基于改进DeepLabv3+网络的风机叶片分割算法研究
2022年电子技术应用第9期
李 宁，张彦辉，尚英强，周 弋，高金秋
国网北京电力公司电缆分公司，北京100010
摘要： 为了提高风机叶片图像的分割质量，提出了一种改进DeepLabv3+网络的风机叶片分割算法。由于无人机采集风机叶片图像具有背景复杂和叶片占比差异较大的问题，提出的算法在DeepLabv3+网络的基础上改进了ASPP模块和Decoder模块。DASPP通过级联多个空洞卷积层，使用密集连接的方式将每个空洞卷积层的输出传递给后续的空洞卷积层，通过一系列的特征连接编码不同尺度的中间特征，获得了更大范围的感受野。在Decoder阶段添加多层特征融合，以恢复在降采样过程中丢失的细节信息和各级特征。通过对风机叶片数据集进行实验，MIoU值达到了0.991 3，PA值达到了0.996 8，实验表明该设计的算法对风机叶片的分割效果优于DeepLabv3+网络，具有更好的细节信息。
中圖分類號： TP391.4
文獻標識碼： 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+網絡的風機葉片分割算法研究[J].電子技術應用，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.
文獻標識碼： 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+網絡的風機葉片分割算法研究[J].電子技術應用，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，隨著國家對風電政策支持力度的不斷加大，風電產業獲得了長足的發展，我國已經成為世界上最大的風電產業大國。隨著大量風電機組的出保，風電運維管理問題也受到業內人士的廣泛關注。由于風電場環境較復雜，風力發電機組葉片全天候在高空運行，容易出現缺陷影響葉片壽命，嚴重的甚至造成停機事故。因此，對風機葉片進行定期檢查具有重要意義。
隨著無人機技術、人工智能及無損檢測技術的發展，基于無人機平臺采集高清風機葉片圖像，通過計算機視覺技術自動識別缺陷的自動巡檢技術已成為風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，背景復雜，干擾因素較多，利用圖像分割技術實現對風機葉片區域的分割，實現背景的去除，能夠排除環境干擾，有效提高缺陷識別的準確率。傳統的圖像分割方法根據圖像的顏色、空間結構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、基于區域的圖像分割方法、基于特定理論的分割方法等[1-4]。傳統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用的要求，需要通過人工設計的特征與其他方法的結合實現，具有很大的局限性[5-6]。而深度學習能夠從數據中有效地自主學習特征，具有很強的自學習能力。隨著2015年全卷積網絡FCN[7]的提出，利用深度學習進行語義分割逐漸發展起來。
本文詳細內容請下載：http://www.tom3567.com/resource/share/2000004932。
作者信息：
李 寧，張彥輝，尚英強，周 弋，高金秋
(國網北京電力公司電纜分公司，北京100010)
此內容為AET網站原創，未經授權禁止轉載。