基于改进DeepLabv3+模型的电力线语义分割方法_左安全.pdf

962023 adio Engineering Vol.53 No.1doi:103969/jissn10033106202301013引用格式:左安全，秦伦明，王悉，等基于改进 DeepLabv3+模型的电力线语义分割方法 J 无线电工程，2023，53(1):96104 ZUO Anquan，QIN Lunming，WANG Xi，et alPowerline Semantic Segmentation Method Based on Improved DeepLabv3+Model J adio Engineering，2023，53(1):96104基于改进 DeepLabv3+模型的电力线语义分割方法左安全1，秦伦明1*，王悉2，边后琴1，陈思林1(1 上海电力大学 电子与信息工程学院，上海 201306;2 北京交通大学 电子信息工程学院，北京 100044)摘要:在无人机智能电力巡检中，电力线分割是实现无人机自动避障、保障低空飞行安全的关键技术。针对现有基于深度学习的电力线分割算法存在的预测速度慢、分割精度低的问题，提出了一种改进 DeepLabv3+算法的电力线分割模型 PBB-DeepLabv3+。用轻量级 PP-LCNet 替换原始 DeepLabv3+主干网络 Xception，有效减少参数量并提升预测速度。在空洞空间金字塔池化(Atrous Spatial Pyramid Pooling，ASPP)模块中增加空洞卷积分支和级联卷积，获取具有更大感受野的多尺度特征从而减少漏分割现象，进一步将空洞卷积分支改为瓶颈结构以减少参数量。在解码器融合 3 层浅层特征以恢复降采样过程中丢失的细节特征。引入瓶颈注意力模块(Bottleneck Attention Module，BAM)减少对电力线误分割现象。实验结果表明，改进算法预测速度相对于原 DeepLabv3+模型提升 5439%，平均像素精度(Mean Pixel Accuracy，MPA)和平均交并比(Mean Intersection over Union，MIoU)分别提升 118%和 350%，参数量仅为原模型的 638%。兼顾了分割速度和精度，能够对电力线进行有效分割。关键词:电力线提取;图像分割;深度学习;DeepLabv3+中图分类号:TP391文献标志码:A开放科学(资源服务)标识码(OSID):文 章 编 号:10033106(2023)01009609Powerline Semantic Segmentation Method Based onImproved DeepLabv3+ModelZUO Anquan1，QIN Lunming1*，WANG Xi2，BIAN Houqin1，CHEN Silin1(1 College of Electronics and Information Engineering，Shanghai University of Electric Power，Shanghai 201306，China;2 School of Electronic and Information Engineering，Beijing Jiaotong University，Beijing 100044，China)Abstract:In the drone intelligent power inspection，power line segmentation is a key technology to realize automatic obstacleavoidance and ensure the safety of low altitude flight To solve the problems of slow prediction speed and low segmentation accuracy ofexisting power line segmentation algorithms based on depth learning，a power line segmentation model PBB-DeepLabv3+is proposed toimprove the DeepLabv3+algorithm The first step is to replace the original DeepLabv3+backbone network Xception with a lightweightPP-LCNet，reducing the number of parameters and improving the prediction speed Then，atrous convolution branch and cascadeconvolution are added to the Atrous Spatial Pyramid Pooling(ASPP)module to obtain dense multi-scale features with larger receptivefield，reduce the phenomenon of leaky segmentation，and the atrous convolution branch is further changed into a bottleneck structure toreduce the number of parameters In the decoder part，3 layers of shallow features are fused to recover the details lost in thedownsampling process Finally，the Bottleneck Attention Module(BAM)is introduced to reduce the mis-segmentation of power linesCompared with the original DeepLabv3+，the prediction speed of the algorithm used in this paper is increased by 5439%，Mean PixelAccuracy(MPA)and Mean Intersection over Union(MIoU)are increased by 118%and 350%respectively，and the parameterquantity is 638%of the original model Taking into account the segmentation speed and accuracy，it is an effective power linesegmentation methodKeywords:powerline extraction;image segmentation;deep learning;DeepLabv3+收稿日期:20220621基金项目:国家自然科学基金面上项目(62073024)Foundation Item:General Program of National Natural Science Foundation of China(62073024)信号与信息处理2023 年 无线电工程 第 53 卷 第 1 期970引言输电线路巡检是电网日常维护的重要组成部分，对保障电力系统稳定运行具有重要作用。由于输电线路架设环境复杂多变，人工巡检效率低且具有危险性，已不能满足巡检需求1。近年来，随着无人机和高分辨率相机技术的飞速发展，基于无人机的智能电力巡检得到广泛应用。但无人机在巡检过程中易与电力线发生碰撞、缠绕等事故，给输电线路的稳定运行带来极大的安全隐患。电力线分割是实现无人机自动避障、保障无人机低空飞行安全的关键技术，因此开发一种精度高、实时性好的电力线分割算法具有十分重要的意义。现有电力线分割方法可分为传统图像处理方法和基于深度学习的语义分割方法2。传统方法又可分为基于边缘检测算子的提取算法和基于联合特征的提取算法 2 类。前者通常用引入先验知识的边缘检测算子和线检测器结合来提取电力线;后者用线检测器结合全局辅助物或上下文信息对电力线进行提取3。文献 4通过设定不同方向 atio 算子并结合 Hough 变换来提取电力线。该算法计算量小，但在背景复杂时先验知识难以匹配。文献 5通过结合辅助物特征获得了较高的提取精度，但存在对辅助物过于依赖的局限性。传统方法对电力线的提取精度受先验知识和辅助物的影响较大，在复杂背景下容易出现错检和漏检，因此只适用于一些特定的场景。现有基于深度学习的语义分割模型主要包括FCN 6、DeepLab 系列、U-Net 7、SegNet 8 和 PSPNet 9 等算法。在电力线提取方面，文献 10 设计了多个电力线提取的网络结构，通过网格搜索得到最优的网络结构，获得了较高的分割精度，但该算法没有进行下采样操作，预测速度较低。文献 11 以 VGG16作为主干网络通过自行设计解码器对电力线实现了较为准确和快速的分割，但该算法使用的数据集数量较少，难以适用于不同场景。文献 12 在编码器部分使用 DeepLabv3 的结构并在解码器引入多层浅层特征，在分割精度和预测速度上均优于传统方法，但仍存在上升空间。文献 13对 DeepLabv3+模型进行改进，通过引入更为复杂的解码器结构，在已有基于深度学习的电力线分割算法中取得了最优的分割精度，但该算法预测速度较慢，无法满足实时性的需求，在复杂场景下依然存在一定程度的错分割、漏分割问题。为解决 DeepLabv3+模型对电力线分割存在的上述问题，本文对 DeepLabv3+模型进行改进，提出了 PBB-DeepLabv3+(Paddle LCNet，Bottleneck CascadeAtrous Spatial Pyramid Pooling，and Bottleneck AttentionModule Based DeepLabv3+)算法，具体如下:针对 DeepLabv3+模型预测速度慢的问题，在编码器部分用轻量级 PP-LCNet 替换原始主干网络Xception，从而提升预测速度并降低参数量，进一步提高电力线分割的实时性。为加强对细长电力线的特征提取，对空洞空间金字塔池化(Atrous Spatial Pyramid Pooling，ASPP)模块进行改进，增加空洞卷积分支和级联卷积，获取具有更大感受野的多尺度特征，从而减少漏分割现象。此外，将空洞卷积分支进一步采用先降维再升维的瓶颈结构来减小计算量。为进一步提升分割精度，在解码器部分引入3 层浅层特征，更充分地利用主干网络提取到的不同层次特征以恢复降采样过程中丢失的细节特征和空间信息。针对电力线分割易受背景物干扰的问题，在编码 器 和 解 码 器 分 别 引 入 瓶 颈 注 意 力 模 块(Bottleneck Attention Module，BAM)加强对电力线特征的提取，减少对背景物的错误分割。1DeepLabv3+模型DeepLabv3+模型14 的结构如图 1 所示，在编码器部分，首先利用深度卷积神经网络(Deep Convolu-tional Neural Network，DCNN)对原始图像进行特征提取。接着将这些特征输入空洞率15 组合为 6，12，18 的 ASPP 模块，进一步提取多尺度特征。最后，将不同尺度特征进行融合并通过 11 卷积将通道数调整为 256。在解码器部分16，先将编码器输出特征进行4 倍上采样，然后与 DCNN 模块中提取的浅层特征进行融合，最后将融合后的特征通过 33 卷积和4 倍上采样得到预测图像，其大小与原始图像相同。信号与信息处理982023 adio Engineering Vol.