【技术实现步骤摘要】
一种面向电力巡检机制的卫星遥感图像边界感知语义分割模型
[0001]属于基于深度学习的遥感影像识别
,更具体的说是涉及一种面向电力巡检机制的卫星遥感图像边界感知语义分割模型。
技术介绍
[0002]近几年,随着航天技术发展,搭载各类探测器的遥感卫星相继升空,高分辨率卫星影像技术逐渐成熟,民用、商业卫星分辨率进入亚米级,分辨率最高可达0.31m,为发现输电线路隐患提供了新的技术手段。在输电线路隐患排查中,主要利用语义分割模型来识别沿线的拆迁房屋等地理要素,由于在电力巡检中主要使用的遥感影像覆盖区域为山地丘陵地区,其中道路多为农村道路,而且建筑样式及颜色复杂多变,传统的语义分割模型难以准确有效地识别此类环境特征。因此,研究一种面向电力巡检机制的卫星遥感图像边界感知语义分割模型是十分必要的。
技术实现思路
[0003]提供了一种面向电力巡检机制的卫星遥感图像边界感知语义分割模型,有效解决了电力巡检中的卫星遥感图像因多拍摄于山地丘陵地区,道路较窄,建筑样式多变且颜色复杂,导致难以准确识别的问题。该模型挑选已有模型中贴近本应用需求的模块进行组合,组成本模型特有的语义分割模块,能很好地检测高压线线路通道环境内的建筑、道路等,并且提高了分割的边界质量,有效的降低误识率,提高识别的准确率,为线路通道的环境特征识别提供了新的技术手段。“边界感知语义分割网络模型”由预测模块和细化模块组成,如图3所示。预测模块是一个类似Unet的编码器
‑
解码器结构,编码器的主干网络采用ConvNext网络,可以提 ...
【技术保护点】
【技术特征摘要】
1.一种面向电力巡检机制的卫星遥感图像边界感知语义分割模型,其特征在于,包括步骤如下:S1:基于原始图像,通过主干网络Convnext,获取多尺度特征图;S2:基于主干网络返回的多尺度特征图中的深层特征图,通过改进集成逐次扩张模块,聚合不同尺度上下文信息,获得具有多尺度、多感受野和高语义信息的特征图;S3:基于S1、S2中生成的多尺度特征图,利用解码器获得不同尺度恢复的分割图;S4:基于S3生成的不同尺度恢复的分割图,通过简化高分辨率网络(HRNet)的残差细化模块(RRM)进行分割预测和分割图细化。2.根据权利要求1所述的方法,其特征在于,所述的基于原始图像,通过主干网络Convnext,获得多尺度的特征图包括:ConvNext吸取Transformers的参数设置,在Resnet50的基础上,对残差卷积块数、卷积层、高、宽、激化函数、顺序等进行如下改进:改进一:改进了每个阶段残差卷积块的比率,对Resnet50的每个阶段的残差卷积块数从(3:4:6:3)调整为(3:3:9:3);改进二:Convnext采取Transformers的思想,在最初的下采样使用卷积核大小为4*4步距为4的卷积层,对高和宽进行4倍的下采样;改进三:吸取ResNext的思想,Convnext将ResNext的分组卷积换为深度可分离卷积,将网络宽度从64增加到96,大大提升其精度;改进四:与Resnet的瓶颈结构和MobileNetV2反瓶颈结构对比,Convnext的反瓶颈结构中,将3*3卷积核向上移动;改进五:Convnext将深度可分离卷积的3*3大小的卷积核转换为7*7大小的卷积核;改进六:Convnext减少了归一化层和激活函数的使用,将激活函数ReLU换为GELU,将卷积网络经常用的归一化函数BN转为Transformers的层归一化函数LN;层归一化函数LN的计算公式为:;其中,γ、β代表缩放和平移的参数向量,和z
(l)
维数相同,∈是一个很小的正值,z
(l)
为第l层神经的净输入,
µ
(l)
为均值,σ
(l)
为方差;其中,均值公式为:;方差公式为:;其中,n
(l)
为第l层神经元的数量;激活函数GELU的计算公式为:;其中,Φ(x)是标准正态分布的累积分布函数,即:
;改进七:为了稳定训练,Convnext在下采样前使用LN进行归一化,之后使用2*2大小步距为2的卷积进行下采样。3.根据权利要求1所述的方法,其特征在于,所述的基于主干网络返回的多尺度特征图中的深层次特征,通过改进集成逐次扩张模块,聚合不同尺度上下文信息,获得具有多尺度、多感受野和高语义信息的特征图包括:改进集成逐次扩张模块是将深层特征图首先经过1*...
【专利技术属性】
技术研发人员:张常兴,杨景,王大鹏,武剑灵,翟春雨,陈少宏,白翔宇,赵玉妹,张玉鹏,陈顺华,张国君,蒋海龙,于小川,张竟超,张猛,赵少华,郭瑞华,翟欣欣,
申请(专利权)人:内蒙古电力集团有限责任公司内蒙古超高压供电分公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。