改进的DeepLabV3+指针式仪表图像分割算法

摘要：

针对现有的仪表自动化读数算法占用空间大、推理速度较慢以及不能有效分割图像中密集细小目标的问题,提出改进的DeepLabV3+指针式仪表分割算法.首先以轻量化的 MobileNetV2来构建网络主干达到降低参数量和推理权重、提高检测速度的目的.其次通过分块并归策略设计CSP-ASPP结构,在保证网络性能的同时降低参数量.之后使用改进后的SKFF模块通过自注意力机制以非线性方式融合多尺度特征,将原网络解码器中的二尺度特征融合变为四尺度特征融合.最后使用交叉熵损失联合加权的Dice损失作为网络的总损失函数,解决仪表分割中各类别像素分布不均的问题.最后通过实验证明,改进后的DeepLabV3+算法在仪表分割数据集上的平均交并比(mIoU)和平均像素准确率(mPA)达到了89.3%和94.8%,相对原网络分别提高了0.7%、0.6%,参数量和推理权重却仅有原网络的约7%,同时在GPU和CPU上的推理速度分别达到91和16 fps,解决了嵌入式设备部署困难的问题,达到了实时检测的要求,提高了仪表自动化读数的效率.

关键词：指针式仪表图像分割、DeepLabV3+、轻量化、分块并归、多尺度特征融合、Dice Loss

所属期刊栏目：43

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金61440023

在线出版日期：2024-02-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：10-19