962023ＲadioEngineeringVol.53No.1doi:10．3969/j．issn．1003－3106．2023．01．013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):96－104．［ZUOAnquan，QINLunming，WANGXi，etal．PowerlineSemanticSegmentationMethodBasedonImprovedDeepLabv3+Model［J］．ＲadioEngineering，2023，53(1):96－104．］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(AtrousSpatialPyramidPooling，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(BottleneckAttentionModule，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54．39%，平均像素精度(MeanPixelAccuracy，MPA)和平均交并比(MeanIntersectionoverUnion，MIoU)分别提升1．18%和3．50%，参数量仅为原模型的6．38%。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:1003－3106(2023)01－0096－09PowerlineSemanticSegmentationMethodBasedonImprovedDeepLabv3+ModelZUOAnquan1，QINLunming1*，WANGXi2，BIANHouqin1，CHENSilin1(1．CollegeofElectronicsandInformationEngineering，ShanghaiUniversityofElectricPower，Shanghai201306，China;2．SchoolofElectronicandInformationEngineering，BeijingJiaotongUniversity，Beijing100044，China)Abstract:Inthedroneintelligentpowerinspection，powerlinesegmentationisakeytechnologytorealizeautomaticobstacleavoidanceandensurethesaf...
