左安全，秦倫明*，王 悉，邊后琴，陳思林

(1.上海電力大學(xué) 電子與信息工程學(xué)院，上海 201306； 2.北京交通大學(xué) 電子信息工程學(xué)院，北京 100044)

0 引言

輸電線路巡檢是電網(wǎng)日常維護(hù)的重要組成部分，對保障電力系統(tǒng)穩(wěn)定運(yùn)行具有重要作用。由于輸電線路架設(shè)環(huán)境復(fù)雜多變，人工巡檢效率低且具有危險性，已不能滿足巡檢需求[1]。近年來，隨著無人機(jī)和高分辨率相機(jī)技術(shù)的飛速發(fā)展，基于無人機(jī)的智能電力巡檢得到廣泛應(yīng)用。但無人機(jī)在巡檢過程中易與電力線發(fā)生碰撞、纏繞等事故，給輸電線路的穩(wěn)定運(yùn)行帶來極大的安全隱患。電力線分割是實(shí)現(xiàn)無人機(jī)自動避障、保障無人機(jī)低空飛行安全的關(guān)鍵技術(shù)，因此開發(fā)一種精度高、實(shí)時性好的電力線分割算法具有十分重要的意義。

現(xiàn)有電力線分割方法可分為傳統(tǒng)圖像處理方法和基于深度學(xué)習(xí)的語義分割方法[2]。傳統(tǒng)方法又可分為基于邊緣檢測算子的提取算法和基于聯(lián)合特征的提取算法2類。前者通常用引入先驗(yàn)知識的邊緣檢測算子和線檢測器結(jié)合來提取電力線；后者用線檢測器結(jié)合全局輔助物或上下文信息對電力線進(jìn)行提取[3]。文獻(xiàn)[4]通過設(shè)定不同方向Ratio算子并結(jié)合Hough變換來提取電力線。該算法計(jì)算量小，但在背景復(fù)雜時先驗(yàn)知識難以匹配。文獻(xiàn)[5]通過結(jié)合輔助物特征獲得了較高的提取精度，但存在對輔助物過于依賴的局限性。傳統(tǒng)方法對電力線的提取精度受先驗(yàn)知識和輔助物的影響較大，在復(fù)雜背景下容易出現(xiàn)錯檢和漏檢，因此只適用于一些特定的場景。

現(xiàn)有基于深度學(xué)習(xí)的語義分割模型主要包括FCN[6]、DeepLab系列、U-Net[7]、SegNet[8]和PSPNet[9]等算法。在電力線提取方面，文獻(xiàn)[10]設(shè)計(jì)了多個電力線提取的網(wǎng)絡(luò)結(jié)構(gòu)，通過網(wǎng)格搜索得到最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)，獲得了較高的分割精度，但該算法沒有進(jìn)行下采樣操作，預(yù)測速度較低。文獻(xiàn)[11]以VGG16作為主干網(wǎng)絡(luò)通過自行設(shè)計(jì)解碼器對電力線實(shí)現(xiàn)了較為準(zhǔn)確和快速的分割，但該算法使用的數(shù)據(jù)集數(shù)量較少，難以適用于不同場景。文獻(xiàn)[12]在編碼器部分使用DeepLabv3的結(jié)構(gòu)并在解碼器引入多層淺層特征，在分割精度和預(yù)測速度上均優(yōu)于傳統(tǒng)方法，但仍存在上升空間。文獻(xiàn)[13]對DeepLabv3+模型進(jìn)行改進(jìn)，通過引入更為復(fù)雜的解碼器結(jié)構(gòu)，在已有基于深度學(xué)習(xí)的電力線分割算法中取得了最優(yōu)的分割精度，但該算法預(yù)測速度較慢，無法滿足實(shí)時性的需求，在復(fù)雜場景下依然存在一定程度的錯分割、漏分割問題。

為解決DeepLabv3+模型對電力線分割存在的上述問題，本文對DeepLabv3+模型進(jìn)行改進(jìn)，提出了PBB-DeepLabv3+(Paddle LCNet, Bottleneck Cascade Atrous Spatial Pyramid Pooling, and Bottleneck Attention Module Based DeepLabv3+)算法，具體如下：

① 針對DeepLabv3+模型預(yù)測速度慢的問題，在編碼器部分用輕量級PP-LCNet替換原始主干網(wǎng)絡(luò)Xception，從而提升預(yù)測速度并降低參數(shù)量，進(jìn)一步提高電力線分割的實(shí)時性。

② 為加強(qiáng)對細(xì)長電力線的特征提取，對空洞空間金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)模塊進(jìn)行改進(jìn)，增加空洞卷積分支和級聯(lián)卷積，獲取具有更大感受野的多尺度特征，從而減少漏分割現(xiàn)象。此外，將空洞卷積分支進(jìn)一步采用先降維再升維的瓶頸結(jié)構(gòu)來減小計(jì)算量。

③ 為進(jìn)一步提升分割精度，在解碼器部分引入3層淺層特征，更充分地利用主干網(wǎng)絡(luò)提取到的不同層次特征以恢復(fù)降采樣過程中丟失的細(xì)節(jié)特征和空間信息。

④ 針對電力線分割易受背景物干擾的問題，在編碼器和解碼器分別引入瓶頸注意力模塊(Bottleneck Attention Module, BAM)加強(qiáng)對電力線特征的提取，減少對背景物的錯誤分割。

1 DeepLabv3+模型

DeepLabv3+模型[14]的結(jié)構(gòu)如圖1所示，在編碼器部分，首先利用深度卷積神經(jīng)網(wǎng)絡(luò)(Deep Convolutional Neural Network, DCNN)對原始圖像進(jìn)行特征提取。接著將這些特征輸入空洞率[15]組合為6，12，18的ASPP模塊，進(jìn)一步提取多尺度特征。最后，將不同尺度特征進(jìn)行融合并通過1×1卷積將通道數(shù)調(diào)整為256。

圖1 DeepLabv3+模型結(jié)構(gòu)Fig.1 Structure of DeepLabv3+ model

在解碼器部分[16]，先將編碼器輸出特征進(jìn)行4倍上采樣，然后與DCNN模塊中提取的淺層特征進(jìn)行融合，最后將融合后的特征通過3×3卷積和4倍上采樣得到預(yù)測圖像，其大小與原始圖像相同。

DeepLabv3+模型通過編碼器結(jié)構(gòu)、解碼器結(jié)構(gòu)和ASPP模塊能夠獲取豐富的邊界信息和多尺度特征[17]，實(shí)現(xiàn)較高的分割精度。但DeepLabv3+模型的參數(shù)量大、預(yù)測速度較慢，且在電力線分割中易產(chǎn)生漏分割和錯分割問題。針對這些問題，本文對DeepLabv3+模型進(jìn)行改進(jìn)，使其更適用于電力線分割。

2 改進(jìn)的DeepLabv3+模型

為解決DeepLabv3+模型參數(shù)量大、預(yù)測速度慢，且對電力線易產(chǎn)生漏分割和錯分割的問題，本文通過對DeepLabv3+模型主干網(wǎng)絡(luò)進(jìn)行替換、對ASPP模塊進(jìn)行改進(jìn)、在解碼器引入3層淺層特征及添加BAM，使預(yù)測速度和分割精度得到有效提升。

2.1 PP-LCNet網(wǎng)絡(luò)模型

DeepLabv3+模型以Xception作為主干網(wǎng)絡(luò)，Xception模型較復(fù)雜、參數(shù)量大，無法滿足電力線分割對實(shí)時性的需求。因此本文使用預(yù)測速度更快的輕量級網(wǎng)絡(luò)——PP-LCNet[18]對其進(jìn)行替換，有效減少參數(shù)量并提升預(yù)測速度。

PP-LCNet是百度提出的輕量級網(wǎng)絡(luò)，在目標(biāo)檢測、語義分割等任務(wù)中都取得很好的效果，其結(jié)構(gòu)如圖2所示。PP-LCNet的核心部分是利用深度可分離卷積代替標(biāo)準(zhǔn)卷積，沒有短路連接等操作，有效減小參數(shù)量并加快運(yùn)行速度。在PP-LCNet中將深度可分離卷積塊中的激活函數(shù)ReLU替換為H-Swish，使性能得到進(jìn)一步提升。

圖2 PP-LCNet結(jié)構(gòu)Fig.2 PP-LCNet structure

在平衡速度和精度的條件下，PP-LCNet在網(wǎng)絡(luò)尾部用5×5卷積代替3×3卷積，有效提升了網(wǎng)絡(luò)的特征提取能力。在最后2個深度可分離卷積塊中添加了壓縮和激勵網(wǎng)絡(luò)(Squeeze and Excitation Network, SENet)模塊對網(wǎng)絡(luò)通道進(jìn)行加權(quán)，加強(qiáng)對重要信息的特征提取，在不影響速度的情況下提升網(wǎng)絡(luò)的性能。

2.2 瓶頸級聯(lián)空洞空間金字塔池化

DeepLabv3+模型利用空洞率組合為6，12，18的ASPP模塊來提取多尺度特征?？斩绰试酱罂色@得更大的感受野，但也會帶來細(xì)節(jié)特征提取不足、小目標(biāo)提取效果差等問題。因此本文對ASPP模塊進(jìn)行改進(jìn)，提出瓶頸級聯(lián)空洞空間金字塔池化(Bottleneck Cascade Atrous Spatial Pyramid Pooling, BC-ASPP)模塊，通過增加空洞卷積分支和級聯(lián)空洞卷積加強(qiáng)對電力線細(xì)節(jié)特征的提取，減少漏分割現(xiàn)象。

BC-ASPP模塊結(jié)構(gòu)如圖3所示。增加一個空洞卷積分支，并將空洞率組合修改為3，6，9，12，更有助于小目標(biāo)和細(xì)節(jié)特征的提取。對中間4個卷積分支進(jìn)行2次3×3卷積級聯(lián)運(yùn)算[19]，提取具有更大感受野的多尺度特征，有效減少了漏分割問題。當(dāng)空洞卷積的空洞率為r，卷積核大小為k時，感受野大小為：

圖3 BC-ASPP模塊結(jié)構(gòu)Fig.3 BC-ASPP module structure

R=(r-1)×(k-1)+k，

(1)

而2層空洞卷積級聯(lián)時感受野大小為：

R=R1+R2-1，

(2)

式中，R1，R2為2層空洞卷積分別提供的感受野，可見2層空洞卷積級聯(lián)時感受野增加近1倍。對BC-ASPP模塊參數(shù)進(jìn)行精簡，將中間4個卷積分支先使用1×1卷積降維至64通道，然后進(jìn)行2次3×3卷積處理，再利用1×1卷積升維到256通道，這種瓶頸結(jié)構(gòu)有效減小了參數(shù)量。

2.3 多尺度特征融合

DeepLabv3+模型將主干網(wǎng)絡(luò)產(chǎn)生的降采樣系數(shù)為1/4大小的特征圖與編碼器輸出特征圖進(jìn)行融合，這種單一尺度的特征融合方式容易造成細(xì)節(jié)缺失。為了更充分利用主干網(wǎng)絡(luò)提取到的不同層次特征，恢復(fù)降采樣過程中丟失的細(xì)節(jié)特征和空間信息。本文在解碼器部分引入PP-LCNet中降采樣系數(shù)為1/4，1/8以及1/16大小的部分淺層特征圖[20]。這3層淺層特征圖利用1×1卷積將通道數(shù)分別調(diào)整為48，32，16，防止過量的淺層語義信息影響編碼器輸出深層語義信息的表達(dá)。這樣的多尺度融合過程僅增加了2次1×1卷積操作，比原DeepLabv3+網(wǎng)絡(luò)的特征融合方式增加很少的參數(shù)量，但分割精度得到有效提升。

2.4 瓶頸注意力模塊

注意力機(jī)制能夠模擬人類視覺機(jī)制，對重要的特征信息給予更多的關(guān)注度，有利于捕捉上下文信息，提高特征學(xué)習(xí)的針對性。BAM[21]是一種混合的注意力機(jī)制網(wǎng)絡(luò)，由并行的通道注意力網(wǎng)絡(luò)和空間注意力網(wǎng)絡(luò)構(gòu)成，其結(jié)構(gòu)示意如圖4所示。輸入特征圖F分別經(jīng)2個并行的網(wǎng)絡(luò)處理后得到特征圖M(F)。然后將M(F)與F通過逐點(diǎn)相乘以突出重要特征，將得到的特征圖與F相加后輸出注意力特征圖F′。特征圖M(F)和F′的表達(dá)式為：

圖4 BAM結(jié)構(gòu)Fig.4 BAM structure

M(F)=σ(Mc(F)+Ms(F)) ，

(3)

F′=F+F?M(F) ，

(4)

式中，σ為Sigmoid函數(shù)；?為逐點(diǎn)相乘；Mc(F)和Ms(F)分別表示通道注意力網(wǎng)絡(luò)和空間注意力網(wǎng)絡(luò)輸出特征圖。

在通道注意力網(wǎng)絡(luò)中，首先用全局平均池化對每個通道中的特征進(jìn)行聚合[22]，生成通道向量Fc。然后利用多層感知器評估來自Fc的注意力網(wǎng)絡(luò)，經(jīng)全連接層獲得通道注意力特征圖。在空間注意力[23]網(wǎng)絡(luò)中，首先用1×1卷積壓縮特征圖維度，然后利用2個空洞率為4的3×3卷積獲取上下文信息，最后用1×1卷積進(jìn)一步壓縮維度后輸出空間注意力網(wǎng)絡(luò)特征圖。

本文在編碼器和解碼器分別引入BAM，能夠獲取更多感興趣的通道和空間特征信息，有效減少背景及其他因素干擾，更有助于電力線特征提取。

2.5 PBB-DeepLabv3+模型

本文提出的PBB-DeepLabv3+模型總體結(jié)構(gòu)如圖5所示。

圖5 PBB-DeepLabv3+模型結(jié)構(gòu)Fig.5 Structure of the PBB-DeepLabv3+ model

在編碼器部分，首先用PP-LCNet替換原始主干網(wǎng)絡(luò)Xception，減少模型參數(shù)量并加快預(yù)測速度，進(jìn)一步提高電力線分割的實(shí)時性。然后對ASPP模塊增加一個空洞卷積分支，將空洞率組合由原來的6，12，18改為3，6，9，12，更有效地對細(xì)長的電力線進(jìn)行特征提取。對中間4個卷積分支增加1次3×3卷積，獲取具有更大感受野的密集多尺度特征，減少對電力線的漏分割。并進(jìn)一步將空洞卷積分支采用先降維后升維的瓶頸結(jié)構(gòu)來減小計(jì)算量。

在解碼器部分引入降采樣系數(shù)為1/4，1/8及1/16大小的部分淺層特征，更充分利用主干網(wǎng)絡(luò)提取到的不同層次特征以恢復(fù)降采樣過程中丟失的細(xì)節(jié)特征和空間信息，提高了電力線邊界的分割精度。最后在編碼器和解碼器分別引入BAM，對電力線特征給予更高的關(guān)注度，減少對背景物的錯誤分割。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 參數(shù)設(shè)置和評價標(biāo)準(zhǔn)

本文使用的實(shí)驗(yàn)環(huán)境和訓(xùn)練參數(shù)設(shè)置如表1所示。

表1 實(shí)驗(yàn)環(huán)境和訓(xùn)練參數(shù)Tab.1 Experimental environment and training parameters

本文以平均像素精度(Mean Pixel Accuracy, MPA)和平均交并比(Mean Intersection over Union, MIoU)作為分割精度的評價標(biāo)準(zhǔn)。MPA表示每種類別被正確分類的像素比例求平均值，表達(dá)式如下：

(5)

MIoU表示真實(shí)值和預(yù)測值的交集與并集之比，表達(dá)式如下：

(6)

式中，k+1為類別數(shù)；pii為正確分類的像素數(shù)；pij為i類被預(yù)測為j類的像素數(shù)；pji為j類被預(yù)測為i類的像素數(shù)。

3.2 數(shù)據(jù)集和數(shù)據(jù)增強(qiáng)

本文所使用的數(shù)據(jù)集從公開的電力線數(shù)據(jù)集TTPLA和WireDataset獲取。TTPLA數(shù)據(jù)集由1 100張圖像構(gòu)成，包含8 987個輸電塔和電力線標(biāo)簽，從無人機(jī)在不同背景下拍攝的80個視頻中提取。WireDataset數(shù)據(jù)集由500張包含電力線的圖像構(gòu)成，圖像由無人機(jī)在不同背景下距電力線10 m內(nèi)航拍得到。本文從TTPLA數(shù)據(jù)集和WireDataset數(shù)據(jù)集分別選取415張和437張包含電力線的圖像，并將這852張圖片經(jīng)過旋轉(zhuǎn)、左右翻轉(zhuǎn)、放大、縮小、裁剪以及改變亮度的方式擴(kuò)充至5 000張圖片作為本文的數(shù)據(jù)集，圖6(a)～(d)分別展示了數(shù)據(jù)集中背景為樹林、路面、草地以及復(fù)雜背景下的電力線圖片。將數(shù)據(jù)集的10%作為測試集，其余按照9∶1的比例劃分為訓(xùn)練集和驗(yàn)證集。

圖6 不同背景的數(shù)據(jù)集樣本Fig.6 Dataset samples with different backgrounds

3.3 損失函數(shù)的選取

由于電力線像素點(diǎn)在圖像中占有的比例較低，當(dāng)用交叉熵?fù)p失函數(shù)(Cross Entropy Loss, CE Loss)進(jìn)行訓(xùn)練時，損失函數(shù)會偏向占比高的背景，將電力線的損失掩蓋，使網(wǎng)絡(luò)難以學(xué)習(xí)到電力線的特征。Dice Loss損失函數(shù)衡量不同類別樣本之間的重合部分，更傾向于挖掘前景區(qū)域，適用于樣本不平衡的數(shù)據(jù)集，但其在誤差反向傳播過程中振蕩幅度較大，訓(xùn)練損失值不穩(wěn)定。因此本文將CE Loss和Dice Loss兩種損失函數(shù)結(jié)合作為損失函數(shù)，其表達(dá)式如下：

Loss=LossCE+λLossDice=

(7)

式中，N和T分別表示像素個數(shù)和類別數(shù)量；yic表示像素i的指示變量；pic表示像素i預(yù)測為類別T的概率；X和Y分別表示真實(shí)分割像素與預(yù)測分割像素的集合；λ表示權(quán)重系數(shù)，設(shè)置為0.8。

將PBB-DeepLabv3+模型分別使用CE Loss+Dice Loss混合損失函數(shù)和CE Loss損失函數(shù)進(jìn)行訓(xùn)練，對PBB-DeepLabv3+模型分割精度影響的對比如表2所示?？梢钥闯?，使用CE Loss+Dice Loss混合損失函數(shù)時分割精度高于CE Loss損失函數(shù)，說明CE Loss+Dice Loss混合損失函數(shù)對處理樣本不平衡問題有明顯效果。

表2 本文損失函數(shù)與CE Loss損失函數(shù)對PBB-DeepLabv3+ 模型分割精度影響的對比Tab.2 Comparison of the impact of the proposed loss func- tion and the CE Loss loss function on the segmentation accuracy of the PBB-DeepLabv3+ model 單位：%

3.4 不同改進(jìn)策略對于模型的影響

為驗(yàn)證本文改進(jìn)策略在電力線分割中的優(yōu)化作用，本文設(shè)置了一組消融實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表3所示。本文在DeepLabv3+模型的基礎(chǔ)上依次進(jìn)行主干網(wǎng)絡(luò)替換、解碼器引入3層淺層特征、對ASPP模塊進(jìn)行改進(jìn)及添加BAM，將這4種模型與DeepLabv3+模型進(jìn)行對比實(shí)驗(yàn)，分別比較了分割精度、預(yù)測速度以及參數(shù)量。

表3 PBB-DeepLabv3+模型消融實(shí)驗(yàn)結(jié)果Tab.3 PBB-DeepLabv3+ model ablation experiment results

由表3可知，為滿足電力線分割實(shí)時性的需求，用PP-LCNet替換主干網(wǎng)絡(luò)Xception以后，參數(shù)量較原來減少89%，預(yù)測速度增加1倍，達(dá)到76.67幀/秒。但輕量化的PP-LCNet特征提取能力相對于深度值更高的Xception要低一些，這也使得模型分割精度較原來有所下降。為彌補(bǔ)更換主干網(wǎng)絡(luò)后對分割精度造成的損失，在解碼器部分引入3層淺層特征，更充分利用主干網(wǎng)絡(luò)提取到的不同層次特征以恢復(fù)降采樣過程中丟失的細(xì)節(jié)特征和空間信息，使得MPA和MIoU分別提高2.48%和1.56%。

將ASPP模塊替換為BC-ASPP模塊后，通過增加空洞卷積分支和級聯(lián)卷積，以及對空洞率組合進(jìn)行修改，加強(qiáng)了對電力線細(xì)節(jié)特征的提取，有效減少了漏分割現(xiàn)象，MPA和MIoU分別提升1.28%和1.46%。進(jìn)一步將BC-ASPP模塊中的空洞卷積分支改為瓶頸結(jié)構(gòu)以后，模型變得更加輕量化，參數(shù)量減小到13.32 MB。通過添加BAM更多的關(guān)注電力線特征，減少了背景的干擾，使分割精度得到進(jìn)一步提升，MPA和MIoU分別達(dá)到91.90%和82.07%。

3.5 與其他模型的分割效果對比

為進(jìn)一步驗(yàn)證本文改進(jìn)算法對電力線分割的有效性，圖7展示了PBB-DeepLabv3+模型與PSPNet，U-Net，SegNet，DeepLabv3+，以MobileNetV3為主干網(wǎng)絡(luò)的DeepLabv3+這5種分割模型在4張電力線圖像上的預(yù)測結(jié)果。圖7(a)和(b)分別為4張電力線圖像的原始圖像和標(biāo)記圖像。由圖7(c)～(e)可知，PSPNet模型對電力線出現(xiàn)大量斷續(xù)分割，且對電力線邊界分割過于粗糙。U-Net模型在與電力線特征較接近的窗戶邊緣出現(xiàn)了錯分割，在電力線和石塊重合位置和較細(xì)的電力線處有漏分割現(xiàn)象。SegNet模型也對背景物產(chǎn)生了錯分割，對電力線邊界分割精度有所欠缺。以上3種模型對電力線均存在明顯的錯分割、漏分割問題，無法滿足分割精度的要求。

圖7 PBB-DeepLabv3+與其他5種模型預(yù)測效果對比Fig.7 Comparison of prediction effects between PBB-DeepLabv3+ and other five models

由圖7(f)～(g)可知，DeepLabv3+模型對第1，2張圖出現(xiàn)了一些誤分割的噪點(diǎn)和斷續(xù)分割，對第3，4張圖出現(xiàn)了較明顯的錯分割，說明DeepLabv3+模型對于細(xì)節(jié)的分割能力不足且易受到背景物的干擾。當(dāng)用MobileNetV3作為DeepLabv3+模型主干網(wǎng)絡(luò)時，出現(xiàn)分割不連續(xù)的現(xiàn)象和明顯的錯分割，可見用MobileNetV3作為主干網(wǎng)絡(luò)的DeepLabv3+模型特征提取能力不足，分割精度有待提高。由圖7(h)可知，本文提出的PBB-DeepLabv3+模型能夠?qū)㈦娏€完整地分割出來，基本沒有出現(xiàn)錯分割、漏分割問題，具有較高的分割精度。

通過橫向?qū)Ρ鹊?，2行圖片可知，對ASPP模塊進(jìn)行改進(jìn)和在解碼器引入3層淺層特征使得漏分割問題得到明顯改善，電力線邊界分割精度也得到提升。通過橫向?qū)Ρ鹊?，4行圖片可知，改進(jìn)算法的錯分割問題明顯減少，主要原因在于引入的BAM能有效減少背景和其他因素的干擾。綜合來看，PBB-DeepLabv3+模型能夠明顯減少錯分割、漏分割現(xiàn)象，取得了最好的分割效果。

PBB-DeepLabv3+模型與PSPNet，U-Net，SegNet，DeepLabv3+，以MobileNetV3為主干網(wǎng)絡(luò)的DeepLabv3+這5種分割模型在分割精度、預(yù)測速度以及參數(shù)量上進(jìn)行對比，如表4所示。

由表4可知，DeepLabv3+模型對電力線分割的精度優(yōu)于前3組對比模型，但模型參數(shù)量很大，預(yù)測速度有待提升。將DeepLabv3+模型的主干網(wǎng)絡(luò)用MobileNetV3代替后，有效減小參數(shù)量并提升預(yù)測速度，但MPA和MIoU下降明顯，無法滿足分割精度的要求。本文提出的PBB-DeepLabv3+模型在評價指標(biāo)MPA和MIoU均優(yōu)于其他對比模型，相對于DeepLabv3+模型分別提升1.18%和3.50%，預(yù)測速度也有了54.39%的提升，模型的參數(shù)量遠(yuǎn)小于其他模型，僅為13.32 MB，證明本文提出算法在分割精度和預(yù)測速度均具有很好的效果，可以有效適用于電力線分割。

表4 PBB-DeepLabv3+與其他5種模型實(shí)驗(yàn)結(jié)果對比Tab.4 Comparison of experimental results between PBB-DeepLabv3+ and other five models

4 結(jié)束語

本文提出一種基于改進(jìn)DeepLabv3+算法的電力線分割模型——PBB-DeepLabv3+。結(jié)合電力線特點(diǎn)和實(shí)際應(yīng)用中對分割速度和精度的需求，首先用輕量級PP-LCNet替換原始主干網(wǎng)絡(luò)Xception，有效減少參數(shù)量并提高預(yù)測速度。然后對ASPP模塊增加空洞卷積分支和級聯(lián)卷積減少漏分割現(xiàn)象，并將空洞卷積分支改為瓶頸結(jié)構(gòu)減少參數(shù)量。在解碼器部分融合3層淺層特征提高電力線邊界分割精度。最后引入BAM減少對背景物的錯誤分割。通過進(jìn)行消融實(shí)驗(yàn)驗(yàn)證了本文改進(jìn)策略的有效性，將PBB-DeepLabv3+模型與其他5種分割模型進(jìn)行對比實(shí)驗(yàn)，PBB-DeepLabv3+模型在預(yù)測速度和分割精度的平衡性上表現(xiàn)更優(yōu)。實(shí)驗(yàn)結(jié)果表明，與DeepLabv3+模型相比，本文算法預(yù)測速度提升54.39%，MPA和MIoU分別提升1.18%和3.50%，兼顧了分割速度和精度，可以有效應(yīng)用于電力線分割。后續(xù)研究任務(wù)是在嵌入式設(shè)備上進(jìn)行實(shí)驗(yàn)，檢驗(yàn)?zāi)Ｐ偷膶?shí)際應(yīng)用能力。