甲烷是现代化工业生产和社会生活的重要能源之一, 实现其有效探测与分割对于及时发现甲烷泄漏事故并识别其扩散范围具有重要意义。针对红外成像条件下甲烷气体图像的轮廓模糊、泄漏的甲烷气体与背景对比度较低、形状易受大气流动因素影响等问题, 本文提出一种融合注意力分支特征的红外图像分割网络(Attention Branch Feature Network, ABFNet)实现甲烷气体泄漏探测。首先, 为增强模型对红外甲烷气体图像的特征提取能力, 设计分支特征融合模块将残差模块 1和残差模块 2的输出特征与残差模块 3以逐像素相加的方法融合, 获取红外甲烷气体图像丰富细致的特征表达以提高模型识别精度。其次, 为进一步加快模型的推理速度, 将标准瓶颈单元中的 3×3卷积替换为深度可分离卷积, 大幅度减少参数量达到实时检测甲烷气体泄漏。最后, 将 scSE注意力机制嵌入到分支特征融合模块, 更多地关注扩散区域边缘和中心语义信息以克服红外甲烷气体轮廓模糊对比度低等问题提高模型的泛化能力。实验结果表明, 本文提出的 ABFNet模型 AP50@95、AP50、AP60定量分割精度分别达到 38.23%、89.63%和 75.33%, 相比于原始 YOLACT模型分割精度, 分别提高 4.66%、3.76%和 7.04%, 推理速度达到 34.99帧/s, 满足实时检测需求。实验结果验证了本文算法对红外甲烷泄漏检测的有效性和工程实用性。

针对环境背景复杂且包含小目标的遥感图像难以进行精准目标检测的问题,在单阶段检测(SSD)模型的基础上,提出了一种基于注意力和特征融合的单阶段目标检测模型,该模型主要由检测分支和注意力分支组成。首先,在检测分支SSD中加入注意力分支,注意力分支的全卷积网络通过逐像素回归得到待检测目标的位置特征;其次,采用对应元素相加的方法对检测分支和注意力分支进行特征融合,获得细节信息和语义信息更丰富的高质量特征图;最后,用软非极大值抑制(Soft-NMS)进行后处理,进一步提高目标检测的准确性。实验结果表明,本模型在UCAS-AOD和NWPU VHR-10数据集上的平均精度均值分别为92.52%和82.49%,相比其他模型,检测效率更高。