-
题名基于注意力机制的U-Net叶片缺陷图像分割
被引量：4
- 1
-
-
作者
祁雷
李宁
梁伟
王峥
刘子梁
-
机构
中海油能源发展股份有限公司清洁能源分公司
中国石油大学(北京)安全与海洋工程学院
应急管理部油气生产安全与应急技术重点实验室
-
出处
《中国安全科学学报》
CAS
CSCD
北大核心
2024年第5期139-146,共8页
-
基金
中海油重大科技项目(GD2021ZCAF0021)。
-
文摘
为解决风力发电机叶片表面缺陷检测存在分类困难和微小缺陷分割模糊的难题,构建一种基于扩张卷积和卷积注意力模块的改进U-Net语义分割网络。该网络基于网络模型的编码-解码结构,使用可迁移的VGG16的特征提取层代替U-Net网络的编码部分,在编码-解码之间的跳跃模块加入卷积注意力模块。通过对微小缺陷信息选取加强全局权重,使用扩张卷积增强网络特征,采用VGG16预训练模型实现迁移学习。开展Focal与Dice结合的混合损失函数验证,对比分析DeeplabV3+、PSPnet、HRNet、U-Net这4种模型。结果表明:对于叶片缺陷数据集,改进的U-Net网络模型对叶片缺陷的分类和分割任务具有更高的精度,均交并比、均像素精度和召回率等指标值分别为83.60%、92.84%和88.50%。改进U-Net网络的均交并比值比DeeplabV3+模型高13.98%,比标准U-Net模型高9.38%,能够提高叶片缺陷检测的灵敏度,有效降低检测结果的误报警率,有助于准确检测风机叶片缺陷。
-
关键词
注意力机制
U-Net网络
风机叶片缺陷
图像分割
语义分割
迁移学习
卷积块注意力模块(CBAM)
-
Keywords
attention mechanism
U-Net network
wind turbine blades defect
image segmentation
transfer learning
convolutional block attention module(CBAM)
-
分类号
X924.2
[环境科学与工程—安全科学]
-
