中文引用格式： 魏捷，林铠澄，余博杰，等. 基于改进DeepLabV3+的配电网规划区域地物分类[J]. 电子技术应用，2026，52(8)：92-98.
英文引用格式： Wei Jie，Lin Kaicheng，Yu Bojie，et al. Land cover classification in power distribution network planning area based on improved DeepLabV3+ algorithm[J]. Application of Electronic Technique，2026，52(8)：92-98.
引言
配电网作为重大能源基础设施的核心环节，是保障民生用电、服务乡村振兴、支撑“双碳”目标的关键载体[1-3]。随着新型能源装机规模的快速增长和数字经济负荷特性的根本性转变，配电网规划与建设已成为破解传统电网架构与新型电力系统适配性矛盾的关键突破口[4-5]。目前，配电网规划工作仍以手绘草图记录等传统外业模式主导空间地理信息采集[6]，进而凭借设计人员经验确定规划可行区域[4]，存在主观因素影响大、工作效率低等问题，导致配网业务整体推进受阻。得益于无人机航测技术在配网业务勘测阶段的逐步推广和应用[7-8]，基于无人机正射影像的地物分类为快速确定配电网规划的可行区域提供了可能。
近年来，以深度学习为代表的人工智能理论快速发展，深度神经网络能够从影像数据中自主提取地物类型的深层语义特征[9]，在高分辨率无人机遥感影像的地物分类方面表现出独到优势[10-11]。自Long等[12]提出全卷积神经网络（Fully Convolutional Networks，FCN）后，出现了诸如U-Net[13]、ResNet[14]、DeepLab系列[15-16]等经典语义分割网络。其中，DeepLabv3+是当前公认的综合性能最优秀的语义分割算法之一[10, 17]，但直接应用于地物分类尚存在训练速度慢、分割精度低等问题[11]。2022年，刘粉粉等[17]采用MobileNetV2替换DeeplabV3+的主干特征提取网络实现轻量化，同时添加坐标注意力机制（Coordinate Attention，CA）增强位置感知，提高了地物分割效率，并改善了道路断连和分割不完全等问题。2023年，李健雄[18]在DeepLabV3+网络基础上串联CA机制，并在解码器部分引入多分支特征融合单元，提高了高分辨率遥感影像的地物分类精度。同年，龙北平等[11]提出了引入双注意力机制的DeepLabV3+网络模型，分别在高、低层次语义特征提取模块中加入通道注意力机制和空间注意力机制，显著提高了园林、水体和道路等地物的分割精度。2025年，冯丹婷等[10]采用MobileNetV2作为DeepLabV3+的主干网络，使用非对称卷积空间金字塔池化模块，在解码器部分引入选择性大核注意力机制，改善了高分辨率遥感影像中建筑物、道路等地物的分割精度，以及小目标的识别准确率。
目前，MobileNet系列网络已进一步迭代，其中MobileNetV3集成了压缩-激励（Squeeze-and-Excitation，SE）通道注意力机制，且对微控制器等低成本算力设备友好[19]。而在注意力机制方面，新兴的高效多尺度注意力机制（Efficient Multi-scale Attention，EMA）可通过跨空间学习，在不进行通道降维的情况下保留每个通道上的信息并减少计算开销[20]。因此，为改善DeepLabV3+的地物分割效率和分割精度，本文提出一种综合应用MobileNetV3网络和EMA注意力机制的DeepLabV3+改进算法，并采用配网规划区域的无人机航拍影像验证该算法的可行性与有效性。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000007216
作者信息：
魏捷1，林铠澄1，余博杰2，王俊杰2
（1.中国电建集团福建省电力勘测设计院有限公司，福建 福州 350003；
2.闽江学院 测绘工程系，福建 福州 350108）
