基于改进DeepLabV3+的煤尘图像分割方法

Abstract

采用传统的语义分割网络对煤尘颗粒这种较小的目标进行分割时存在深层信息易丢失、细节提取不明显等问题。针对该问题，提出了一种基于改进DeepLabV3+的煤尘图像分割方法。从3个方面对DeepLabV3+网络模型进行改进：① 在编码器中，用CA−MobileNetV3轻量化模块代替Xception实现特征提取，确保特征提取更加细致、准确。② 在空洞空间卷积池化金字塔(ASPP)模块中对空洞率进行改进，使其更适合小颗粒煤尘提取。③ 在解码器中引入全局注意力上采样(GAU)模块，在计算量较小时对低层特征信息进行加权，用高层特征信息指导低层特征信息，实现特征融合。GAU模块用全局上采样机制代替解码器的上采样机制，使煤尘颗粒的特征信息经过长距离传输后不衰减，更加有利于捕捉煤尘颗粒的边缘细节信息。实验结果表明，改进DeepLabV3+网络模型在煤尘数据集上的召回率为90.26%，准确度为89.23%，相比于其他网络模型，改进DeepLabV3+对煤尘特征的学习能力更强，能获取更多细节信息，并大幅缩短训练时间，对小目标的分割效果更优。