科研之友
微信
新浪微博
Facebook
分享链接
摘要
【目的】为解决传统图像处理方法鲁棒性差，常用深度学习检测方法无法准确识别大片漂浮物的边界等问题，【方法】提出一种基于改进DeeplabV3+的水面多类型漂浮物识别的语义分割方法， 提高水面漂浮的识别能力。通过对所收集实际水面漂浮物进行类别分类，采用自制数据集进行对比实验。算法选择xception网络作为主干网络以获得初步漂浮物特征，在加强特征提取网络部分引入注意力机制以强调有效特征信息，在后处理阶段加入全连接条件随机场模型，将单个像素点与全局语义信息融合。【结果】对比图像分割性能指标，改进后的算法mPA(Mean Pixel Accuracy)提升了5.63%，mIOU(Mean Intersection Over Union)提升了4.73%。【结论】相比于其他算法模型，改进后的DeeplabV3+算法对漂浮物特征的获取能力更强，同时获得丰富的细节信息以更精准的识别多类型水面漂浮物的边界与较难分类的漂浮物，在对多个水库场景测试后满足实际水域环境中漂浮物检测的需求。
-
单位南昌工程学院; 江西省水信息协同感知与智能处理重点实验室
