《基于图像的输电线路语义分割技术研究.docx》由会员分享，可在线阅读，更多相关《基于图像的输电线路语义分割技术研究.docx（3页珍藏版）》请在三一文库上搜索。
1、基于图像的输电线路语义分割技术研究输电线路的语义分割是一项重要的任务 ,可以作为野外输电线路的覆冰检测、树木或工程车的侵入检测、检测绘制电线上的电器组件和灾难监测等多项任务的前期任务。另外,输电线路的语义分割技术还可以为应用于电力系统中的巡线机 器人或巡检无人机提供导航和避障功能。输电线路的检测,即输电线路的语义分割,是数字图像处理领域的一个重要且具有挑战性的研究课题。论文首先研究了数字图像处理领域中的边缘特征和线 特征提取的算法和技术。论文详细地介绍了一些经典的边缘特征提取方法和直线检测算法,分析了这些方法的优缺点,用实验探究了这些方法在输电线路检测的应用中的效果。论文还对 Haar-lik
2、e 特征进行了扩展和改进,使其更能适用于不同姿态和宽度的输电 线路的边缘特征和线特征的提取。论文研究了基于深度学习技术的语义分割神经网络在输电线路语义分割上的应用。论文详细介绍了目前主流的几种语义分割卷积神经网络如 FCN,SegNet和 DeepLab 系列网络等的设计思路和具体方法,剖析了这些网络中主要的模块结构,如 ASPP 模块、全连接条件随机场等,并结合实验分析了语义分割网络在输电 线路语义分割应用场景下的利弊。论文在 DeepLabv3+网络的基础上做了改进,设计了一个更加复杂的解码器结构,提出了 DeepLabv3+Decoder 网络,更符合输电线路的语义分割中对精细边界的要求
3、,在 mIOU 上比 DeepLabv3+提升了 2.3%,单独线类别 IOU 上提升了 4.1%.论文还将数字图像处理技术的边缘特征提取算法结合到了基于深度学习技术的语义分割卷积神经网络的方法中去。论文探究了两种不同的 Haar-like 特征和DeepLab v3+网络相结合的方式。论文将这两种方法应用于输电线路检测中,并且通过实验证明了这两种结合方法都有助于提高电线分割的准确率,在准确率上优于仅使用传统数字图像处理技术的方法和仅使用语义分割神经网络的方法,比 DeepLabv3+的 mIOU 提升了 3%左右,在单独线类别上的 IOU 提升了 6%左右。目前无论在研究上还是在工程应用问题上,较为经典的数字图像处理技术与新兴的深度学习神经网络技术较为独立 ,希望通过本论文的探索性研究能够为后来者如何更好地结合数字图像处理技术 与深度学习算法,特别是在工程应用问题上,提供一些参考。