基于輕量級(jí)Fast-Unet網(wǎng)絡(luò)的航拍圖像電力線快速精確分割

楊 鍇，周順勇，曾雅蘭，趙 亮

（1.四川輕化工大學(xué)自動(dòng)化與信息工程學(xué)院，四川 宜賓 644000；2.人工智能四川省重點(diǎn)實(shí)驗(yàn)室，四川 宜賓 644000）

引 言

直升機(jī)在低空飛行時(shí)，因誤觸電力線而造成的墜毀事故占到了其通航總事故的30%。為了避免此類(lèi)事故的發(fā)生，目前常用方法是以機(jī)載攝像機(jī)獲取圖像實(shí)現(xiàn)基于機(jī)器視覺(jué)的電力線防撞系統(tǒng)［1-3］，而系統(tǒng)的首要工作就是從航拍圖像中精確而快速地分割出電力線。

目前已有一些較好的電力線檢測(cè)算法，例如，將Canny 邊緣檢測(cè)算子與Hough 變換結(jié)合起來(lái)設(shè)計(jì)電力線檢測(cè)算法［4-10］，此類(lèi)算法能有效檢測(cè)到航拍圖像中的直線形結(jié)構(gòu)電力線。張從新等［4］首先使用Canny 邊緣檢測(cè)算子生成邊緣圖，再利用Hough 變換來(lái)檢測(cè)邊緣圖中的直線。Li等［5］使用脈沖耦合濾波器，在Hough 變換時(shí)結(jié)合使用了基于先驗(yàn)知識(shí)的線聚類(lèi)方法，但是算法速度過(guò)慢。Candamo 等［6］采用窗口式Hough 變換跟蹤檢測(cè)電力線。陳建等［7］使用黑塞矩陣進(jìn)行邊緣檢測(cè)，并提出基于區(qū)域的隨機(jī)Hough 變換。王堅(jiān)俊等［8］通過(guò)Otsu 獲取高低閾值，采用分式查表法改進(jìn)Hough 變換，最后結(jié)合空間信息平滑檢測(cè)結(jié)果。Aggarwal等［10］使用正則化形式合并先驗(yàn)信息來(lái)增強(qiáng)基于Hough 變換的線檢測(cè)的性能。

但是，電力線在航拍圖像中并不總是呈現(xiàn)單一的直線型特征。針對(duì)這一問(wèn)題，Yetgin 等［11］通過(guò)Edlines 算法提取圖像中的所有完整曲線，并使用K-means均值聚類(lèi)過(guò)濾線性噪聲。譚金石等［12］采用Lsd 提取圖像中所有線段，并運(yùn)用統(tǒng)計(jì)學(xué)特征濾除噪聲，最后使用最小二乘法擬合電力線曲線，該算法精度很高，但速度較慢。林火煅等［13］使用Ratio算子與Ransac 算法結(jié)合檢測(cè)電力線。Song 等［14］采用零均值高斯濾波器（MF）和一階高斯導(dǎo)數(shù)（FDOG）生成邊緣圖，最后使用基于圖論的圖割法擬合電力線。

上述大多數(shù)算法都使用電力線自身特征進(jìn)行匹配濾波檢測(cè)，容易檢測(cè)到線性結(jié)構(gòu)噪聲，需要進(jìn)行大量后處理用以濾除噪聲和平滑檢測(cè)結(jié)果。為了避免大量的后處理運(yùn)算，從而提升算法的運(yùn)行速度及檢測(cè)精度，卷積神經(jīng)網(wǎng)絡(luò)開(kāi)始用于設(shè)計(jì)端到端的電力線檢測(cè)算法［15-18］。Li等［15］設(shè)計(jì)了空間信息的注意力機(jī)制，用以減少神經(jīng)網(wǎng)絡(luò)對(duì)背景的注意力，提高對(duì)目標(biāo)的注意力。Zhang 等［16］將各特征層進(jìn)行權(quán)重組合，用以生成最終檢測(cè)圖。Jenssen 等［17］以人工合成訓(xùn)練數(shù)據(jù)，并提出了一種快速單發(fā)線段檢測(cè)器（LS-Net）。卷積神經(jīng)網(wǎng)絡(luò)雖然避免了大量后處理運(yùn)算，但自身網(wǎng)絡(luò)體積較大，運(yùn)算較多，在保證檢測(cè)精度的同時(shí)，難以保證足夠的檢測(cè)速度，還是難以應(yīng)用于實(shí)際。

基于此，本文對(duì)Unet 卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，設(shè)計(jì)了輕量級(jí)Fast-Unet語(yǔ)義分割網(wǎng)絡(luò)，采用的金字塔池化結(jié)構(gòu)與多損失函數(shù)協(xié)同訓(xùn)練方法，提高了網(wǎng)絡(luò)檢測(cè)精度；并刪減網(wǎng)絡(luò)卷積核數(shù)量用以減小模型的體積，同時(shí)使用深度可分離殘差卷積結(jié)構(gòu)對(duì)網(wǎng)絡(luò)進(jìn)一步優(yōu)化，達(dá)到了速度與精度的較好平衡。

1 Fast-Unet輕量級(jí)語(yǔ)義分割網(wǎng)絡(luò)

Unet 語(yǔ)義分割網(wǎng)絡(luò)作為典型的編解碼結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)［19］，在醫(yī)學(xué)圖像分割任務(wù)與衛(wèi)星遙感圖像分割任務(wù)中都有優(yōu)異的表現(xiàn)［20］。電力線航拍圖像與遙感圖像都存在前景與背景分布極度不均衡的問(wèn)題［21］，又與醫(yī)學(xué)圖像都存在待分割目標(biāo)結(jié)構(gòu)信息極為簡(jiǎn)單的難點(diǎn)［22］。因此，本文以Unet 為基礎(chǔ)，設(shè)計(jì)Fast-Unet輕量級(jí)語(yǔ)義分割網(wǎng)絡(luò)，用于快速而精確地檢測(cè)航拍圖像中的電力線。

1.1 Unet

Unet 網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示，圖中給出了當(dāng)輸入圖片的尺寸為512×512，通道為3 時(shí)，網(wǎng)絡(luò)中特征的尺寸、通道變化情況。網(wǎng)絡(luò)中最后一層卷積的卷積核尺寸為1×1，其他卷積層的卷積核參數(shù)相同，尺寸為3×3，步長(zhǎng)為1，填充為1。上采樣采用雙線性插值算法，池化運(yùn)算為最大池化，池化核尺寸為2×2。

圖1 Unet網(wǎng)絡(luò)結(jié)構(gòu)圖

Unet 網(wǎng)絡(luò)雖然具有較高的檢測(cè)精度，但模型有約3.14×107個(gè)參數(shù)，模型參數(shù)體積較大，運(yùn)算速度較慢，為了滿足實(shí)際應(yīng)用需求，不僅需要提升Unet 網(wǎng)絡(luò)的檢測(cè)速度、減小模型參數(shù)體積，還要保證模型檢測(cè)精度不能有太多損失。

1.2 Fast-Unet

Fast-Unet 網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示，在Unet 的基礎(chǔ)上，首先，將網(wǎng)絡(luò)中所有卷積核的數(shù)量減半。過(guò)多的卷積核對(duì)于分割電力線這種簡(jiǎn)單目標(biāo)，會(huì)提取過(guò)多的冗余信息，不能提高模型檢測(cè)精度，且會(huì)減低模型運(yùn)算速度［23］。然后，增加金字塔池化結(jié)構(gòu)，增強(qiáng)特征上下文信息的融合程度。最后，使用深度可分離殘差卷積及深度可分離殘差卷積塊替換掉原始卷積運(yùn)算，進(jìn)一步減少了網(wǎng)絡(luò)參數(shù)量，同時(shí)增加了網(wǎng)絡(luò)深度，有利于學(xué)習(xí)到更魯棒的網(wǎng)絡(luò)參數(shù)［22］。

圖2 Fast-Unet網(wǎng)絡(luò)結(jié)構(gòu)圖

2 具體改進(jìn)方法

2.1 金字塔池化

Unet 網(wǎng)絡(luò)中編碼端最終特征的尺寸為32×32，相對(duì)于輸入圖像的尺寸壓縮了16 倍。網(wǎng)絡(luò)所提取的特征的最大感受野為16×16，也就是最大全局信息為16×16。為了增大網(wǎng)絡(luò)的感受野及增強(qiáng)網(wǎng)絡(luò)所提取的全局信息，添加了金字塔池化結(jié)構(gòu)，如圖3所示。首先，結(jié)構(gòu)將輸入的特征進(jìn)行4 種尺度的平均池化，池化后4個(gè)特征通道數(shù)不變，尺寸大小變?yōu)?×1、2×2、3×3、6×6，分別包含了4種尺寸的高級(jí)語(yǔ)義信息。然后，使用1×1 的卷積壓縮通道至輸入通道的1/4，再經(jīng)雙線性插值上采樣將尺寸變換到與輸入特征的尺寸一致。最后，將4 個(gè)特征與輸入特征拼接到一起，再用1×1 的卷積壓縮通道至與輸入特征的通道一致。

圖3 金字塔池化結(jié)構(gòu)圖

經(jīng)過(guò)金字塔池化結(jié)構(gòu)運(yùn)算后，網(wǎng)絡(luò)額外增加了4 種尺寸的全局信息，分別為512×512、256×256、170×170、85×85。特征的上下文信息得到了充分融合，且該結(jié)構(gòu)主要使用池化運(yùn)算，并未增加太多參數(shù)量。

2.2 深度可分離殘差卷積與卷積塊

Unet 網(wǎng)絡(luò)中使用了大量尺寸為3×3，步長(zhǎng)為1，填充為1 的的卷積，用于特征通道數(shù)變換。這些卷積會(huì)大量增加網(wǎng)絡(luò)的參數(shù)量，為了進(jìn)一步減少網(wǎng)絡(luò)的參數(shù)量，提高算法的運(yùn)算速度，可將這些普通的卷積層替換為深度可分離卷積［24］。

圖4 演示了輸入通道為3，輸出通道為32 的普通卷積，共使用了32個(gè)3通道的3×3卷積核，總共參數(shù)為864個(gè)。

圖4 普通卷積過(guò)程示意圖

圖5 演示了輸入通道為3，輸出通道為32 的深度可分離卷積。計(jì)算過(guò)程分為兩步：第一步為逐深度卷積，在逐深度卷積中使用的是3個(gè)單通道的3×3卷積核，每個(gè)卷積核對(duì)輸入特征的其中一個(gè)通道進(jìn)行卷積運(yùn)算，整體輸出特征的通道為3；第二步為逐點(diǎn)卷積，這步運(yùn)算使用32 個(gè)3 通道的1×1 卷積核進(jìn)行普通卷積，整體輸出特征的通道為32。深度可分離卷積總共參數(shù)為123 個(gè)，相比于普通卷積減少了741個(gè)參數(shù)。

圖5 深度可分離卷積計(jì)算過(guò)程圖

深度可分離卷積減少了卷積參數(shù)，但還存在一部分冗余運(yùn)算。因?yàn)榻?jīng)卷積運(yùn)算后得到的特征各通道存在一定的相似性，部分通道可以由其他通道經(jīng)過(guò)簡(jiǎn)單的線性變換組合而來(lái)［25］。逐點(diǎn)卷積就是將逐深度卷積的輸出進(jìn)行一系列組合變換。因此，可以將逐深度卷積的輸出直接作為最終輸出的一部分，逐點(diǎn)卷積只需計(jì)算其余部分即可，修改后的逐點(diǎn)卷積計(jì)算如圖6所示。

圖6 逐點(diǎn)殘差卷積

使用逐深度卷積與逐點(diǎn)殘差卷積共同構(gòu)成深度可分離殘差卷積，深度可分離殘差卷積總共參數(shù)為114 個(gè)，相比于普通卷積減少了750 個(gè)參數(shù)，相比于深度可分離卷積減少了9個(gè)參數(shù)。

當(dāng)輸入特征的通道為c，輸出特征的通道為n(n＞c)時(shí)，普通卷積的參數(shù)量為n×c×(3×3)=9nc，深度可分離卷積參數(shù)量為c×(3×3)+n×c×(1×1)=(9+n)c，深度可分離殘差卷積參數(shù)量為c×(3×3)+(n-c)×c×(1×1)=(9+n-c)c，深度可分離卷積相比于普通卷積減少了(8n-9)c個(gè)參數(shù)，深度可分離殘差卷積相比于深度可分離卷積減少了c2個(gè)參數(shù)，可以看出當(dāng)輸入特征與輸出特征的通道數(shù)越大，深度可分離殘差卷積減少的參數(shù)也就越多。

深度可分離殘差卷積只能用于輸入通道數(shù)小于輸出特征通道數(shù)的運(yùn)算。為了將其應(yīng)用于其他情況下的運(yùn)算，分別設(shè)計(jì)了深度可分離殘差卷積塊1、深度可分離殘差卷積塊2，其結(jié)構(gòu)如圖7所示。

圖7 深度可分離殘差卷積塊

卷積塊1用于輸入特征通道與輸出特征通道相等的卷積運(yùn)算，當(dāng)輸入通道為c時(shí)，普通卷積參數(shù)量為9c2，卷積塊1 的參數(shù)量為0.75c2+4.5c，減少了8.25c2-4.5c。卷積塊2用于輸入特征通道大于輸出特征通道的卷積運(yùn)算，當(dāng)輸入通道為c，輸出通道為n(c＞n)時(shí)，普通卷積參數(shù)量為9nc，卷積塊2 參數(shù)量為3nc+9n-n2，減少了n2-9n+6nc。

2.3 多損失函數(shù)

原始Unet 的損失函數(shù)為普通的交叉熵?fù)p失函數(shù)(Cross Entropy Loss)。當(dāng)網(wǎng)絡(luò)為二分類(lèi)時(shí)，CE loss(Cross Entropy Loss)可以表示為：

其中：y^ 為模型預(yù)測(cè)為前景的概率，y是樣本標(biāo)簽，前景取1，背景取0。

式（1）給出了單個(gè)像素的損失計(jì)算方法。在進(jìn)行語(yǔ)義分割時(shí)，圖像中每個(gè)像素點(diǎn)都會(huì)產(chǎn)生一個(gè)損失值，神經(jīng)網(wǎng)絡(luò)會(huì)將圖像中所有點(diǎn)的損失值加起來(lái)進(jìn)行反向傳播。而電力線圖像中，前景只占少數(shù)部分，所貢獻(xiàn)的損失占比很少，神經(jīng)網(wǎng)絡(luò)將難以通過(guò)損失反向傳播對(duì)前景進(jìn)行擬合訓(xùn)練。這種類(lèi)別分布極為不均衡的問(wèn)題將會(huì)影響網(wǎng)絡(luò)對(duì)前景的判別能力［26］。因此，可以給前景與背景所產(chǎn)生的損失添加一個(gè)權(quán)重，讓前景貢獻(xiàn)更多的損失用于訓(xùn)練網(wǎng)絡(luò)。修改后的交叉熵?fù)p失函數(shù)BCE loss(Balance Cross Entropy loss)表達(dá)式為：

式中：α為前景的損失權(quán)重，通過(guò)調(diào)節(jié)α可以調(diào)節(jié)前景在訓(xùn)練時(shí)的損失值貢獻(xiàn)程度。

雖然增加一個(gè)權(quán)重系數(shù)，可以在一定程度上改善前景難以擬合的問(wèn)題，但這種所有同類(lèi)像素都使用同一個(gè)系數(shù)的方法過(guò)于直接。圖像中前景中的邊界位置及背景中線性噪聲才是最難以訓(xùn)練的，還應(yīng)該關(guān)注此類(lèi)像素的損失值占比。Focal loss 能自適應(yīng)地調(diào)節(jié)每個(gè)像素的損失值占比，其表達(dá)式為：

式中：β為調(diào)節(jié)因子，α與β分別取經(jīng)驗(yàn)值0.25、2。

假若當(dāng)前像素標(biāo)簽為前景，且y^ 較大，那么該像素為容易辨別的一類(lèi)，權(quán)重項(xiàng)(1-y^)β會(huì)自適應(yīng)地降低其損失貢獻(xiàn)，減輕網(wǎng)絡(luò)對(duì)該像素點(diǎn)的關(guān)注度。反之，則增加其損失貢獻(xiàn)，增強(qiáng)網(wǎng)絡(luò)對(duì)該點(diǎn)的關(guān)注度。同理，權(quán)重項(xiàng)y^β會(huì)自適應(yīng)地調(diào)整標(biāo)簽為背景的各個(gè)像素的損失貢獻(xiàn)。

除了Focal loss 能改善類(lèi)別分布不均的問(wèn)題，Huang等［27］所采用的Dice loss損失函數(shù)，也能達(dá)到類(lèi)似的效果，且能改善分割的邊界精確度，Dice loss表達(dá)式為：

Dice 系數(shù)為度量?jī)蓚€(gè)集合相似性程度的數(shù)值，其表達(dá)式為：

式中：X為分割后的預(yù)測(cè)圖的點(diǎn)集，Y為當(dāng)前標(biāo)簽圖的點(diǎn)集，Dice的取值范圍為[0,1]，其值越大表示預(yù)測(cè)得越準(zhǔn)。

兩種損失函數(shù)都有助于提高網(wǎng)絡(luò)性能，因此，用于訓(xùn)練Fast-Unet 的多損失函數(shù)（Multiple loss）由這兩個(gè)損失函數(shù)組成，M loss（Multiple loss）的表達(dá)式為：

3 實(shí)驗(yàn)及分析

3.1 實(shí)驗(yàn)環(huán)境及訓(xùn)練

本次實(shí)驗(yàn)，計(jì)算機(jī)硬件配置為I3-9100F（CPU）、GTX1060 6GB（GPU）、微星B365（主板）；操作系統(tǒng)為Windows10 專(zhuān)業(yè)版；軟件配置為Anaconda、Pycharm；編程語(yǔ)言為Python3.6，深度學(xué)習(xí)框架為Pytorch1.2.0。

實(shí)驗(yàn)數(shù)據(jù)為Yetgin等［9］提供的4000張無(wú)人機(jī)航拍圖像，通過(guò)人工逐像素標(biāo)注后，將數(shù)據(jù)按(8∶1∶1)的比例分為訓(xùn)練集、驗(yàn)證集、測(cè)試集。訓(xùn)練時(shí)，輸入圖片的尺寸為512×512，12 張圖片為一個(gè)batch，優(yōu)化器為Adam，初始學(xué)習(xí)率采用0.001，采用學(xué)習(xí)率下降策略，每迭代訓(xùn)練一次，學(xué)習(xí)率降低為上一次的0.9倍，訓(xùn)練至驗(yàn)證集損失不再下降為止。

3.2 結(jié)果與分析

為了驗(yàn)證本文改進(jìn)之處的有效性，首先進(jìn)行消融實(shí)驗(yàn)。使用CE loss、M loss 分別訓(xùn)練Fast-Unet，訓(xùn)練數(shù)據(jù)、方式相同。訓(xùn)練后使用測(cè)試集測(cè)試網(wǎng)絡(luò)的檢測(cè)精度，檢測(cè)精度采用平均交并比（Miou）計(jì)算,其計(jì)算方式為：

其中：N為測(cè)試集圖片數(shù)量，i為測(cè)試集第i張圖片，TPi、FNi、FPi分別為第i張圖片中，電力線被成功預(yù)測(cè)的像素（真正例）；把背景誤測(cè)為電力線的像素（假正例）；背景被成功預(yù)測(cè)的像素（真反例）。

采用CE loss、M loss 訓(xùn)練Fast-Unet 后，得到兩個(gè)模型，分別為Fast-Unet-CE loss 與Fast-Unet-M loss。兩個(gè)模型經(jīng)測(cè)試，Miou分別為79.15 與80.26，部分測(cè)試結(jié)果如圖8所示。

圖8 部分測(cè)試結(jié)果對(duì)比圖

由圖8（b）中可以看出，F(xiàn)ast-Unet-CE loss 模型能檢測(cè)出大部分電力線，但存在一些誤檢測(cè)，但電力線均已完整檢測(cè)。由圖8（c）可見(jiàn)，F(xiàn)ast-Unet-M loss 完整檢測(cè)出了所有電力線，且沒(méi)有誤檢測(cè)，實(shí)驗(yàn)結(jié)果表明M loss能有效提高網(wǎng)絡(luò)的檢測(cè)精度。

為了進(jìn)一步測(cè)試本文算法的性能，選取另外4種算法與基于M loss 訓(xùn)練的Fast-Unet 進(jìn)行對(duì)比實(shí)驗(yàn)，4 種算法分別為PsPnet、Deeplab、SegNet、Unet。采用相同的數(shù)據(jù)訓(xùn)練4 種算法，并用同一個(gè)測(cè)試集測(cè)試了各算法的檢測(cè)精度、運(yùn)算速度。其中檢測(cè)精度使用Miou計(jì)算。圖9 給出部分檢測(cè)結(jié)果對(duì)比，圖10 對(duì)比了各算法精度與速度，表1 對(duì)比了各算法參數(shù)量。

圖9 中可見(jiàn)，Unet 表現(xiàn)最為良好,其逐級(jí)編解碼結(jié)構(gòu)，較好地使用了特征金字塔中的上下文信息，且Unet 網(wǎng)絡(luò)較為復(fù)雜，能提取到較為深層次的信息，所以并未出現(xiàn)誤檢測(cè)。Fast-Unet 在處理較為密集的的電力線時(shí)容易分割不清，這是由于大量減少了網(wǎng)絡(luò)參數(shù)，損失了一點(diǎn)檢測(cè)精度。SegNet 在處理電力線較為密集的圖像時(shí)，性能較差，在其余情況下，能較為完整的分割出電力線，但邊界參差不齊，這是由于SegNet 在解碼過(guò)程僅使用了池化索引，并沒(méi)有充分運(yùn)用特征金字塔中的低級(jí)細(xì)節(jié)信息所造成的。PsPnet 存在電力線邊界定位不準(zhǔn)，與密集電力線漏檢的問(wèn)題，這是由于PsPnet 只使用了最后一層特征進(jìn)行解碼預(yù)測(cè)，并直接一次性上采樣回原圖大小，運(yùn)算過(guò)于直接，導(dǎo)致邊界定位不準(zhǔn)與漏檢。Deeplab不能較為完整地分割出電力線，這是由于沒(méi)有充分運(yùn)用圖像的上下文信息，加重了圖像類(lèi)別分布不均對(duì)網(wǎng)絡(luò)的影響。

圖9 各算法部分測(cè)試結(jié)果對(duì)比圖

Fast-Unet 相對(duì)于另外4 種算法，減少了大量參數(shù)，因此更容易受到圖像中類(lèi)別不均衡問(wèn)題的影響。金字塔池化能在不過(guò)多增加參數(shù)的同時(shí)，增強(qiáng)特征上下文信息的融合，使算法能完整地檢測(cè)出電力線。M loss 能有效減小圖像類(lèi)別分布不均所帶來(lái)的影響，減少誤檢測(cè)。因此Fast-Unet在檢測(cè)精度上僅次于Unet，且精度可以接受。

圖10 中可見(jiàn)，F(xiàn)ast-Unet 具有最快的檢測(cè)速度，處理單張512×512 大小的彩色圖像耗時(shí)0.048 s，處理速度超過(guò)每秒20 幀，Miou為80.26。相比于Deeplab、PsPnet、SegNet、Unet，速度提升了約204%、243%、119%、140%，檢測(cè)精度提升了約14.3%、8.1%、4.8%、-1.4%。Fast-Unet 損失了一定精度，但速度提升較大，較好地平衡了精度與速度。

圖10 各算法精度、速度散點(diǎn)圖

表1 給出了各算法的參數(shù)量，F(xiàn)ast-Unet 的模型大小只有10.31 MB，運(yùn)行顯存為936 MB，相比于Deeplab、PsPnet、SegNet、Unet，模型體積減少了約93.4%、94.1%、90.9%、91.3%；運(yùn)行顯存減少了約53.9%、49.6%、26.9%、28.9%。結(jié)合表1 與圖10 可見(jiàn)，F(xiàn)ast-Unet 在大量減少參數(shù)后，并沒(méi)有過(guò)多降低檢測(cè)精度。

表1 模型性能測(cè)試表

4 結(jié) 論

經(jīng)過(guò)實(shí)驗(yàn)論證，得出以下結(jié)論：

（1）Unet 語(yǔ)義分割網(wǎng)絡(luò)相比于其他主流算法，更適合用于檢測(cè)航拍圖像中的電力線，但整體網(wǎng)絡(luò)參數(shù)較多，運(yùn)算較慢。

（2）深度可分離殘差卷積與深度可分離殘差卷積塊能有效減少模型參數(shù)，縮小模型體積，加快模型運(yùn)算。金字塔池化結(jié)構(gòu)與多損失函數(shù)能有效提高網(wǎng)絡(luò)檢測(cè)精度。

（3）Fast-Unet 推理512×512 大小圖片耗時(shí)為0.048 秒，精度為80.26，較好地平衡了速度與精度，滿足了實(shí)際應(yīng)用需求，且模型體積僅為10.31MB。

（4）由于數(shù)據(jù)集較少，存在一定的過(guò)擬合風(fēng)險(xiǎn)，后期工作需要增加電力線數(shù)據(jù)進(jìn)行訓(xùn)練，但使用無(wú)人機(jī)采集數(shù)據(jù)費(fèi)時(shí)費(fèi)力，擬研究基于生成對(duì)抗神經(jīng)網(wǎng)絡(luò)合成電力線圖像的相關(guān)技術(shù)。