基于红外图像识别的输电线路故障诊断方法

基于红外图像研究了输电线路的故障诊断方法,首先采用LSD线段检测法提取红外图像中的导线,采用深度卷积神经网络提取红外图像中绝缘子,从而得到线路元件区域。在线路元件区域内进行温度和灰度分析提取发热点,并利用漫水填充算法对过热区域进行分割,提取骨架扫描点数、有效凸缺陷、引流线对缺陷类型进行识别。实验证明该算法有较高发热点定位准确率和缺陷类型识别准确率。     

基于深度卷积神经网络的飞机识别研究

为快速准确识别机场遥感图像飞机目标,提出了一种深度卷积神经网络与边缘轮廓特征提取技术结合的识别算法。利用深度卷积神经网络对机场遥感图像中飞机目标进行深度特征提取,针对飞机停机位置存在阴影的问题,结合优化后的Canny算子得到目标轮廓,经由支持向量机给飞机分类。算法主要有两个阶段。第一阶段为训练阶段,主要对深度卷积神经网络进行训练,将获得的特征归一化;利用Canny算子得到边缘特征,通过主成分分析法得到飞机主轴,求解主轴两侧边缘点欧氏距离作为特征向量;接着完成支持向量机分类器训练。第二阶段为测试阶段,主要对算法进行验证并测试准确性。实验结果证明,算法识别的正确率高达94.39%,能够较好地识别飞机目标。     

基于深度学习的ＰＣＢ芯片极性检测算法

电路板芯片极性检测是电路板缺陷检测的重要组成部分。针对传统电路板芯片尤其是小型芯片的极性检测算法准确性的不足,文中提出一种基于深度学习的电路板芯片极性检测方法。方法首先使用模板匹配对不同电路板上不同型号芯片进行识别定位;其次,对电路板参考图像与待测图像进行配准、灰度化、二值化,并对两幅图像进行差分处理得到差分图;最后,结合芯片识别定位结果提取差分图中的芯片区域,并采用提出的卷积神经网络实现对芯片的极性检测。实验表明,文中方法比传统方法具有更高的检测准确率,准确率可达98.26%,满足工业检测精度要求。     

融合CNN与Transformer结构的遥感图像分类方法

为解决高分辨率遥感图像所具有的类内差异大而类间差异小的特性导致的图像难分类问题，提出一种基于深度学习中卷积神经网络与Transformer优点的混合结构。对卷积层提取的特征信息使用两个带有空间位置信息的注意力机制，分别沿水平方向和垂直方向对每个通道进行特征聚集，以减少遥感场景特征的冗余映射，使网络能够提取更多与任务目标相关的信息。然后利用Transformer编码器结构对捕获的特征图进行编码操作，赋予特征图中感兴趣区域较大的权重。实验结果表明，与现有的基于深度学习的遥感图像分类方法相比，所提方法既降低了模型参数量，又提升了分类准确率，在遥感图像分类数据集AID、NWPU-RESISC45及VGoogle上均达到了最高的平均分类准确率，分别为98.95%、96.00%和95.01%。     

一种基于深度学习的遥感图像分类及农田识别方法

为解决便于发现我国基本农田被非法侵占的问题,针对现有神经网络收敛速度慢、识别准确率不高的缺点,提出一种基于卷积神经网络的遥感图像农田分类及识别方法。该算法使用较大的卷积核,有效地提取梯度信息;设计深度为6层的卷积神经网络,提高了网络的分类效果,且大大降低了网络的训练次数。实验结果表明,利用该识别模型对农田、建筑、荒漠以及植被的识别准确率达到98.15%,比经典AlexNet网络模型提高了6.1%;训练网络所需的迭代次数由1.49×10~6次左右降低到4 500次。因此,与经典AlexNet网络相比,改进的AlexNet网络用于遥感图像分类和目标图像识别,耗时更短、识别准确率更高。     

基于多尺度圆周频率滤波与卷积神经网络的遥感图像飞机目标检测方法研究

针对遥感图像飞机目标检测因目标尺度不一存在漏警、虚警等问题,该文基于遥感图像中飞机目标形状特征和灰度变化特点提出了一种多尺度圆周频率滤波(MSCFF)与卷积神经网络(CNN)相结合的MSCFF+CNN飞机目标自动检测算法。该算法首先采用多尺度圆周频率滤波器滤除遥感图像复杂背景,实现不同尺度飞机目标候选区域提取;然后,通过构建卷积神经网络(CNN)模型实现候选区域有效分类,最终精确确定飞机目标位置。最后,基于获取的真实遥感图像进行目标检测算法实验验证,经统计该算法的飞机目标检测率为94.38%,虚警率为3.76%,实验结果充分验证了该文算法的有效性,该算法可为机场监管、军事侦察等应用提供重要的技术支持。     

基于卷积神经网络的场景图像文本定位研究

针对由于自然场景的复杂性,从自然场景图像中提取出文本信息较困难的问题,文中提出了一种基于深度学习卷积神经网络的文本定位算法。通过对场景图像进行预处理得到候选文本区域,在此基础上结合深度学习中的卷积神经网络来自动提取文本特征进行进一步的定位。通过实验验证,定位的准确率可达86%,综合性能较好。     

基于显著性特征和DCNN的高分遥感影像场景分类

高分遥感影像的场景分类是解译遥感影像信息的重要工作之一.为了准确提取出目标信息,针对高分遥感影像场景分类中存在的背景复杂、目标多样、目标信息与背景信息难以区分等问题,提出了一种基于显著性特征和深度卷积神经网络(DCNN)的高分遥感影像场景分类方法.首先,利用K-means聚类与超像素分割算法得到影像的颜色空间分布与颜色对比图,融合不同对比图,以得到显著图.然后,通过对数变换增强显著图中的特征,采用自适应阈值分割方法提高目标的区分度并划分出目标区域和背景区域,以提取出感兴趣区域.最后,构建了一种用于提取深层语义特征的DCNN模型,并将得到的特征输入网络模型中进行训练和分类.实验结果表明,本方法能有效区分主要目标信息与背景信息,减少无关信息的干扰,在UC-Merced数据集和WHU-RS数据集上的分类精度分别为96.10％和95.84％.     

基于多尺度圆周频率滤波与卷积神经网络的遥感图像飞机目标检测方法研究

针对遥感图像飞机目标检测因目标尺度不一存在漏警、虚警等问题,该文基于遥感图像中飞机目标形状特征和灰度变化特点提出了一种多尺度圆周频率滤波(MSCFF)与卷积神经网络(CNN)相结合的MSCFF+CNN飞机目标自动检测算法.该算法首先采用多尺度圆周频率滤波器滤除遥感图像复杂背景,实现不同尺度飞机目标候选区域提取;然后,通过构建卷积神经网络(CNN)模型实现候选区域有效分类,最终精确确定飞机目标位置.最后,基于获取的真实遥感图像进行目标检测算法实验验证,经统计该算法的飞机目标检测率为94.38%,虚警率为3.76%,实验结果充分验证了该文算法的有效性,该算法可为机场监管、军事侦察等应用提供重要的技术支持.     

双监督信号深度学习的电气设备红外故障识别

为提高电气设备红外故障图像识别准确率,提出了基于双监督信号深度学习的电气设备红外故障图像识别方法。首先,使用Slic超像素分割算法合并相似像素成区域块;其次,根据改进后HSV空间的亮度信息判别设备温度异常区域,进而分割出温度异常区域所在的连通区域及所对应的设备;最后,基于GoogLeNet卷积神经网络对电气设备红外故障图像进行特征提取,再采用softmax损失和中心损失两种监督信号对提取的特征进行监督训练,并自行建立700幅电气设备红外故障图像数据集,其中500幅用于训练,200幅用于测试。实验结果表明:使用双监督信号深度学习算法测试准确率达到98.6%,比单独使用softmax损失时准确率提高了1%。该算法能够对变压器套管、电流互感器、避雷器、隔离开关、绝缘子5种电气设备及其对应故障精准定位、识别。     

基于历史信息的区域卷积神经网络行人检测

为了解决卷积神经网络在进行连续行人检测时, 检测行人速度较慢, 达不到实时性要求的问题, 采用基于历史信息的区域卷积神经网络行人检测算法, 利用前一幅图像中的检测结果对当前图像的检测过程进行优化, 将前一帧的检测结果作为对当前帧提取推荐区域的参考信息, 并使用当前帧与前一帧的灰度值差异图对当前图像的卷积特征进行过滤, 以缩小滑动窗口检测时的搜索区域。在加州理工学院行人检测数据集上进行了检测实验。结果表明, 结合历史信息的算法与先进的算法相比检测速度提升了2.5倍, 同时检测准确率提升了1.5%。该算法实现了实时行人检测, 设计的网络能有效检测小目标行人。     

改进YOLO V3遥感图像飞机识别应用

为了准确识别遥感图像中的飞机,基于YOLO V3算法,通过使用K-means算法对数据集进行聚类分析,借鉴Densenet网络的思想,将YOLO V3网络中的两个残差网络模块替换为两个密集网络模块,改进为一种Dense-YOLO深度卷积神经网络结构。对改进前与改进后的网络进行训练,分别选出使两个网络识别效果最好的权重文件,针对高质量遥感图像与过度曝光、云雾遮挡等低质量遥感图像分别进行测试与分析。实验结果表明,新改进的深度卷积神经网络应用在两种图像上效果均有提升。其中,改进的算法在高质量的遥感图像中准确率高达99.72%,比原始算法准确率提升了0.85%,召回率高达98.34%,召回率提升了1.94%。在低质量遥感图像中准确率高达96.12%,比原始算法准确率提升了5.07%,召回率高达93.10%,召回率提升了19.75%。     

融合层次聚类的高分辨率遥感影像超像素分割方法

为解决遥感影像分割尺度自动选取难的问题,提出了融合层次聚类的高分辨率遥感影像超像素分割方法。首先采用自适应形态重建的分水岭分割算法将影像分割成多个超像素;然后提取各超像素的灰度特征向量;最后利用层次聚类方法进行超像素合并,实现高分辨率遥感影像的精确分割。实验选用4组景遥感影像;采用定性和定量相结合的方法评价实验结果。实验结果表明,该方法有效提高了遥感影像分割精度,并取得了较好的分割视觉效果。     

复杂电磁环境下基于信号时频图像的调制识别

为解决调制识别研究中较少考虑到不同信号的特征之间联系性的问题,搭建了卷积神经网络(CNN)来提取信号的彩色时频图对应的特征,并利用时频变换的分析方法,将一维信号处理成彩色时频图,通过卷积神经网络架构提取图像特征;同时为了提升算法在低信噪比下的分类识别准确率,对时频图像的纹理特征进行了特征提取,将提取到的纹理特征与卷积神经网络中提取到的特征进行特征融合。仿真实验结果表明,采用的时频卷积神经网络(TF–CNN)和TF–Resnet网络框架能够达到高精确度信号自动调制识别分类的目的。     

多尺度特征融合U-Net的遥感影像黑臭水体智能检测

研究采用卫星遥感技术获取高分辨率遥感影像水体样本数据集,基于深度卷积神经网络从高分辨遥感影像中提取水体并进行黑臭水体智能监测,提出了一种改进U-Net的黑臭水体检测网络模型(IWDNet)。基于U-Net结构引入跳跃式多尺度特征融合,结合通道注意力机制、卷积注意力模块、通道与空间注意力机制生成不同多尺度特征融合注意力机制(MFFAM)模块进行对比,并引入空洞卷积扩大网络感受野,最终实现黑臭水体的识别检测。实验证明：基于跳跃式多尺度融合与CBAM注意力机制的黑臭水体检测网络(MFFCBAM-IWNet)模型有效提升了识别精度,在高分辨遥感影像水体样本数据集上表现最佳,总体精度达98.56%,Kappa系数达0.978 4。     

遥感图像中的机场跑道检测算法

利用机场跑道的高灰度特征和整体性检测遥感图像中的机场跑道。首先,利用模糊增强方法进行图像预处理;接着,对图像进行阈值分割获得二值图像,用像素标记法进行连通域提取,定位4个面积最大的区域作为疑似机场区域;然后,在疑似机场区域内,对图像进行Canny边缘检测,用Hough变换提取出直线段;最后,把含有最长平行直线的区域作为机场区域。实验结果表明,机场跑道检测算法能在遥感图像中准确有效地检测出机场跑道。     

基于区域与深度残差网络的图像语义分割

该文提出了一种结合区域和深度残差网络的语义分割模型。基于区域的语义分割方法使用多尺度提取相互重叠的区域,可识别多种尺度的目标并得到精细的物体分割边界。基于全卷积网络的方法使用卷积神经网络(CNN)自主学习特征,可以针对逐像素分类任务进行端到端训练,但是这种方法通常会产生粗糙的分割边界。该文将两种方法的优点结合起来:首先使用区域生成网络在图像中生成候选区域,然后将图像通过带扩张卷积的深度残差网络进行特征提取得到特征图,结合候选区域以及特征图得到区域的特征,并将其映射到区域中每个像素上;最后使用全局平均池化层进行逐像素分类。该文还使用了多模型融合的方法,在相同的网络模型中设置不同的输入进行训练得到多个模型,然后在分类层进行特征融合,得到最终的分割结果。在SIFT FLOW和PASCAL Context数据集上的实验结果表明该文方法具有较高的平均准确率。     

基于深度卷积神经网络的多特征融合的手势识别

针对传统的分类方法由于提取的特征比较单一或者分类器结构过于简单,导致手语识别率较低的问题,本文将深度卷积神经网络架构作为分类器与多特征融合算法进行结合,通过使用纹理特征结合形状特征做到有效识别。首先纹理特征通过LBP、卷积神经网络和灰度共生矩阵方法得到,其中形状特征向量由Hu氏不变量和傅里叶级数组成。为了避免过拟合现象,使用"dropout"方法训练深度卷积神经网络。这种基于深度卷积神经网络的多特征融合的手语识别方法,在"hand"数据库中,对32种势的识别率为97.73%。相比一般的手语识别方法,此方法鲁棒性更强,并且识别率更高。     

一种基于纹理特征的遥感影像分水岭分割算法

针对分水岭分割的过分割问题,提出了一种基于纹理特征的高分辨率遥感影像分水岭分割算法。该算法对基于灰度共生矩阵不同特征值得到的纹理影像分别进行降水分水岭变换,进而将两个分割结果进行叠加,最后采用一种新颖的结合纹理特征的区域合并方法完成影像分割。实验表明,文中算法能够准确定位对象的边缘,有效克服过分割及欠分割现象,具有更高的分割精度与稳定性。     

基于深度卷积神经网络和多核学习的遥感图像分类方法

为解决传统遥感图像分类方法特征提取过程复杂、特征表现力不强等问题,该文提出一种基于深度卷积神经网络和多核学习的高分辨率遥感图像分类方法。首先基于深度卷积神经网络对遥感图像数据集进行训练,学习得到两个全连接层的输出将作为遥感图像的两种高层特征;然后采用多核学习理论训练适合这两种高层特征的核函数,并将它们映射到高维空间,实现两种高层特征在高维空间的自适应融合;最后在多核融合特征的基础上,设计一种基于多核学习-支持向量机的遥感图像分类器,对遥感图像进行精确分类。实验结果表明,与目前已有的基于深度学习的遥感图像分类方法相比,该算法在分类准确率、误分类率和Kappa系数等性能指标上均有所提升,在实验测试集上3个指标分别达到了96.43%, 3.57%和96.25%,取得了令人满意的结果。