• ISSN: 1674-7461
  • CN: 11-5823/TU
  • 主管:中国科学技术协会
  • 主办:中国图学学会
  • 承办:中国建筑科学研究院有限公司

2023, 15(2): 87-91. doi: 10.16670/j.cnki.cn11-5823/tu.2023.02.16

基于图注意力机制超分网络模型的土建场景实例分割

国网上海市电力公司,上海 200120

网络出版日期: 2023-04-20

作者简介: 顾万里(1983-),男,高级工程师,主要研究方向:工程建设人工智能应用研究

Learning Instance Segmentation of Civil Engineering Scene Based on Graph Attention Mechanism and Super-Resolution Network Model

State Grid Shanghai Municipal Electric Power Company, Shanghai 200120, China

Available Online: 2023-04-20

引用本文: 顾万里, 胡宗杰. 基于图注意力机制超分网络模型的土建场景实例分割[J]. 土木建筑工程信息技术, 2023, 15(2): 87-91. doi: 10.16670/j.cnki.cn11-5823/tu.2023.02.16

Citation: Wanli Gu, Zongjie Hu. Learning Instance Segmentation of Civil Engineering Scene Based on Graph Attention Mechanism and Super-Resolution Network Model[J]. Journal of Information Technologyin Civil Engineering and Architecture, 2023, 15(2): 87-91. doi: 10.16670/j.cnki.cn11-5823/tu.2023.02.16

摘要:针对变电站土木建设现场智能识别中的建筑工地施工场景复杂、目标识别分割困难及信息不对称等问题,本文提出了一种基于图注意力机制超分网络模型的智能识别场景解析技术,利用图卷积神经网络和注意力机制网络提取图像目标特征深层次信息,通过双线性插值与反卷积相结合的像素超分辨率技术处理得到清晰的图像目标物边界,实现变电站土建场景实例分割。结果表明,图注意力机制超分网络模型有效解决了航拍图像中目标物边界信息不丰富、实例分割精度差等问题,准确分割变电站场景目标物,目标物边缘界限清晰。

关键词: 变电站, 建筑工地, 图注意力机制, 实例分割, 超分辨率
[1]

尹子会, 孟荣, 范晓丹, 等. 融合边缘计算和改进Faster R-CNN的变电站设备典型视觉缺陷检测系统[J]. 中国科技论文, 2021, 16(3): 6. 

[2]

李润, 董列飞, 王耀, 等. 基于"互联网+智能化"的智慧工地管理系统研究[J]. 建筑技术开发, 2018, 045(022): 59-61. 

[3]

惠健, 秦其明, 许伟, 等. 基于多任务学习的高分辨率遥感影像建筑实例分割[J]. 北京大学学报: 自然科学版, 2019, 55(6): 11. 

[4]

Yu Z, Peng H, Zeng X, et al. Smarter construction site management using the latest information technology[J]. Civil Engineering, 2018, 172(2): 1-34.

[5]

Fang W, Ding L, Luo H, et al. Falls from Heights: A Computer Vision-based Approach for Safety Harness Detection[J]. Automation in Construction, 2018, 91(JUL. ): 53-61.

[6]

甘伟焜. 基于红外图像的变压器图像处理方法研究[D]. 华南理工大学.

[7]

魏贤哲, 卢武, 赵文彬, 等. 基于改进Mask R-CNN的输电线路防外破目标检测方法研究[J]. 电力系统保护与控制, 2021, 49(23): 8. 

[8]

Bruna J, Zaremba W, Szlam A, et al. Spectral Networks and Locally Connected Networks on Graphs[J]. Computer Science, 2013.

[9]

Luong M T, Pham H, Manning C D. Effective Approaches to Attention-based Neural Machine Translation[J]. Computer ence, 2015.

[10]

徐冰冰, 岑科廷, 黄俊杰, 等. 图卷积神经网络综述[J]. 计算机学报, 2020, 43(5): 26. 

[11]

Velikovi P, Cucurull G, Casanova A, et al. Graph Attention Networks[J]. 2017.

[12]

孙凯, 姚旭峰, 黄钢. 基于机器学习的白细胞六分类研究[J]. 软件, 2020, 41(10): 98-101+134. 

[13]

Long J, Shelhamer E, Darrell T. Fully Convolutional Networks for Semantic Segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 39(4): 640-651.

[14]

Lu Y, Chen Y, Zhao D, et al. Graph-FCN for image semantic segmentation[J]. 2020.

[15]

He K, Gkioxari G, Piotr Dollár, et al. Mask R-CNN[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2017.

[16]

Simonyan K, Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition[J]. Computer Science, 2014.

[17]

Feng T, Liu J, Fang X, et al. A Double-Branch Surface Detection System for Armatures in Vibration Motors with Miniature Volume Based on ResNet-101 and FPN[J]. Sensors, 2020, 20(8): 2360.

计量
  • PDF下载量(13)
  • 文章访问量(895)
  • HTML全文浏览量(696)
目录

Figures And Tables

基于图注意力机制超分网络模型的土建场景实例分割

顾万里, 胡宗杰

  • 版权所有© 《土木建筑工程信息技术》编辑部
  • 京ICP备17057008号
  • 地址:北京市朝阳区兴化路2号院1号楼
  • 电话:010-64517910 邮编:100013
  • 微信号:tmxxjs  QQ:342182902  E-mail:tmxxjs@163.com
本系统由北京仁和汇智信息技术有限公司设计开 技术支持: info@rhhz.net