基于超参数优化轻量化深度神经网络的安全围栏图像分割技术

作     者：王健 王建 薛念明 李超 乔建苹 吕越 WANG Jian;WANG Jian;XUE Nianming;LI Chao;QIAO Jianping;LYU Yue

作者机构：国网山东省电力公司济南市长清区供电公司山东济南250300 山东师范大学信息科学与工程学院山东济南250358 山东鲁软数字科技有限公司山东济南250001 山东华兆信息科技有限公司山东济南250013 山东师范大学物理与电子科学学院山东济南250358 

出 版 物：《现代信息科技》 (Modern Information Technology)

年 卷 期：2024年第8卷第16期

页      面：123-126页

学科分类：08[工学] 081202[工学-计算机软件与理论] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主　　题：电力安全围栏 图像分割 深度学习 轻量化 

摘      要：在电力杆塔作业过程中,规范设置安全围栏是保证施工过程安全顺利的重要手段。当前,人工智能技术已经较为广泛地应用于电力杆塔作业中安全围栏设置规范性的检测。通过图像分割手段将施工区域从背景图像中提取出来,可以有效降低图像复杂度,提高人工智能检测技术的准确度。基于深度神经网络的图像分割是实现此目标的有效方法,但是深度神经网络结构复杂、参数量大,需要大量的计算资源和计算时间。因此,文章提出一种轻量化的深度神经网络模型,用于安全围栏图像的分割,并使用超参数优化手段自动调整超参数设置,提高网络模型性能,达到更好的分割效果。实验结果表明,所提方法可以大幅降低网络模型参数量,同时分割精度达到90%以上。