基于图像的输电线路语义分割技术研究_第1页
基于图像的输电线路语义分割技术研究_第2页
基于图像的输电线路语义分割技术研究_第3页
全文预览已结束

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

1、基于图像的输电线路语义分割技术研究输电线路的语义分割是一项重要的任务 ,可以作为野外输电线路的覆冰检测、树木或工程车的侵入检测、检测绘制电线上的电器组件和灾难监测等多项任务的前期任务。另外,输电线路的语义分割技术还可以为应用于电力系统中的巡线机 器人或巡检无人机提供导航和避障功能。输电线路的检测,即输电线路的语义分割,是数字图像处理领域的一个重要且具有挑战性的研究课题。论文首先研究了数字图像处理领域中的边缘特征和线 特征提取的算法和技术。论文详细地介绍了一些经典的边缘特征提取方法和直线检测算法,分析了这些方法的优缺点,用实验探究了这些方法在输电线路检测的应用中的效果。论文还对 haar-lik

2、e 特征进行了扩展和改进,使其更能适用于不同姿态和宽度的输电 线路的边缘特征和线特征的提取。论文研究了基于深度学习技术的语义分割神经网络在输电线路语义分割上的应用。论文详细介绍了目前主流的几种语义分割卷积神经网络如 fcn,segnet和 deeplab 系列网络等的设计思路和具体方法,剖析了这些网络中主要的模块结构,如 aspp 模块、全连接条件随机场等,并结合实验分析了语义分割网络在输电 线路语义分割应用场景下的利弊。论文在 deeplabv3+网络的基础上做了改进,设计了一个更加复杂的解码器结构,提出了 deeplabv3+decoder 网络,更符合输电线路的语义分割中对精细边界的要求

3、,在 miou 上比 deeplabv3+提升了 2.3%,单独线类别 iou 上提升了 4.1%.论文还将数字图像处理技术的边缘特征提取算法结合到了基于深度学习技术的语义分割卷积神经网络的方法中去。论文探究了两种不同的 haar-like 特征和deeplab v3+网络相结合的方式。论文将这两种方法应用于输电线路检测中,并且通过实验证明了这两种结合方法都有助于提高电线分割的准确率,在准确率上优于仅使用传统数字图像处理技术的方法和仅使用语义分割神经网络的方法,比 deeplabv3+的 miou 提升了 3%左右,在单独线类别上的 iou 提升了 6%左右。目前无论在研究上还是在工程应用问题上,较为经典的数字图像处理技术与新兴的深度学习神经网络技术较为独立 ,希望通过本论文的探索性研究

人人文库> 全部分类> 生活休闲 > 科普知识

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论