任喜偉　韓欣　鐘弋　何立風(fēng)

摘要：光伏板區(qū)域識(shí)別與分割對(duì)光伏板的缺陷精確檢測(cè)和組件精準(zhǔn)定位有重要意義.在復(fù)雜環(huán)境下，針對(duì)光伏板圖像存在對(duì)比度不強(qiáng)、邊界模糊、背景復(fù)雜等影響分割的問題，提出了一種改進(jìn)U-Net網(wǎng)絡(luò)的光伏板圖像分割方法.首先，搭建基于U-Net網(wǎng)絡(luò)的對(duì)稱編碼-解碼結(jié)構(gòu)骨干網(wǎng)絡(luò)；其次，使用深度可分離卷積替代傳統(tǒng)卷積，并將高效ECA注意力模塊添加到兩組深度可分離卷積之間，以兩組深度可分離卷積和一個(gè)ECA注意力模塊組成一個(gè)block塊，利用多個(gè)block塊提升多層網(wǎng)絡(luò)的分割性能；之后，引入交叉熵?fù)p失、Dice 損失、Focal 損失線性加權(quán)和作為新的損失函數(shù)，訓(xùn)練改進(jìn)U-Net網(wǎng)絡(luò)；最后，為驗(yàn)證方法的有效性，將改進(jìn)U-Net網(wǎng)絡(luò)與MobileNetV2網(wǎng)絡(luò)、U-Net網(wǎng)絡(luò)、Res-U-Net網(wǎng)絡(luò)分別在3 200張光伏板紅外圖像數(shù)據(jù)集上進(jìn)行橫向?qū)Ρ?結(jié)果表明：改進(jìn)U-Net網(wǎng)絡(luò)的PA值和MIoU值達(dá)到了0.993 1和0.980 2，均優(yōu)于其他3種網(wǎng)絡(luò)模型，且參數(shù)量只有U-Net網(wǎng)絡(luò)和Res-U-Net網(wǎng)絡(luò)的33.3%和30.4%，僅次于MobileNetV2網(wǎng)絡(luò).因此，改進(jìn)U-Net網(wǎng)絡(luò)具有較高的準(zhǔn)確性和泛化性，能夠完成光伏板圖像分割任務(wù).

關(guān)鍵詞：改進(jìn)U-Net網(wǎng)絡(luò)； 光伏板圖像分割； 深度可分離卷積； ECA注意力模塊； 損失函數(shù)

中圖分類號(hào)：TP391.41文獻(xiàn)標(biāo)志碼： A

Photovoltaic panel image segmentation method based on

improved U-Net network

REN Xi-wei， HAN Xin， ZHONG Yi， HE Li-feng（School of Electronic Information and Artificial Intelligence， Shaanxi University of Science & Technology， Xi′an 710021， China）

Abstract：Photovoltaic panel region recognition and segmentation is of great significance to defect detection and module positioning.Aiming at the problems that affect the segmentation of photovoltaic panel image，such as weak contrast，fuzzy boundary and complex background，it proposes a photovoltaic panel image segmentation method based on improved U-Net network.Firstly，the backbone network of symmetric encoding-decoding structure based on U-Net network is built.Secondly，depthwise separable convolutions are used to replace traditional convolutions，and an efficient ECA attention module is added between the two sets of depthwise separable convolutions .Two sets of depthwise separable convolutions and an ECA attention module form a block，and multiple blocks are used to improve the segmentation performance of the multi-layer network.Then，the linear weighted sum of cross entropy loss，Dice loss and Focal loss is introduced as new loss functions to train and improve U-Net network.Finally，to verify the effectiveness of the method，the improved U-Net network was compared with MobileNetV2 network，U-Net network and Res-U-Net network on 3 200 photovoltaic panel infrared image datasets respectively.The results show that the PA value and MIoU value of the improved U-Net network reach 0.993 1 and 0.980 2，which are better than the other three network models.The number of parameters is only 33.3% and 30.4% of U-Net network and Res-U-Net network，second only to MobileNetV2 network.Therefore，the improved U-Net network has high accuracy and generalization，and can complete the task of photovoltaic panel image segmentation.

Key words：improved U-Net network； image segmentation of photovoltaic panels； depthwise separable convolutions； ECA attention module； loss function

0引言

太陽能光伏發(fā)電以其廣泛性、清潔性、豐富性在新能源領(lǐng)域取得了快速發(fā)展.當(dāng)光伏板表面出現(xiàn)缺陷時(shí)，缺陷區(qū)域光照產(chǎn)生的能量轉(zhuǎn)化效率將會(huì)大大降低，在紅外圖像上表現(xiàn)出高亮度特性.無人機(jī)與熱成像技術(shù)的發(fā)展使得圖像處理方式成為光伏板缺陷檢測(cè)的首要方法［1］.為了能在不受復(fù)雜背景環(huán)境干擾的情況下，快速準(zhǔn)確的找到缺陷區(qū)域，并對(duì)缺陷組件精準(zhǔn)定位，需要先將完整的光伏板區(qū)域分割出來.針對(duì)光伏板區(qū)域的圖像分割，毛峽等［2］提出了一種基于局部統(tǒng)計(jì)特征的光伏熱斑圖像有效區(qū)域分割算法.通過對(duì)圖像濾波，計(jì)算局部標(biāo)準(zhǔn)差矩陣得到二值圖像，尋找二值圖像中的連通區(qū)域達(dá)到分割效果；趙玲玲等［3］通過HSV與RGB空間模型轉(zhuǎn)換分析，設(shè)定HSV藍(lán)色取值范圍，對(duì)原始光伏面板RGB圖像進(jìn)行分割；Salamance等［4］計(jì)算光伏板中每個(gè)部分的水平共生矩陣和垂直共生矩陣的特征向量，通過板面區(qū)域的相似性，將紅外圖像光伏板的像素分割為屬于光伏板和不屬于光伏板兩類.以上文獻(xiàn)均使用傳統(tǒng)圖像處理方法分割光伏板區(qū)域，算法過于依賴顏色、邊緣等特征，并且容易受背景干擾，算法泛化能力差，分割不夠精準(zhǔn).

近年來，深度卷積神經(jīng)網(wǎng)絡(luò)在圖像分割中展現(xiàn)出優(yōu)越的性能.Ronneberger等［5］提出U-Net網(wǎng)絡(luò)，包含編碼器、解碼器、跳躍鏈接三部分，能夠融合不同尺度和細(xì)節(jié)信息，在自動(dòng)駕駛、遙感影像分類、醫(yī)學(xué)圖像等領(lǐng)域［6-8］應(yīng)用廣泛.但由于網(wǎng)絡(luò)結(jié)構(gòu)較為簡(jiǎn)單，對(duì)部分形態(tài)的光伏板特征提取能力不強(qiáng).Res-U-Net是將Res-Net殘差網(wǎng)絡(luò)［9］和U-Net網(wǎng)絡(luò)結(jié)合的新型神經(jīng)網(wǎng)絡(luò)［10］，避免了因網(wǎng)絡(luò)層數(shù)較深時(shí)的性能退化問題，相較于U-Net網(wǎng)絡(luò)，Res-U-Net網(wǎng)絡(luò)更易訓(xùn)練.但在光伏場(chǎng)景中依舊存在特征提取能力不足、網(wǎng)絡(luò)參數(shù)量過大的問題.MobileNetV2網(wǎng)絡(luò)使用深度可分離卷積代替?zhèn)鹘y(tǒng)卷積，并提出了倒殘差模塊，有效地降低了網(wǎng)絡(luò)計(jì)算量和參數(shù)存儲(chǔ)空間［11］.但因參數(shù)量的減少，影響了網(wǎng)絡(luò)的分割性能.

鑒于此，本文提出了一種改進(jìn)U-Net網(wǎng)絡(luò)的光伏板圖像分割方法.該方法首先將傳統(tǒng)卷積替換為深度可分離卷積，降低了網(wǎng)絡(luò)計(jì)算量，縮小了模型大小，其次將高效ECA注意力模塊添加到兩組深度可分離卷積之間，以兩組深度可分離卷積和一個(gè)ECA注意力模塊組成一個(gè)block塊，利用多個(gè)block塊提升多層網(wǎng)絡(luò)的分割性能，之后引入交叉熵?fù)p失、Dice 損失、Focal 損失線性加權(quán)和作為新的損失函數(shù)加快了網(wǎng)絡(luò)的收斂速度，再次提升了網(wǎng)絡(luò)的分割性能.改進(jìn)后的U-Net網(wǎng)絡(luò)滿足工程上對(duì)光伏板圖像數(shù)據(jù)準(zhǔn)確分割，模型快速訓(xùn)練、輕量化部署的實(shí)際需求.

1本文方法

1.1網(wǎng)絡(luò)結(jié)構(gòu)

本文采用基于U-Net網(wǎng)絡(luò)的編碼-解碼結(jié)構(gòu)，并對(duì)其進(jìn)行改進(jìn)，如圖1所示.圖中，藍(lán)色框?yàn)橐粋€(gè)block模塊，每個(gè)block模塊中包含2組深度可分離卷積，由逐通道卷（Depthwise convolution）和逐點(diǎn)卷積（Pointwise convolution）構(gòu)成，卷積核大小分別為3×3和1×1.在逐通道卷積和逐點(diǎn)卷積之后又分別加入批標(biāo)準(zhǔn)化層（BN），并使用ReLU激活函數(shù).批標(biāo)準(zhǔn)化層可使輸入的數(shù)據(jù)符合均值為0和方差為1的正態(tài)分布，ReLU激活函數(shù)使網(wǎng)絡(luò)用到非線性模型，可加快網(wǎng)絡(luò)訓(xùn)練速度，避免梯度消失［12］.2組深度可分離卷積之間嵌入ECA注意力模塊，更好的聚合特征信息.編碼部分用于特征提取，通常網(wǎng)絡(luò)越深，提取到的抽象特征越高級(jí)，需要的block模塊也越多［13］.隨著層數(shù)的增加，編碼部分使用的block塊數(shù)量分別為1、2、3、4個(gè)，且每層之后使用3×3卷積核進(jìn)行最大池化，對(duì)圖像降采樣.由于編碼部分下采樣時(shí)會(huì)導(dǎo)致圖像的部分信息消失，在上采樣時(shí)難以恢復(fù)［14］，因此在解碼部分上采樣時(shí)首先會(huì)與編碼部分對(duì)應(yīng)的層進(jìn)行特征拼接，拼接時(shí)需保證通道、尺寸大小一致.解碼部分block數(shù)量為1，每層之后使用線性插值逐步恢復(fù)圖像尺寸.最后一層連接1×1卷積，輸出類別概率.

1.2網(wǎng)絡(luò)構(gòu)建方法

1.2.1深度可分離卷積

1.2.2ECA注意力模塊

使用深度可分離卷積在輕量化網(wǎng)絡(luò)模型時(shí)，網(wǎng)絡(luò)的分割性能可能會(huì)隨著參數(shù)量的減少而下降，因此在網(wǎng)絡(luò)中引入注意力機(jī)制.通道注意力機(jī)制已被證明在改善深度卷積神經(jīng)網(wǎng)絡(luò)的性能方面存在巨大潛力［15］.其中最具代表性的方法之一是擠壓和激勵(lì)網(wǎng)絡(luò)（SENet）［16］，但其壓縮降維過程為學(xué)習(xí)通道之間的相互關(guān)系帶來不利影響.為同時(shí)考慮性能提升以及維持注意力模塊中通道與其權(quán)重的直接對(duì)應(yīng)關(guān)系，本文在兩個(gè)深度可分離卷積之間引入ECA注意力模塊［15］.ECA注意力模塊結(jié)構(gòu)圖如圖4所示.

ECA注意力模塊首先對(duì)輸入的特征圖進(jìn)行全局的平均池化，將輸入特征（H，W，C）轉(zhuǎn)化為（1，1，C），之后使用卷積核大小為5的一維卷積進(jìn)行處理，并經(jīng)過Sigmoid激活函數(shù)得到每個(gè)通道的權(quán)重，再將權(quán)重與原始的輸入特征圖對(duì)應(yīng)元素相乘，最終得到輸出特征圖.因ECA注意力模塊為每個(gè)通道生成了對(duì)應(yīng)權(quán)重，使模型強(qiáng)化了與分割區(qū)域高關(guān)聯(lián)的通道信息，抑制了低關(guān)聯(lián)的通道信息對(duì)圖像分割的影響，故提升了網(wǎng)絡(luò)的分割性能.其實(shí)現(xiàn)過程中的全局平均池化操作和卷積核大小為5的一維卷積操作計(jì)算量較低，未過多增加網(wǎng)絡(luò)運(yùn)算負(fù)擔(dān).

1.3損失函數(shù)

2實(shí)驗(yàn)結(jié)果與分析

2.1實(shí)驗(yàn)準(zhǔn)備

2.1.1實(shí)驗(yàn)細(xì)節(jié)

2.1.2數(shù)據(jù)集生成

實(shí)驗(yàn)使用搭載紅外相機(jī)的無人機(jī)采集光伏板圖像，并使用數(shù)據(jù)鏈路將紅外相機(jī)獲取的圖像壓縮發(fā)送回地面站，實(shí)時(shí)傳輸圖像信號(hào).其中，紅外相機(jī)的分辨率為640×512.

因采集到的光伏板圖像涵蓋山地、平原、屋頂、水面、高原等多個(gè)場(chǎng)景，地形的多樣性以及采集時(shí)天氣狀況的不同，使得光伏板紅外圖像中光伏板自身形態(tài)、排列狀況、亮度以及背景區(qū)域（植被、道路、輸電線路、建筑物、異物闖入等）十分復(fù)雜和多樣.部分地區(qū)的光伏板紅外圖像展示如圖5所示.

將采集到的數(shù)據(jù)使用Labelme軟件進(jìn)行手動(dòng)標(biāo)注，生成與原圖對(duì)應(yīng)的包含目標(biāo)區(qū)域坐標(biāo)的json文件，使用Python語言處理原圖和json文件，生成與原圖對(duì)應(yīng)的同名掩膜圖像.為進(jìn)一步增加數(shù)據(jù)集的數(shù)量，增強(qiáng)模型的魯棒性，使用OpenCV庫對(duì)原圖和對(duì)應(yīng)的掩模圖像進(jìn)行同等的翻轉(zhuǎn)、裁剪操作，并對(duì)部分原圖添加噪聲，最后統(tǒng)一圖像的大小為640×512.經(jīng)過以上處理一共得到光伏板紅外圖像原圖3 200張，掩膜圖3 200張.將原圖以及對(duì)應(yīng)的掩模圖分別放入兩個(gè)文件夾，取名為img和label，并按照?qǐng)D像名稱以7∶2∶1的比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，其中訓(xùn)練集2 240張，驗(yàn)證集640張，測(cè)試集320張.

2.1.3評(píng)價(jià)指標(biāo)

2.2實(shí)驗(yàn)對(duì)比與分析

2.2.1損失函數(shù)權(quán)重取值與驗(yàn)證

為使得改進(jìn)后的損失函數(shù)能夠滿足本工程上對(duì)光伏板數(shù)據(jù)訓(xùn)練速度和分割精度的要求，本文通過多次實(shí)驗(yàn)驗(yàn)證的方式來確定改進(jìn)后損失函數(shù)的權(quán)值.主要包含以下3個(gè)步驟：步驟1，實(shí)驗(yàn)得出能夠讓網(wǎng)絡(luò)更快收斂的權(quán)值作為初始權(quán)值；步驟2，使用應(yīng)用了初始權(quán)值的改進(jìn)后的損失函數(shù)與交叉熵?fù)p失函數(shù)、Dice損失、Focal損失單獨(dú)作用時(shí)比較網(wǎng)絡(luò)的分割性能；步驟3，若得出的權(quán)值能夠同時(shí)提升收斂速度及分割性能，則將其確定為最終權(quán)值.若不能滿足，則在初始權(quán)值的基礎(chǔ)上以0.1為步長(zhǎng)調(diào)整三個(gè)權(quán)值，觀察實(shí)驗(yàn)結(jié)果，逐步提升能使損失函數(shù)收斂速度和分割性能更優(yōu)的權(quán)重值在總權(quán)值中的比重，直至損失函數(shù)能夠滿足本工程需求.

針對(duì)步驟1，為簡(jiǎn)化實(shí)驗(yàn)過程，在三個(gè)初始權(quán)重選取時(shí)，設(shè)置三者權(quán)重和為1，先局部考慮兩兩權(quán)值的最優(yōu)比例，之后通過三者之間滿足的比例公式，設(shè)定三者權(quán)值.

具體地，首先確定λ和μ的比值，此處設(shè)置了10組實(shí)驗(yàn)，以0.1為步長(zhǎng)，分別在λ取0.9～0.1，μ取0.1～0.9時(shí)訓(xùn)練網(wǎng)絡(luò)，用收斂速度作為評(píng)判標(biāo)準(zhǔn)，最終確定λ和μ的最優(yōu)比例為3∶7，之后用同樣的方法確定μ和η的比值，得出μ和η的最優(yōu)比例為6∶4.滿足如式（8）所示的方程組.

針對(duì)步驟2，在保持其余條件一致時(shí)，對(duì)比交叉熵?fù)p失函數(shù)、Dice損失、Focal損失和使用初始權(quán)值改進(jìn)后的損失函數(shù)在測(cè)試集上的分割性能，具體結(jié)果如表1所示.

由表1可得，使用初始權(quán)值的改進(jìn)后的損失函數(shù)，其網(wǎng)絡(luò)的PA值和MIoU值均優(yōu)于其余3種損失函數(shù).

針對(duì)步驟3，由步驟1和步驟2中得出的結(jié)果可得，擁有初始權(quán)值的改進(jìn)后的損失函數(shù)在收斂速度以及分割性能上較其余三種損失函數(shù)均有所提升，能夠滿足本工程光伏板分割場(chǎng)景的需要.因此最終將λ、μ和η的值確定為0.2、0.5和0.3.

2.2.2注意力模塊對(duì)比驗(yàn)證

為驗(yàn)證本文方法中使用的ECA注意力模塊更適合于改進(jìn)U-Net網(wǎng)絡(luò)，在保持其余條件一致時(shí)，將ECA模塊替換為經(jīng)典的SE模塊.改進(jìn)U-Net網(wǎng)絡(luò)，分別使用不同注意力模塊時(shí)性能對(duì)比結(jié)果如表2所示.

由表2可得，在分割性能方面，本文方法中使用的ECA注意力模塊較SE模塊結(jié)果更好.

2.2.3網(wǎng)絡(luò)結(jié)構(gòu)對(duì)比驗(yàn)證

實(shí)驗(yàn)選取了3種應(yīng)用最為廣泛的分割網(wǎng)絡(luò)U-Net、Res-U-Net［20，21］和MobileNetV2，與本文提出的改進(jìn)U-Net網(wǎng)絡(luò)做橫向?qū)Ρ?實(shí)驗(yàn)分別就網(wǎng)絡(luò)的分割性能、模型參數(shù)、訓(xùn)練時(shí)間、推理時(shí)間進(jìn)行測(cè)試，其中推理時(shí)間為在20張圖像中測(cè)得的平均結(jié)果，結(jié)果如表3所示.

由表3可得，本文提出的改進(jìn)U-Net網(wǎng)絡(luò)結(jié)構(gòu)分割性能最好，參數(shù)量分別只有U-Net網(wǎng)絡(luò)和Res-U-Net網(wǎng)絡(luò)的33.3%和30.4%，在提升分割性能的同時(shí)，又保證了模型的輕量化.同時(shí)，改進(jìn)U-Net網(wǎng)絡(luò)結(jié)構(gòu)在GPU上推理時(shí)用時(shí)基本和其他網(wǎng)絡(luò)一致，但在CPU上明顯優(yōu)于U-Net網(wǎng)絡(luò)和Res-U-Net網(wǎng)絡(luò).本文提出的改進(jìn)U-Net網(wǎng)絡(luò)雖然在參數(shù)量和推理時(shí)間上并非最優(yōu)表現(xiàn)，但滿足了在服務(wù)器端和嵌入式設(shè)備上輕量部署和快速推理的需求.綜合對(duì)比，本文提出的改進(jìn)U-Net網(wǎng)絡(luò)相較其余三種網(wǎng)絡(luò)更符合工程實(shí)際.

2.2.4可視化結(jié)果

使用不同網(wǎng)絡(luò)的分割效果如圖7所示.其中，第1列為光伏板紅外圖像原圖，第2列為人工標(biāo)注生成圖像，第3列至第6列分別為MobileNetV2網(wǎng)絡(luò)、U-Net網(wǎng)絡(luò)、Res-U-Net網(wǎng)絡(luò)，以及本文提出的改進(jìn)U-Net網(wǎng)絡(luò)分割效果圖.圖7不同網(wǎng)絡(luò)分割結(jié)果對(duì)比圖觀察圖7可得，改進(jìn)U-Net網(wǎng)絡(luò)分割出的結(jié)果圖較其他網(wǎng)絡(luò)，位置更準(zhǔn)確、輪廓更精細(xì)，尤其對(duì)于難分割的區(qū)域表現(xiàn)出優(yōu)異的性能.這歸功于本文方法在特征提取時(shí)，隨著深度的增加使用了更多的卷積塊，并融入了ECA注意力機(jī)制，使得網(wǎng)絡(luò)能更好關(guān)注到光伏板特征的同時(shí)獲取細(xì)節(jié)信息，增強(qiáng)了網(wǎng)絡(luò)的特征提取能力.另外，3種損失函數(shù)的加權(quán)組合使得網(wǎng)絡(luò)收斂更快，對(duì)于目標(biāo)較小的光伏板區(qū)域表現(xiàn)更友好.

3結(jié)論

針對(duì)復(fù)雜、多樣環(huán)境下光伏板區(qū)域分割問題，本文提出了一種改進(jìn)U-Net語義分割網(wǎng)絡(luò).使用深度可分離卷積替代傳統(tǒng)卷積，減少模型參數(shù)量，將高效注意力ECA模塊添加到兩組深度可分離卷積之間，實(shí)現(xiàn)無降維的局部跨通道交互.同時(shí)，在特征提取部分，以兩組深度可分離卷積以及一個(gè)ECA為一個(gè)block塊，隨著網(wǎng)絡(luò)層數(shù)增加，使用多個(gè)block塊以提取更加高級(jí)的抽象特征，提升網(wǎng)絡(luò)的分割性能.另外，針對(duì)光伏板圖像的特點(diǎn)，將交叉熵?fù)p失、Dice 損失、Focal 損失線性加權(quán)和作為新的損失函數(shù).最后，為驗(yàn)證模型的有效性，將本文網(wǎng)絡(luò)與MobileNetV2網(wǎng)絡(luò)、U-Net網(wǎng)絡(luò)、Res-U-Net網(wǎng)絡(luò)分別在本文所采集的3 200張光伏板紅外圖像數(shù)據(jù)集上橫向?qū)Ρ?結(jié)果表明，改進(jìn)U-Net網(wǎng)絡(luò)的分割精度和模型大小整體優(yōu)于其余3種網(wǎng)絡(luò)，能準(zhǔn)確實(shí)現(xiàn)光伏板區(qū)域完整分割，為光伏板缺陷檢測(cè)和組件定位提供前提，為新能源光伏產(chǎn)業(yè)升級(jí)提供技術(shù)支持，對(duì)其產(chǎn)業(yè)健康發(fā)展有重要的促進(jìn)作用.

參考文獻(xiàn)

［1］ NiccolaiI A，Gandelli A，Grimaccia F，et al.Overview on photovoltaic inspections procedure by means of unmanned aerial vehicles［C］//2019 IEEE Milan Power Tech.Italy：IEEE，2019：1-6.

［2］ 毛峽，石天朋.光伏熱斑圖像有效區(qū)域分割算法研究［J］.太陽能學(xué)報(bào)，2018，39（5）：1 270-1 276.

［3］ 趙玲玲，汪燁，劉俊.基于無人機(jī)與HSV空間的光伏電池板檢測(cè)分析［J］.紅外技術(shù)，2020，42（10）：978-982.

［4］ Salamanca S，Merchan P，Garcial.On the detection of solar panels by image processing technique ［C］// 2017 25th Mediterranean Conference on Control and Automation （MED）.Valletta，Malta ：IEEE，2017：478-483.

［5］ Ronneberger O，F(xiàn)ischer P，Brox T.U-net：Convolutional net-works for biomedical image segmentation［C］//Proceedings of Interna-tional Conference on Medical Image Computing and Computer-Assiste Intervention.Switzerland ：Springer Cham，2015：234-241.

［6］ 許苗，李元祥，鐘娟娟，等.L-UNet：輕量化云遮擋道路提取網(wǎng)絡(luò)［J］.中國(guó)圖象圖形學(xué)報(bào)，2021，26（11）：2 670-2 679.

［7］ 何直蒙，丁海勇，安炳琪.高分辨率遙感影像建筑物提取的空洞卷積E-Unet算法［J］.測(cè)繪學(xué)報(bào)，2022，51（3）：457-467.

［8］ 周濤，董雅麗，霍兵強(qiáng)，等.U-Net網(wǎng)絡(luò)醫(yī)學(xué)圖像分割應(yīng)用綜述［J］.中國(guó)圖象圖形學(xué)報(bào)，2021，26（9）：2 058-2 077.

［9］ He K，Zhang X，Ren S，et al.Deep residual learning for image recognition［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Nevada，USA：IEEE Computer Society，2016：770-778.

［10］ Stephan M，Santra A.Radar-based human target detection using deep residual U-net for smart home applications［C］// Proceedings of the 18th IEEE International Conference On Machine Learning And Applications （ICMLA）.Boca Raton，USA：ICMLA，2019：175-182.

［11］ Sandler M，Howard A，Zhu M，et al.MobileNetV2：Inverted residuals and linear bottlenecks［C］//Proceedings of 2018 International Conferenceon Computer Vision and Pattern Recognition.Piscataway：IEEE，2018：4 510-4 520.

［12］ 張煥，張慶，于紀(jì)言.激活函數(shù)的發(fā)展綜述及其性質(zhì)分析［J］.西華大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，40（4）：1-10.

［13］ 陳銘，梅雪，朱文俊，等.一種新型Mobile-U-Net網(wǎng)絡(luò)的肺結(jié)節(jié)圖像分割方法［J］.南京工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，44（1）：76-81，91.

［14］ Zeng Z，Xie W，Zhang Y，et al.RIC-U-Net：An improved neural network based on U-Net for nuclei segmentation in histology images［J］.IEEE Access，2019，7：21 420-21 428.

［15］ 毛志榮，都云程，肖詩斌，等.基于ECA-Net與多尺度結(jié)合的細(xì)粒度圖像分類方法［J］.計(jì)算機(jī)應(yīng)用研究，2021，38（11）：3 484-3 488.

［16］ Hu Jie，Shen Li，Sun Gang，et al.Squeezeand-excitation networks［J］.IEEE Tranasactions on Pattern Analysis and Machine Intelligence，2020，42（8）：2 011-2 023.

［17］ Wang J，Gao H，Wei G.The generalized Dice similarity measures for Pythagorean fuzzy multiple attribute group decision making［J］.International Journal of Intelligent Systems，2019，34（6）：1 158-1 183.

［18］ Lin T Y，Goyal P，Girshick R，et al.Focal loss for dense object detection［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2020，42（2）：318-327.

［19］ 王榆鋒，李大海.改進(jìn)YOLO框架的血細(xì)胞檢測(cè)算法［J］.計(jì)算機(jī)工程與應(yīng)用，2022，58（12）：191-198.

［20］ 李原，李燕君，劉進(jìn)超，等.基于改進(jìn)Res-UNet網(wǎng)絡(luò)的鋼鐵表面缺陷圖像分割研究［J］.電子與信息學(xué)報(bào)，2022，44（5）：1 513-1 520.

［21］ 王明常，朱春宇，陳學(xué)業(yè)，等.基于FPN Res-Unet的高分辨率遙感影像建筑物變化檢測(cè)［J］.吉林大學(xué)學(xué)報(bào)（地球科學(xué)版），2021，51（1）：296-306.

【責(zé)任編輯：蔣亞儒】