《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 其他 > 設(shè)計應(yīng)用 > 基于改進DeepLabv3+網(wǎng)絡(luò)的風(fēng)機葉片分割算法研究
基于改進DeepLabv3+網(wǎng)絡(luò)的風(fēng)機葉片分割算法研究
2022年電子技術(shù)應(yīng)用第9期
李 寧,張彥輝,尚英強,周 弋,高金秋
國網(wǎng)北京電力公司電纜分公司,北京100010
摘要: 為了提高風(fēng)機葉片圖像的分割質(zhì)量,提出了一種改進DeepLabv3+網(wǎng)絡(luò)的風(fēng)機葉片分割算法。由于無人機采集風(fēng)機葉片圖像具有背景復(fù)雜和葉片占比差異較大的問題,提出的算法在DeepLabv3+網(wǎng)絡(luò)的基礎(chǔ)上改進了ASPP模塊和Decoder模塊。DASPP通過級聯(lián)多個空洞卷積層,使用密集連接的方式將每個空洞卷積層的輸出傳遞給后續(xù)的空洞卷積層,通過一系列的特征連接編碼不同尺度的中間特征,獲得了更大范圍的感受野。在Decoder階段添加多層特征融合,以恢復(fù)在降采樣過程中丟失的細節(jié)信息和各級特征。通過對風(fēng)機葉片數(shù)據(jù)集進行實驗,MIoU值達到了0.991 3,PA值達到了0.996 8,實驗表明該設(shè)計的算法對風(fēng)機葉片的分割效果優(yōu)于DeepLabv3+網(wǎng)絡(luò),具有更好的細節(jié)信息。
中圖分類號: TP391.4
文獻標(biāo)識碼: A
DOI:10.16157/j.issn.0258-7998.211974
中文引用格式: 李寧,張彥輝,尚英強,等. 基于改進DeepLabv3+網(wǎng)絡(luò)的風(fēng)機葉片分割算法研究[J].電子技術(shù)應(yīng)用,2022,48(9):108-113,118.
英文引用格式: Li Ning,Zhang Yanhui,Shang Yingqiang,et al. Research on fan blade segmentation algorithm based on improved DeepLabv3+ network[J]. Application of Electronic Technique,2022,48(9):108-113,118.
Research on fan blade segmentation algorithm based on improved DeepLabv3+ network
Li Ning,Zhang Yanhui,Shang Yingqiang,Zhou Ge,Gao Jinqiu
Cable Branch of Beijing Electric Power Company,Beijing 100010,China
Abstract: In order to improve the segmentation quality of fan blade image, this paper proposes a fan blade segmentation algorithm based on improved DeepLabv3+ network. Due to the problems of background assistance and large difference in the proportion of blades collected by UAV, the algorithm proposed in this paper improves the ASPP module and decoder module based on the DeepLabv3+ network. DSAPP concatenates multiple hole convolutions, and transfers the output of each hole convolution layer to the subsequent hole convolution layer by using dense connection. Through a series of feature connections, DSAPP encodes intermediate features of different scales, and obtains a larger range of receptive fields. In the decoder stage, multi-layer feature fusion is added to recover the detail information and all levels of features lost in the down sampling process. Through the experiment of fan blade data set, the MIoU value reaches 0.991 3, PA value reaches 0.996 8. The experimental results show that the segmentation effect of the algorithm designed in this paper is better than that of DeepLabv3+network, and has better detail information.
Key words : fan blade;image segmentation;DeepLabv3+;DASPP

0 引言

    近些年來,隨著國家對風(fēng)電政策支持力度的不斷加大,風(fēng)電產(chǎn)業(yè)獲得了長足的發(fā)展,我國已經(jīng)成為世界上最大的風(fēng)電產(chǎn)業(yè)大國。隨著大量風(fēng)電機組的出保,風(fēng)電運維管理問題也受到業(yè)內(nèi)人士的廣泛關(guān)注。由于風(fēng)電場環(huán)境較復(fù)雜,風(fēng)力發(fā)電機組葉片全天候在高空運行,容易出現(xiàn)缺陷影響葉片壽命,嚴(yán)重的甚至造成停機事故。因此,對風(fēng)機葉片進行定期檢查具有重要意義。

    隨著無人機技術(shù)、人工智能及無損檢測技術(shù)的發(fā)展,基于無人機平臺采集高清風(fēng)機葉片圖像,通過計算機視覺技術(shù)自動識別缺陷的自動巡檢技術(shù)已成為風(fēng)電機組定期巡檢的新模式。由于無人機航拍采集的葉片圖像背景為大地,背景復(fù)雜,干擾因素較多,利用圖像分割技術(shù)實現(xiàn)對風(fēng)機葉片區(qū)域的分割,實現(xiàn)背景的去除,能夠排除環(huán)境干擾,有效提高缺陷識別的準(zhǔn)確率。傳統(tǒng)的圖像分割方法根據(jù)圖像的顏色、空間結(jié)構(gòu)和紋理信息等特征進行處理分析,如:基于閾值的圖像分割方法、基于邊緣的圖像分割方法、基于區(qū)域的圖像分割方法、基于特定理論的分割方法等[1-4]。傳統(tǒng)的圖像分割方法在分割精度和分割效率上難以達到實際應(yīng)用的要求,需要通過人工設(shè)計的特征與其他方法的結(jié)合實現(xiàn),具有很大的局限性[5-6]。而深度學(xué)習(xí)能夠從數(shù)據(jù)中有效地自主學(xué)習(xí)特征,具有很強的自學(xué)習(xí)能力。隨著2015年全卷積網(wǎng)絡(luò)FCN[7]的提出,利用深度學(xué)習(xí)進行語義分割逐漸發(fā)展起來。




本文詳細內(nèi)容請下載:http://ihrv.cn/resource/share/2000004932。




作者信息:

李  寧,張彥輝,尚英強,周  弋,高金秋

(國網(wǎng)北京電力公司電纜分公司,北京100010)




wd.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。