一种面向复杂场景的图像边缘检测方法

针对较为复杂的光伏电站场景中的图像中光伏板边缘提取问题，本文提出了一种精细检测方法。所提出的方法首先引入多尺度的图像特征，通过鼓励网络不同层输出的特征表示检测对应该层尺度的图像边缘，进而充分融合不同尺度特征中所包含的丰富信息，使得对于不同尺度物体边缘的检测都能够更加精细；其次，本方法利用多任务学习结构，通过挖掘语义分割和边缘检测两个任务之间的相关性与互补性，使得图像特征更加聚焦于待提取边缘的物体，排除场景中无关物体或噪声的干扰，从而生成更加合理的图像边缘。量化的实验结果与可视化结果均表明，本方法能够获得更加精准的图像边缘检测效果。

边缘检测是图像处理和计算机视觉领域中的一项基本任务，该任务的目的是标识数字图像中亮度变化明显的点的集合。在例如视觉显著性检测，医学图像处理，以及自动驾驶等在内的许多现实应用场景中，图像边缘检测方法都是作为一项十分重要的基础性能力[1] [2] [3] [4] [5]。

传统的边缘检测方法如Canny [6]、Sobel [7]等首先使用预定义好的特征描述子提取图像中相邻像素间差异较大的位置，而后对结果进行滤波等后处理操作。但是，由于预先定义好的特征描述子不能够很好地适应多样的视觉图像，检测结果往往容易出现边缘不够连续的问题，并且这些方法的效果依赖于参数的人工调试，设定不同阈值所得到的边缘效果往往天差地别。此外，图像中的一个物体内部也有可能存在亮度变化较为显著的位置，传统方法容易在这些位置处也提取出图像边缘，而不会根据语义信息自适应地调整所得到的结果。随着深度卷积网络在计算机视觉领域取得成功，研究人员逐渐转向使用神经网络作为图像的边缘提取器。针对传统方法检测出的边缘不够连续等问题，之前的方法提出了HED [8]、BDCN [9]等边缘检测模型，在一些较为简单的场景下取得了一定的效果。但一方面， 当待提取边缘的物体尺寸较小或边缘较为精细时，由于神经网络的骨干特征提取器对于输入图像进行下采样，因此这些模型很难直接利用所提取的特征图对小物体进行检测，导致其在精细的物体边缘边缘检测任务上往往表现不佳。另一方面，当场景中的其他物体或物体本身所带线条等干扰项过多时， 神经网络难以直接根据语义自适应地判断需要提取哪些位置的边缘，进而模型得到的边缘也会包含这些干扰项。

本文首先考虑一种复杂场景下——光伏电站场景中的光伏板图像边缘检测任务。具体而言，在光伏电站中，为了实现对光伏板的智能巡检，往往首先需要在无人机的拍摄图像内自动定位出光伏板的位置，而考虑到光伏板本身形状不规则、语义分割需要更高的计算量，难以满足电站智能巡检对于时延的要求等因素，边缘检测更好地适配了在智能巡检过程中对于光伏板实时精确定位的工作。在这一任务下，我们首先根据实地拍摄的无人机巡检图像构建了光伏板边缘检测数据集，包括原始图像与人工标注的光伏板边缘；其次，我们注意到在这一场景中，无人机飞行高度较高、光伏板排布密集，因而边缘部分的微小误差都会导致对于光伏板定位的错误，需要提取更加精细的边缘图像；另外，实际的光伏电站中包含了电线杆、树木等一些其他物体，每块光伏板中间的线条也容易被模型视为光伏板的边缘，之前的方法难以排除这些不相干物体的干扰，因而难以利用边缘检测图像实现对光伏板的准