| 融合 Transformer 与残差通道注意力的恶劣场景水
位智能检测方法 |
| |
| 引用本文： | 李欣宇,孙传猛,魏 宇,原 玥,武志博,李 勇.融合 Transformer 与残差通道注意力的恶劣场景水
位智能检测方法[J].电子测量与仪器学报,2023,37(1):59-69. |
| |
| 作者姓名： | 李欣宇 孙传猛 魏 宇 原 玥 武志博 李 勇 |
| |
| 作者单位： | 1. 中北大学省部共建动态测试技术国家重点实验室，2. 中北大学电气与控制工程学院;3. 重庆大学煤矿灾害动力学与控制国家重点实验室 |
| |
| 基金项目： | 国家重点研发计划青年科学家项目(2022YFC2905700)、山西省高等学校科技创新项目(2020L0294)、山西省科技成果转化引导专项(202104021301061)项目资助 |
| |
| 摘 要： | 精准感知水位信息变化是实现精细水务管控和洪涝灾害的关键环节之一，而低照度、雾霾、雨雪、冰冻、波浪、镜头抖动等恶劣场景给水位检测带来极大挑战。针对现有方法中难以实现水位精准检测难题，构建一种融合Transformer与残差通道注意力机制的Unet模型(TRCAM-Unet),进而提出基于TRCAM-Unet的恶劣场景水位智能检测方法。关键技术包括通过全尺度连接结构实现多层次特征融合，通过Transformer模块强化区域特征的关联性，通过残差通道注意力模块强化有用信息的表达并削弱无用信息的干扰。相关试验和实践表明，TRCAM-Unet取得了98.84%MIOU评分与99.42%的MPA评分，在约150 m距离外水位检测最大误差不超过0.08 m,水位偏差均值(MLD)仅有1.609×10-2 m,优于Deeplab、PSPNet等主流语义分割算法。研究结果对解决恶劣场景下水位精准检测难题及洪涝灾害预警具有重要应用价值。
|
| 关 键 词： | 水位检测 深度学习 语义分割 Transformer 注意力机制 |
Water level intelligent detection method based on fuse Transformer residual
channel attention mechanism in harsh environments |
| |
| Li Xinyu,Sun Chuanmeng,Wei Yu,Yuan Yue,Wu Zhibo,Li Yong.Water level intelligent detection method based on fuse Transformer residual
channel attention mechanism in harsh environments[J].Journal of Electronic Measurement and Instrument,2023,37(1):59-69. |
| |
| Authors: | Li Xinyu Sun Chuanmeng Wei Yu Yuan Yue Wu Zhibo Li Yong |
| |
| Affiliation: | 1. State Key Laboratory of Dynamic Measurement Technology, North University of China,2. School of Electrical and Control Engineering, North University of China; 3. State Key Laboratory of Coal Mine Disaster Dynamics and Control, Chongqing University |
| |
| Abstract: | |
| |
| Keywords: | water level detection deep learning semantic segmentation Transformer attention mechanism |
|
| 点击此处可从《电子测量与仪器学报》浏览原始摘要信息 |
|
点击此处可从《电子测量与仪器学报》下载全文 |
