基于CT图像和K-Means聚类算法研究混凝土细观损伤

混凝土CT图像细观损伤区没有明显的灰度特征,基于阈值及边缘检测的图像分割方法难以提取细观损伤信息。论文首次提出应用K-Means聚类算法深度挖掘混凝土CT图像内部蕴含的细观损伤信息。首先,对圆柱体混凝土试件进行了单轴静力压缩CT试验;然后,依据轮廓系数确定最优聚类簇数,利用K-Means聚类算法在非监督状态下寻找混凝土CT图像的最优划分,获得了包含细观损伤信息的分区图;最后,统计了细观损伤区域像素点总数,计算了混凝土损伤度。结果表明：从破坏区和细观损伤区图上能直观地观察到各应力阶段混凝土内部细观损伤的演化规律。细观损伤度随应力的变化具有规律性,峰值荷载前细观损伤发展经历了相对稳定期和稳定发展期,峰值荷载后细观损伤度减小,损伤聚集在裂缝周围,细观损伤经历不稳定发展期。K-Means聚类算法在分析混凝土损伤演化方面具有明显优势。     

结合分水岭和区域合并的彩色图像分割

图像分割是图像处理到图像分析的关键步骤之一。研究提出了一种基于区域块的聚类分割新算法。高斯混合模型(GMM)聚类算法已广泛应用于图像分割领域,但在真实彩色图像分割中,由于忽略了像素间的空间相关性,使之对高斯噪声非常敏感。首先对彩色图像求其彩色梯度,然后对彩色图像梯度图进行分水岭分割,分水岭分割会产生过分割区域,但基本得到同质区域,提取区域的区域块特征并把其作为高斯混合模型聚类的输入样本值,完成聚类并实现最终分割。新算法把简单的基于像素的聚类提升到基于区域块特征聚类,很好的抑制了噪声对分割结果的影响。通过在合成图像上及大量真实自然彩色图像上进行实验,结果证明本算法能够有效提高分割结果的准确性。     

基于支持向量机（SVM）的汽车车型识别

本文研究了一种基于支持向量机(SVM)的车型图像识别算法。采用图像边缘检测方法,该方法首先基于邻域灰度极值提取边界候选图像,然后以边界候选像素及其邻域像素的二值模式作为样本集,进行运动目标分割并提取具有RST不变性的轮廓特征向量,输入支持向量机进行训练和识别。此外,该算法与传统的算法比较,使用核函数少,计算量小,能较好地解决小样本、非线性和局部极小点等问题。实验表明,基于支持向量机(SVM)的车型图像识别算法具有更好的性能。     

基于红外图像识别技术的隧道防火预警巡检方法

为了提高隧道火灾预防能力，基于红外图像识别技术设计了一套隧道防火预警系统。硬件部分采用红外CCD摄像头、红外光源和红外滤波光片，实现了红外图像的采集。利用树莓派4代开发板，对采集到的红外图像进行实时处理与识别，利用报警控制主机，完成隧道的防火预警。软件部分使用Python编程语言和模块化的思想，采用迁移学习和基于区域的全卷积网络算法，实现了红外图像的识别。试验结果表明，红外图像识别准确率可高达96%,系统运行12 h时，消耗的功率为100 W,红外图像识别准确率高。所设计的系统为下一步技术研究奠定了基础。     

基于VMD模糊熵与GG聚类的直流配电网故障检测方法

针对直流配电网存在的故障信号难以提取、不易对各类故障进行诊断等问题,提出一种基于变分模态分解(VMD)模糊熵与Gath-Geva(GG)聚类的故障检测方法。首先,提取出暂态电流,采用VMD算法将故障暂态电流分解成若干个固有模态分量(IMF)。然后,分别计算分解得到的若干个IMF的模糊熵,将其作为特征向量。最后,采用GG聚类算法对故障特征的特征向量进行聚类识别。GG聚类的主要算法为将聚类样本划分为c类,设出隶属度矩阵,通过设定迭代来计算聚类中心与最大似然估计距离,更新隶属度矩阵,当隶属度矩阵满足条件矩阵时终止迭代,从而实现对单极故障、极间故障以及区外交流侧接地故障的聚类识别。仿真结果表明,所提保护方案可靠性强、准确率高,在不同故障类型、故障位置和过渡电阻等工况下均能可靠检测直流线路故障并准确识别故障类型,且具备一定的抗干扰能力。     

基于总有界变分的森林火灾烟雾图像检测方法

森林火灾烟雾浓度升高时,所对应的图像模糊程度升高,总有界变分会逐渐下降,基于变分的特征性质,可以将边界之 间的差异有效表征出来。 由此,提出一种基于总有界变分的森林火灾烟雾图像检测方法。 以分块平稳分析的思想对目标函数 求极值,得到总有界值,通过两次比较总有界变分值从分块结果图中提取疑似烟雾分块,利用特征数据的融合聚类处理获得最 终的疑似烟雾区域。 为了得到更好的烟雾检测效果,对疑似烟雾特征区域进行运动特性分析,融合判定烟雾区域,给出火灾报 警。 算法屏蔽了对烟雾静态特征的复杂计算,在对疑似烟雾特性进行分析时,只需关注其运动特征便可以准确进行烟雾检测输 出,避免了繁琐计算带来的误差,对比验证效果显示,算法结果输出高效稳定。     

复杂环境背景下绝缘子缺陷图像检测方法研究

针对处于复杂的环境背景下的电力绝缘子以及绝缘子缺陷的检测存在检测精度低、检测速度不高的实际问题,提出了一种改进YOLOv4(you only look once v4)算法的电力绝缘子图像以及存在缺陷的绝缘子检测的方法。通过制作电力绝缘子以及绝缘子存在缺陷的数据集,使用K-均值聚类(K-means)算法对电力绝缘子图像样本进行聚类,获得不同大小的先验框参数;然后通过改进平衡交叉熵(balanced cross entropy, BCE)引入一个权重系数,来增加损失函数的贡献程度;最后,通过增加空间金字塔池化结构(spatial pyramid pooling, SPP)前后的卷积层来加深网络的深度。实验结果表明,改进模型的单张检测时间为3.27 s,对于绝缘子缺陷平均检测精度比原始的YOLOv4算法提升了24.36%。同时通过改进后的YOLOv4算法在测试集上的平均精度均值(mean average precision, mAP)的值为84.05%,比原始的YOLOv4算法提升了17.83%,充分说明了能够很好的定位和识别电力绝缘子图像存在的缺陷。     

基于Canny-YOLOv3的列车轮对踏面损伤检测

针对CCD轮对图像背景噪声干扰较多,难以识别踏面损伤区域的难题,提出了一种基于Canny-YOLOv3的踏面损伤检测方法。采用Canny边缘检测算法对轮对踏面进行边缘检测,精准识别和分割出轮对踏面区域,并统一踏面图像的尺寸大小;又采用深度学习目标检测算法--YOLOv3检测出踏面图像中的损伤区域,从而完成轮对踏面的损伤检测。仿真结果表明,在相似图片干扰较大的背景下,该算法能够较准确地检测出损伤的位置和区域,且IoU值设定为0.5时,AP值可达83.19%。     

基于谱聚类分析的托辊故障诊断

有效地诊断托辊故障,对提高选煤工作效率和工厂智能化水平具有重要的作用。针对工业现场环境复杂,噪音类型多且杂的特点,首先提出利用差分法来消除托辊音频序列数据时间趋势影响的有效方法,在此基础上提取托辊音频序列特征,分别利用K-Means和谱聚类算法进行聚类分析以及故障识别,并从噪音音频序列数据中挖掘有用的信息。然后为了评价聚类模型的优劣,创新提出将同一音频序列分割得到子音频序列的相同聚类标签的平均比率,以此作为聚类优劣的评判标准。实验结果表明,谱聚类算法的效果优于K-Means,动态选取谱聚类的参数值能够提高局部诊断准确率,且具有较强的鲁棒性,能够实现对生产范围内多种类型噪音音频信号进行有效聚类识别。智能化托辊故障诊断系统的应用提高了选煤工作效率,减少了非计划停机次数,产生了较好的经济效益。     

基于SURF的红外图像识别

为了识别信息量较少的红外图片,采用SURF算法提取特征并匹配。首先进行滤波、增强和分割等图像预处理工作,然后通过SURF算法提取图像特征并识别匹配,最后经过RANSAC算法筛选,获得正确率较高的匹配点。实验表明,在红外图像识别过程中,采用合适的预处理算法以及鲁棒性较强的SURF算法,可以取得令人满意的识别效果。     

空间约束聚类分析的零部件图像镜面高光去除方法

为了解决镜面高光造成的零部件图像质量下降问题,提出了一种空间约束聚类分析的零部件图像镜面高光去除方法。 首先,将零部件图像投影到最小-最大色度空间,通过固定的聚类中心对聚类过程进行空间约束在保证簇中色度相近的同时实 现彩色像素和消色像素的分离;然后,采用强度比调整和亮度直方图统计分别对彩色像素和消色像素中的镜面反射分量进行估 计;最后,结合二色反射模型,实现零部件图像的镜面高光去除。 实验结果表明,经所提方法去高光后的实际拍摄图像的平均熵 值和结构相似度分别达到了 5. 750、0. 998 8,有效地去除了零部件图像中的镜面高光,提高了图像质量。     

基于改进Faster-RCNN的输电线巡检图像多目标检测及定位

针对输电线巡检图像受光线、环境和拍摄角度等因素影响,图像中的电气设备呈现低分辨率和多形态化特征的问题,提出一种基于改进Faster-RCNN的巡检图像多目标检测及定位方法。该方法首先通过区域建议策略网络生成若干目标候选区域;然后基于实际巡检图像样本库,对卷积神经网络进行训练,以改善参数学习效果;最后利用正则化方法优化参数权重,提高检测速度,得到适应巡检图像多形态化特征的改进型Faster-RCNN模型。实际场景数据集测试结果表明,相比于数字图像处理、浅层机器学习、单阶法、双阶法、Mask-RCNN和Local Loss目标检测方法,所提改进型Faster-RCNN能够在不同分辨率和不同位置角度的巡检图像场景下保持较高的识别精度和速度,具有较高的工程实用价值。     

基于改进SSD的变压器套管红外图像油位智能识别方法

为解决现有基于红外图像识别变压器套管油位存在的过于依赖温度信息、人工处理效率低下等问题,文中结合目标检测技术提出了一种基于改进单次检测器(SSD)的套管智能油位识别方法。通过引入SSD目标检测方法,检测红外图像中的套管区域,加入损失函数以改进SSD算法从而提高套管检测准确率,并进一步通过简单线性迭代聚类(SLIC)的应用实现了不依赖红外图像温度信息的油位检测。对比文中提出的基于红外图像的油位识别算法检测结果与人工油位检测结果,表明文中提出的算法不仅在效率上领先于传统的温度检测方式,且其误差较小,仅为0.08%。对比结果验证了所提算法在保证检测精度的情况下可大幅度提高检测效率,有效提升套管故障诊断效率和智能化水平。     

基于Retinex理论的低照度下输电线路图像增强方法及应用

为提高低照度环境下输电线路图像视频在线监测设备分析的准确性,提出一种基于Retinex理论的低照度图像增强方法。首先采用改进型同态滤波算法增强低照度图像的RGB分量,然后将图像转换至HSV色彩空间中。对多尺度Retinex算法增强图像进行改进,采用双边滤波函数替代Gaussian函数作为Retinex算法的环绕函数,引入色彩恢复函数进行图像色彩恢复,入射分量采用幂律变换校正,反射分量采用Sigmoid函数处理。最后将图像再转换至RGB空间得到增强后的输电线路图像。对实拍低照度输电线路图片进行仿真处理,结果表明该方法可以有效提高低照度图像的对比度、清晰度和信息熵,并在覆冰预警和异物识别中实现较好的应用。     

基于改进 PCM 聚类方法的绝缘子图像分割

针对绝缘子图像背景复杂多样而导致提取绝缘子区域困难的问题,提出了一种改进的可能性 C-均值聚类方法(PCM) 对绝缘子图像进行分割。 方法主要基于两个方面进行改进,一方面通过定义局部相关因子、引入图像的空间局部信息以增强对 噪声的抗干扰能力、提高分割精度;另一方面通过在损失函数中加入类中心相斥项缓解传统 PCM 聚类中心点重合问题。 实验 利用人工合成数据和复杂背景的绝缘子图像对比该算法与 FCM、PCM、K-means、KFCM 和 IFCM 算法的聚类分割性能。 结果表 明改进 PCM 对噪声抗干扰能力更强、聚类精度更高,且对绝缘子图像的平均分割误差为 0. 153,相比其他对比方法对复杂环境 下的绝缘子图片有更好的分割性能。     

基于异常点检测和改进K-means算法的台区用户相别辨识方法

解决配电台区用户线变不匹配问题是推进配电网智能化管理的关键一步。大数据技术的快速普及为实现低成本、高效率的台区用户相别辨识提供了可能。提出了基于异常点检测和改进K-means算法的台区用户相别辨识方法。首先通过局部因子算法对聚类分析数据进行预处理,剔除不属于待分析台区的用户数据。然后,根据实际应用场景特点对K-means算法进行改进,包括确定聚类个数、初始质心,并选用相关系数作为评估样本相似度的指标。最后利用改进的K-means算法对预处理后的数据进行聚类分析,实现低压台区用户相别的精准辨识。算例分析表明,所提方法能够有效提升用户辨识准确率,且在不同的数据环境中可保持较高的稳定性。     

基于深度学习的航拍图像绝缘子缺失检测方法研究

为解决目前人工处理分析无人机巡检图像效率低、检测结果受人为因素影响较大的问题,提出了一种图像识别的绝缘子缺失识别方法。首先,对无人机拍摄的图像样本进行了处理,扩充样本集。其次,搭建了绝缘子的检测模型,完成各层网络结构的选择和设计,使用CNN算法实现对绝缘子缺失的检测。随后,构建了绝缘子检测网络,并对各层检测网络参数进行配置。选择实际拍摄的图像作为训练样本进行网络训练。检测结果证实几个指标均在0.95以上,说明算法可准确识别出绝缘子。最后,利用CNN算法对航拍绝缘子进行缺陷检测。绝缘片缺失缺陷的正确识别率为86%。算法可根据检测结果自动显示绝缘子有无缺失缺陷。