與第16 特征層在通道上進(jìn)行堆疊。 解碼器添加金字塔池化模塊(PSP)增強(qiáng)輸電線特征復(fù)用性。 在編碼器和解碼器之間加入多尺度特征融合的跳躍連接結(jié)構(gòu),最終融合后的特征層通過(guò)1×1 卷積調(diào)整通道數(shù)對(duì)圖像中的輸電線像素點(diǎn)進(jìn)行分類。 實(shí)驗(yàn)表明,相對(duì)于現(xiàn)有的語(yǔ)義分割網(wǎng)絡(luò),新型編解碼網(wǎng)絡(luò)具有更高的分割精度和更快的識(shí)別速度。

        1 編解碼網(wǎng)絡(luò)構(gòu)建

        1.1 編解碼網(wǎng)絡(luò)結(jié)構(gòu)

        輸電線大多架設(shè)在野外,航拍圖像背景復(fù)雜多變,輸電線貫穿整幅圖像并且像素點(diǎn)數(shù)占比很小,檢測(cè)難度大。 為實(shí)現(xiàn)無(wú)人機(jī)自動(dòng)跟蹤輸電線飛行,要求輸電線識(shí)別精度高、速度快。 為滿足上述需求,本文構(gòu)建了一種新型編解碼網(wǎng)絡(luò),如圖1 所示。 該網(wǎng)絡(luò)包括降維和特征提取的編碼器,升維和特征恢復(fù)的解碼器兩部分,編解碼器之間的跳躍連接結(jié)構(gòu)使編碼器與解碼器相對(duì)應(yīng)的特征層進(jìn)行通道上的疊加融合。 編解碼網(wǎng)絡(luò)淺層特征層主要用于邊緣分割,深層特征層主要用于像素分類,多層次特征融合結(jié)構(gòu)有助于增加特征信息的表達(dá)能力,便于輸電線分割。

        圖1 新型編解碼網(wǎng)絡(luò)結(jié)構(gòu)

        ①編碼器

        常見的主干特征提取網(wǎng)絡(luò)模型參數(shù)多,內(nèi)存要求高,選取輕量級(jí)MobileNetV3 模型作為編碼器的主干特征提取網(wǎng)絡(luò)減少了模型參數(shù)[19],運(yùn)算效率高,識(shí)別速度快。 由于網(wǎng)絡(luò)深度增加容易出現(xiàn)網(wǎng)絡(luò)退化,難以訓(xùn)練等問題,借鑒殘差網(wǎng)絡(luò)思想,改進(jìn)MobileNetV3 結(jié)構(gòu),在第13 特征層引出快捷鏈路進(jìn)行最大池化壓縮特征信息,并與第16 特征層在通道上進(jìn)行堆疊,充分利用淺層特征信息。

        MobileNetV3 由1 個(gè)卷積塊和15 個(gè)Bneck 組成的卷積結(jié)構(gòu)模塊構(gòu)成。 如圖2 所示,Bneck 模塊包括多個(gè)深度可分離卷積(Dwise)、批量歸一化(BN)、H-swish、 Hard-sigmoid 激 活 函 數(shù)、 注 意 力 機(jī) 制(SE)[20]等,從而提高網(wǎng)絡(luò)模型表達(dá)能力并實(shí)現(xiàn)網(wǎng)絡(luò)輕量化。

        圖2 Bneck 模塊

        SE 對(duì)特征層進(jìn)行一次平均池化(AvgPool),再進(jìn)行兩次全連接(FC)得到與平均池化前特征層通道數(shù)相同,尺寸為1×1 的權(quán)重層,其每一層參數(shù)即為平均池化前特征層各個(gè)通道上的權(quán)重系數(shù)。 通過(guò)訓(xùn)練得到特征層各個(gè)通道的權(quán)重系數(shù),從而提高輸電線特征信息的利用率。

        Bneck 模塊前兩層非線性激活函數(shù)采用H-swish函數(shù)

        式中:Relu6 = min[6,max(0,x)],x為輸入值。H-swish激活函數(shù)能夠引入更多的非線性因素,提高模型表達(dá)能力。

        在SE 的第二個(gè)全連接層更新Hard-sigmoid 激活函數(shù)

        由于沒有指數(shù)項(xiàng),計(jì)算量小,模型訓(xùn)練速度快。

        ②解碼器

        為聚合特征層不同區(qū)域的上下文信息,提高輸電線特征復(fù)用性,獲取輸電線圖像全局信息,在解碼網(wǎng)絡(luò)中引入PSPNET 網(wǎng)絡(luò)[21]的金字塔池化模塊(PSP),如圖3 所示。

        圖3 PSP 模塊

        PSP 模塊將輸入特征層按照1×1,2×2,3×3 和6×6多尺度網(wǎng)格劃分成4 個(gè)子特征層,對(duì)子特征層每個(gè)網(wǎng)格內(nèi)部進(jìn)行平均池化。 為保證全局特征權(quán)重,池化后的四個(gè)子特征層經(jīng)過(guò)1×1 卷積調(diào)整通道數(shù)為輸入特征層通道數(shù)的1/4;再通過(guò)上采樣(Upsample)恢復(fù)至池化前尺寸;最后,通過(guò)快捷鏈路將輸入特征層與上采樣后的4 個(gè)子特征層做通道上堆疊,得到融合4 種不同金字塔尺度的特征層。PSP 模塊融合了不同感受野平均池化特征,能夠更有效地聚合全局場(chǎng)景中輸電線語(yǔ)義信息,提高語(yǔ)義分割精度,使輸電線分割更精細(xì)。

        解碼器中,PSP 模塊融合不同尺度特征信息,卷積塊(DBL)調(diào)整通道數(shù)并加強(qiáng)特征信息提取,通過(guò)上采樣恢復(fù)像素后與MobileNetV3 第11 特征層跳躍連接進(jìn)行通道上堆疊;再經(jīng)過(guò)一層PSP 模塊提取特征信息,DBL 模塊調(diào)整通道數(shù)并提取特征信息,上采樣恢復(fù)像素后與MobileNetV3 第7 特征層跳躍連接進(jìn)行堆疊;堆疊后的結(jié)果經(jīng)過(guò)三次深度可分離卷積提取特征信息并調(diào)整通道數(shù),上采樣恢復(fù)像素后與MobileNetV3 第4 特征層跳躍連接進(jìn)行堆疊;再經(jīng)過(guò)三次深度可分離卷積和上采樣后與Mobile-NetV3 第2 特征層跳躍連接在通道上進(jìn)行堆疊,通過(guò)三次深度可分離卷積和上采樣恢復(fù)像素到與輸入圖像具有相同尺寸的416×416,最后經(jīng)過(guò)1×1 卷積將通道數(shù)調(diào)整為類別數(shù),將輸出特征圖整合為416×416×2,實(shí)現(xiàn)輸電線像素和背景像素的分類。

        編解碼網(wǎng)絡(luò)淺層下采樣倍數(shù)小,有利于提取細(xì)長(zhǎng)輸電線簡(jiǎn)單的邊緣特征信息;深層下采樣倍數(shù)大,輸電線特征信息經(jīng)過(guò)大幅壓縮,空間損失大,但有利于輸電線和背景的像素分類。 通過(guò)跳躍連接結(jié)構(gòu),將淺層和深層多尺度的特征信息融合,圖像分割精度得到顯著提升。

        1.2 多尺度特征層可視化

        為便于理解構(gòu)建的新型編解碼網(wǎng)絡(luò)內(nèi)部運(yùn)行過(guò)程,對(duì)不同深度特征層進(jìn)行可視化操作[22],如圖4所示。

        圖4 不同深度特征信息

        可以看出,編碼器網(wǎng)絡(luò)淺層下采樣倍數(shù)小,有利于提取輸電線和背景詳細(xì)紋理特征,網(wǎng)絡(luò)深度增加,特征信息被壓縮,更加關(guān)注全局語(yǔ)義信息。 在解碼器中,通過(guò)跳躍連接結(jié)構(gòu)融合多尺度特征信息,結(jié)合淺層細(xì)節(jié)特征和深層語(yǔ)義特征,輸電線特征信息更加豐富,每一次級(jí)聯(lián)后,可視化結(jié)果更精細(xì),網(wǎng)絡(luò)更加注重學(xué)習(xí)輸電線特征而忽略背景特征,提升識(shí)別效果。

        2 輸電線數(shù)據(jù)集搭建

        2.1 數(shù)據(jù)集的收集

        由于沒有公開的輸電線圖像數(shù)據(jù)集,如圖5 所示,采用無(wú)人機(jī)拍攝了4 000 張輸電線數(shù)據(jù)樣本。為增強(qiáng)數(shù)據(jù)樣本之間的無(wú)關(guān)性,防止單一特征過(guò)擬合,調(diào)整無(wú)人機(jī)飛行姿態(tài),獲取視角、背景和光照強(qiáng)度不同時(shí)的輸電線圖像。

        圖5 無(wú)人機(jī)拍攝輸電線圖像

        2.2 數(shù)據(jù)集標(biāo)注

        采用Labelme 標(biāo)注輸電線數(shù)據(jù)樣本標(biāo)簽值,如圖6 所示,輸出包含輸電線像素信息的Json 文件。

        圖6 Labelme 標(biāo)注界面

        2.3 數(shù)據(jù)擴(kuò)增

        數(shù)據(jù)集大小直接影響網(wǎng)絡(luò)訓(xùn)練效果,由于采集的樣本數(shù)量有限,為提高編解碼網(wǎng)絡(luò)訓(xùn)練魯棒性,增強(qiáng)網(wǎng)絡(luò)泛化能力,通過(guò)Mosaic 數(shù)據(jù)增強(qiáng)方法擴(kuò)充圖像數(shù)據(jù)集。 如圖7 所示,在數(shù)據(jù)集中任意抽取四張圖片進(jìn)行隨機(jī)縮放、翻轉(zhuǎn)、裁剪和色域變換等操作,再拼接成一張圖片作為訓(xùn)練數(shù)據(jù),批量歸一化時(shí)一次可同時(shí)訓(xùn)練四張圖片。 數(shù)據(jù)擴(kuò)增容易出現(xiàn)模糊、分辨率過(guò)低等不適合網(wǎng)絡(luò)訓(xùn)練的圖像,經(jīng)人工篩選去除,最后得到數(shù)據(jù)集共5 000 張輸電線圖像,按照9 ∶1 劃分為訓(xùn)練集和測(cè)試集。 訓(xùn)練前將所有數(shù)據(jù)集尺寸統(tǒng)一調(diào)整為416×416×3。

        圖7 Mosaic 數(shù)據(jù)增強(qiáng)

        3 實(shí)驗(yàn)分析

        3.1 實(shí)驗(yàn)環(huán)境

        深度學(xué)習(xí)框架為Pytorch-GPU V1.7.0,處理器為Inter Core i7-9700k 3.60 GHz 八核,顯卡為Nvidia GeForce GTX 1660,顯存6 GB,內(nèi)存32 GB,Nvidia 運(yùn)算平臺(tái)為CUDA10.1,GPU 加速庫(kù)為CUDNN7.6.4,圖像處理庫(kù)為Opencv4.4.0,編程語(yǔ)言Python3.7。

        3.2 模型評(píng)價(jià)指標(biāo)

        采用主流評(píng)價(jià)指標(biāo)驗(yàn)證輸電線語(yǔ)義分割性能。

        ①像素準(zhǔn)確率(PA):預(yù)測(cè)正確的輸電線像素點(diǎn)數(shù)與該幅圖像所有像素點(diǎn)數(shù)之比。

        式中:像素分割類別k=1,Pii表示網(wǎng)絡(luò)模型預(yù)測(cè)的像素點(diǎn)類別為輸電線,實(shí)際像素點(diǎn)標(biāo)簽值類別也為輸電線,Pij表示網(wǎng)絡(luò)模型預(yù)測(cè)的像素點(diǎn)類別為輸電線,實(shí)際像素點(diǎn)標(biāo)簽值類別為背景。

        ②類別平均像素準(zhǔn)確率(MPA):所有目標(biāo)類別PA 的均值。

        ③平均交并比(MIOU):每個(gè)分類預(yù)測(cè)結(jié)果和標(biāo)簽值交集與并集的比值,求和后再求均值,為語(yǔ)義分割的標(biāo)準(zhǔn)度量,反映輸電線語(yǔ)義分割的準(zhǔn)確度。

        式中:pji表示網(wǎng)絡(luò)模型預(yù)測(cè)的像素點(diǎn)類別為背景,實(shí)際像素點(diǎn)標(biāo)簽值類別為輸電線。

        3.3 訓(xùn)練過(guò)程

        對(duì)編解碼網(wǎng)絡(luò)使用GPU 訓(xùn)練,采用Adam 優(yōu)化器,批大小(Batch_size)為8,初始學(xué)習(xí)率為0.000 1,訓(xùn)練世代為500 代,每隔一代調(diào)整學(xué)習(xí)率衰減速度,學(xué)習(xí)率衰減系數(shù)為0.000 5。

        損失函數(shù)由兩部分構(gòu)成,分別為交叉熵?fù)p失L和Dice_Loss。 交叉熵?fù)p失反映真實(shí)概率與預(yù)測(cè)概率的差異,其值越小,網(wǎng)絡(luò)模型預(yù)測(cè)效果越好。

        式中:X為網(wǎng)絡(luò)預(yù)測(cè)結(jié)果,Y為標(biāo)簽值結(jié)果。

        Dice 系數(shù)為集合相似度的度量函數(shù),其值越大表示預(yù)測(cè)結(jié)果與真實(shí)結(jié)果重合度越大,取值范圍為[0,1]。

        采用遷移學(xué)習(xí)策略[23],利用開源VOC 數(shù)據(jù)集在編解碼網(wǎng)絡(luò)上通過(guò)預(yù)訓(xùn)練得到預(yù)訓(xùn)練權(quán)值參數(shù),并將其遷移至編解碼網(wǎng)絡(luò)模型訓(xùn)練輸電線數(shù)據(jù)集,共訓(xùn)練500 個(gè)世代,編解碼網(wǎng)絡(luò)損失值變化如圖8所示。 可見,隨著訓(xùn)練代數(shù)增加,網(wǎng)絡(luò)訓(xùn)練趨于穩(wěn)定,損失值收斂于0.1 附近。

        圖8 損失值-訓(xùn)練世代曲線

        3.4 實(shí)驗(yàn)結(jié)果對(duì)比

        為了檢驗(yàn)所構(gòu)建的新型編解碼網(wǎng)絡(luò)有效性,對(duì)比新型編解碼網(wǎng)絡(luò)與主流語(yǔ)義分割模型UNet[12]網(wǎng)絡(luò)、PSPNet[24]網(wǎng)絡(luò)以及文獻(xiàn)[16]和文獻(xiàn)[18]所述網(wǎng)絡(luò)的輸電線識(shí)別效果,五個(gè)網(wǎng)絡(luò)實(shí)驗(yàn)環(huán)境和數(shù)據(jù)集相同,實(shí)驗(yàn)結(jié)果如圖9 所示。 可以看出,PSPNet網(wǎng)絡(luò)輸電線識(shí)別效果較差,將輸電線附近的背景像素誤判為輸電線,并出現(xiàn)輸電線斷線情況。 UNet 網(wǎng)絡(luò)模型對(duì)于簡(jiǎn)單背景,可以識(shí)別出輸電線的方向和具體位置,識(shí)別效果較好,但在樹葉繁茂背景下容易出現(xiàn)輸電線丟失和斷裂,并且將樹干誤判為輸電線。文獻(xiàn)[16]改進(jìn)的UNet 網(wǎng)絡(luò)輸電線識(shí)別效果較好,但復(fù)雜背景圖像邊緣處未識(shí)別出輸電線。 文獻(xiàn)[18]所用網(wǎng)絡(luò)利用非極大值抑制細(xì)化輸電線邊緣容易導(dǎo)致輸電線斷裂或缺失。 新型編解碼網(wǎng)絡(luò)在背景復(fù)雜,輸電線方向不同時(shí),均能準(zhǔn)確識(shí)別出完整、干凈的輸電線。

        圖9 五種網(wǎng)絡(luò)輸電線識(shí)別結(jié)果

        表1 對(duì)比了五種網(wǎng)絡(luò)的實(shí)驗(yàn)結(jié)果。 可以看出,新型編解碼網(wǎng)絡(luò)的各項(xiàng)評(píng)價(jià)指標(biāo)均優(yōu)于UNet 網(wǎng)絡(luò)、PSPNet 網(wǎng)絡(luò)、文獻(xiàn)[16]和文獻(xiàn)[18]所述網(wǎng)絡(luò)。 文獻(xiàn)[16]改進(jìn)的UNet 網(wǎng)絡(luò)相對(duì)于改進(jìn)前的UNet 網(wǎng)絡(luò)分割精度有所提高,但模型深度增加導(dǎo)致運(yùn)算量增大,識(shí)別速度降低。 文獻(xiàn)[18]采用VGG16 作為主干特征提取網(wǎng)絡(luò),模型參數(shù)量大,特征提取能力弱于MobileNetV3,分割精度不高,識(shí)別速度低于其他網(wǎng)絡(luò)。 新型編解碼網(wǎng)絡(luò)的分割準(zhǔn)確率MPA 和MIOU 分別達(dá)到了94.37%和86.95%,分割速度達(dá)到了31 frame/s,均高于其他四種網(wǎng)絡(luò),表明新型編解碼網(wǎng)絡(luò)輸電線分割精度高、識(shí)別速度快。

        表1 五種網(wǎng)絡(luò)實(shí)驗(yàn)結(jié)果對(duì)比

        為進(jìn)一步驗(yàn)證新型編解碼網(wǎng)絡(luò)的有效性,進(jìn)行消融對(duì)比實(shí)驗(yàn),如表2 所示。 方法1:編碼器中Bneck 模塊采用Relu6 激活函數(shù),未引入注意力機(jī)制,采用普通卷積代替深度可分離卷積;方法2:編碼器第13 特征層未引出快捷鏈路進(jìn)行最大池化層與第16 特征層堆疊,直接進(jìn)行正向傳播;方法3:解碼器只進(jìn)行卷積和上采樣操作,未引入PSP 模塊;方法4:去除編解碼網(wǎng)絡(luò)之間的跳躍連接結(jié)構(gòu);方法5:減少編碼器主干特征提取網(wǎng)絡(luò)深度,去除第11 特征層后的Bneck 模塊,對(duì)淺層特征進(jìn)行解碼器操作還原至原圖大?。环椒?:新型編解碼網(wǎng)絡(luò)。

        表2 消融對(duì)比實(shí)驗(yàn)結(jié)果

        可以看出,方法1 的FPS 明顯低于其他方法,表明引入H-swish 激活函數(shù)和深度可分離卷積有利于網(wǎng)絡(luò)輕量化和提高識(shí)別速度,由于未引入注意力機(jī)制獲取輸電線特征層各通道信息,方法1 識(shí)別精度低。 方法2 識(shí)別精度較高但低于方法6,表明在第13 特征層引出的快捷鏈路能夠利用淺層特征信息,使深層特征更加豐富,有助于提高識(shí)別精度。 方法3 識(shí)別結(jié)果表明,解碼器中PSP 模塊有效聚合了全局語(yǔ)義信息,有助于提高分割精度。 方法4 識(shí)別精度較低,表明編解碼器中添加跳躍連接有效融合了淺層和深層多尺度特征信息,大幅提高了輸電線像素分類準(zhǔn)確度。 方法5 識(shí)別精度最低,但FPS 最高,表明隨著編解碼網(wǎng)絡(luò)深度增加,編碼器特征提取效果得到增強(qiáng),輸電線語(yǔ)義信息分類和定位更準(zhǔn)確,但模型參數(shù)增加降低了識(shí)別速度。

        4 結(jié)論

        針對(duì)輸電線在航拍圖像中像素點(diǎn)數(shù)占比小、背景復(fù)雜、檢測(cè)難度大,現(xiàn)有方法檢測(cè)速度慢、精度低等問題,設(shè)計(jì)了基于新型編解碼網(wǎng)絡(luò)的輸電線識(shí)別方法。 編碼器采用MobileNetV3 輕量級(jí)模型作為主干特征提取網(wǎng)絡(luò),并在MobileNetV3 的淺層引出快捷鏈路與深層堆疊,解碼器中添加PSP 模塊和深度可分離卷積,在編解碼器之間加入多尺度特征融合的跳躍連接結(jié)構(gòu)。 實(shí)驗(yàn)結(jié)果表明,新型編解碼網(wǎng)絡(luò)MPA、MIOU 和FPS 分別達(dá)到了94.37%、86.95%和31 frame/s,分割精度和識(shí)別速度均優(yōu)于UNet 網(wǎng)絡(luò)和PSPNet 網(wǎng)格。 消融對(duì)比實(shí)驗(yàn)表明,采用深度可分離卷積能夠減少網(wǎng)絡(luò)參數(shù),降低運(yùn)算成本并提高計(jì)算效率,有助于提高網(wǎng)絡(luò)輕量化和運(yùn)算速度。 引入H-swish 和Hard-sigmoid 激活函數(shù)增加了非線性因素,提高了網(wǎng)絡(luò)模型的表達(dá)能力。 添加注意力機(jī)制、引出的快捷鏈路、PSP 模塊、跳躍連接結(jié)構(gòu)和網(wǎng)絡(luò)深度的增加對(duì)提高分割精度具有顯著作用。

        新型編解碼網(wǎng)絡(luò)能快速準(zhǔn)確地識(shí)別出復(fù)雜背景下的輸電線,為無(wú)人機(jī)跟蹤輸電線巡檢提供了新的方法。 后續(xù)工作將進(jìn)一步采集和擴(kuò)充輸電線樣本,優(yōu)化網(wǎng)絡(luò)實(shí)現(xiàn)復(fù)雜背景中多根、交叉或方向改變的輸電線識(shí)別,推動(dòng)語(yǔ)義分割用于輸電線識(shí)別技術(shù)的發(fā)展。

        猜你喜歡
        編解碼輸電線編碼器
        1553B總線控制器編解碼設(shè)計(jì)
        大型民機(jī)試飛遙測(cè)視頻編解碼方法研究
        基于H.265編解碼的高清視頻傳輸系統(tǒng)研究
        基于FPGA的同步機(jī)軸角編碼器
        基于PRBS檢測(cè)的8B/IOB編碼器設(shè)計(jì)
        高壓架空輸電線磁場(chǎng)環(huán)境分析
        JESD204B接口協(xié)議中的8B10B編碼器設(shè)計(jì)
        電子器件(2015年5期)2015-12-29 08:42:24
        基于時(shí)域波形特征的輸電線雷擊識(shí)別
        降低輸電線雷電侵入波的仿真分析
        多總線式光電編碼器的設(shè)計(jì)與應(yīng)用
        欧美激情国产亚州一区二区| 在线欧美中文字幕农村电影| 亚洲 欧美 激情 小说 另类| 国产成人一区二区三区视频免费蜜| 一级a免费高清免在线| 国产毛片av最新视频| 中文字幕+乱码+中文字幕一区| 欧洲午夜视频| 亚洲一区日本一区二区| 日韩精品极品免费视频观看| 东北老女人高潮大喊舒服死了| 久久精品久久精品中文字幕| 中文字幕色视频在线播放| 亚洲中文字幕精品久久吃奶| 亚洲国产一区二区三区在线观看| 法国啄木乌av片在线播放| 99在线无码精品秘 入口九色 | 免费高清日本中文| 亚洲中文高清乱码av中文| 最新国产精品拍自在线观看| 男女啪啪永久免费观看网站| 91精品久久久久含羞草| 亚洲粉嫩视频在线观看| 无码h黄肉3d动漫在线观看| 欧美日韩亚洲国内综合网| 久久99久久99精品免视看国产成人 | 久久国产亚洲高清观看5388| 日韩日本国产一区二区| 九九在线中文字幕无码| 一本大道色婷婷在线| 2020最新国产激情| 美女扒开腿露内裤免费看| 三叶草欧洲码在线| 中文字幕AⅤ人妻一区二区| 久久精品日韩免费视频| 亚洲第一狼人天堂网亚洲av| 3d动漫精品啪啪一区二区下载| 中日韩字幕中文字幕一区| 五月天中文字幕日韩在线| 粉嫩虎白女毛片人体| 久久精品亚洲精品毛片|