基于Unet改进的无人机视角下红外图像光伏板边界分割方法技术

本发明专利技术公开了一种基于深度学习的应用于红外图像的光伏板语义分割方法。建立无人机视角红外光条件下的光伏板数据集并预处理；构建改进Unet语义分割深度学习模型；使用训练集逐批次投入到改进Unet语义分割深度学习模型中进行迭代，采用测试集测试实时训练得到的模型的性能；将待测的红外光条件下的光伏板图像输入到损失最小对应的模型中处理输出得到分割的结果。本发明专利技术将深度学习的方法应用到红外光伏板边界检测中，并且改进了Unet网络模型提出更加显著的浅层特征来提升光伏板分割的精度。更加显著的浅层特征来提升光伏板分割的精度。更加显著的浅层特征来提升光伏板分割的精度。

【技术实现步骤摘要】
基于Unet改进的无人机视角下红外图像光伏板边界分割方法


[0001]本专利技术涉及了属于无人机应用的图像处理领域的一种图像处理方法，尤其是涉及一种无人机视角下红外图像的光伏板边界分割方法。

技术介绍

[0002]近年来，因将摄像头搭载于无人机可以获取更广的视角，并且无人机视觉的实时性和灵活性都相对较高，无人机视觉领域得到了积极的推广和应用。现阶段对于可见光的光伏板检测已经有所突破，对于红外图像，由于热域连续性，导致边缘分界不明显，无法很好的判定光伏板的边界。对于红外图像的边界分割目前而言还是依赖于人工，而目前的红外监测人员较少，无法满足对巨量红外图像的标注工作，这将导致人力资源的浪费，此外基于传统图像处理的方法，精度较差，并且鲁棒性不佳，会受到强光和背景的干扰。为解决上述问题，本专利技术提出了一种基于深度学习的红外场景下光伏板边界检测方法。
[0003]为提升无人机视角下红外图像光伏板分割的智能化水平，可以采用一些智能的图像处理方法对红外图像进行分割，提取光伏板区域，便于定位光伏作用范围。在计算机视觉领域，图像分割的方法层出不穷。目前本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Unet改进的无人机视角下红外图像光伏板边界分割方法，其特征在于：方法包含以下步骤：步骤S1：通过无人机视角采集红外光条件下的红外光伏板图像，建立无人机视角红外光条件下的光伏板数据集，并做标注；步骤S2：将光伏板数据集经过超分辨率模型前向传播，得到2倍分辨率的红外数据集图像，再进行图像增广后分为训练集和测试集；步骤S3：构建改进Unet语义分割深度学习模型；步骤S4：设置改进Unet语义分割深度学习模型的训练方式；步骤S5：使用训练集作为模型的输入，逐批次的投入到改进Unet语义分割深度学习模型中进行迭代，每迭代3000次，采用测试集测试实时训练得到的模型的性能；且当迭代次数达到预先设定迭代次数阈值时，停止训练，取出在测试集中损失最小对应的模型；步骤S6：将待测的红外光条件下的光伏板图像输入到损失最小对应的模型中处理输出得到分割的结果。2.如权利要求1所述的基于Unet改进的无人机视角下红外图像光伏板边界分割方法，其特征在于：所述步骤S1：对红外光伏板图像做预处理，预处理包括统一图像尺寸、标记光伏板在图像中所占像素及位置信息，并按8：2比例分为训练集和测试集。3.如权利要求1所述的基于Unet改进的无人机视角下红外图像光伏板边界分割方法，其特征在于：所述步骤S2中，采用超分辨率网络提高红外图像的宽高为原红外图像的2倍。4.如权利要求1所述的基于Unet改进的无人机视角下红外图像光伏板边界分割方法，其特征在于：所述步骤S3中，采用改进Unet语义分割深度学习模型，所述的改进Unet语义分割深度学习模型是在原有Unet语义分割深度学习模型基础上按照以下方式进行改进：将特征提取部分中的第一个卷积模块的输出经空洞卷积后和特征提取部分中的第二个卷积模块的输出相加作为第一个增强特征图集，再将第一个增强特征图集经空洞卷积后和特征提取部分中的第三个卷积模块的输出相加作为第二个增强特征图集，再将第二个增强特...

【专利技术属性】
技术研发人员：刘刚，沙万里，苏践，戴超超，戴铭，郑恩辉，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：