CN113989261B 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 （浙江浙能嘉华发电有限公司）

基于Unet改进的无人机视角下红外图像光本发明公开了一种基于深度学习的应用于批次投入到改进Unet语义分割深度学习模型中入到损失最小对应的模型中处理输出得到分割2步骤S1：通过无人机视角采集红外光条件下的红外步骤S5：使用训练集作为模型的输入，逐批次的投入到改进U步骤S6：将待测的红外光条件下的光伏板图像输入到所述步骤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倒数第二个卷积模块经上采样后的输出共同相加后输入到特征融合部分中倒数第一个卷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，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，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，5.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，6.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，37.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，若准确率达到95则说明模型已具备较好的分割光伏板红外图像的能力，保存训练4此基于传统方式的图像分割不利于红外场景的光5[0015]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模块的输出与尺度还原和特征融合部分中倒数第二个卷积模块经上采样后的输出共同相加后输入到特征融合部分中倒数第一个卷积[0019]特征提取部分的第四个卷积模块经最大池化层后的输出再经一个额外的卷积模度还原和特征融合部分的第一个卷积模块经上采样层后的输出与特征提取部分的第三个和特征融合部分的第二个卷积模块经上采样层后的输出与特征提取部分的第二个卷积模块输出相加后输入到尺度还原和特征融合部分中的第三个卷[0020]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个增强特征图集经空洞卷积后和特征提取部分中的第四个卷积模块的输出相加作为第三6深度学习能够更加有效地提取红外图像的热力分布，并且大幅度提高了光伏板分割的精[0029]若准确率达到95则说明模型已具备较好的分割光伏板红外图像的能力，保存型提出更加显著的浅层特征来提升光伏板分7[0037]图1为本发明实施例中基于Unet改进的无人机视角下红外图像光伏板边界分割方具labelme对原始图像进行标注，然后对生成的json标注文件进行解析获取到目标的分割[0047]之后分为3条路其中两条与原始Unet一致，经过一次下采样和若干次3×3的卷积[0049]=U(P)+C1(f)指的是裁切操作将f4从64×64裁切成[0051]根据特征图集的方式同样的生成了104×104的特征图集200×200的特征图集以及388×388的特征图集其表达式如8[0053]T=U()+C3(f2)[0057]对568×568的特征图集进行3×3的空洞卷积(dilatedconv)，目的是增加感受[0060]对特征图集F1再进行一次空洞卷积并融合特征层f3得到尺度为136×1[0062]对特征图集F2再进行一次空洞卷积并融合特征图集f4得到尺度为64×[0064]得到包含了丰富深层语义和浅层轮廓颜色等信息的特征图集F3后对其进行特征9发明的测试集中MPA达到89.4本文提出的方法的MPA达到95.7提升了6.3％)，