基于DBSCAN-FPN的输电线路螺栓缺销检测方法

螺栓作为输电线路上数量最大的紧固件,其缺陷检测是输电线路巡检工作中的一项重要内容。针对螺栓缺销为小目标,其定位困难、特征难提取的问题,提出一种基于DBSCAN算法与FPN模型相结合的螺栓缺销检测方法。首先,利用FPN模型定位螺栓缺销目标区域,同时基于DBSCAN聚类算法对具有相同形态结构的区域进行聚类;然后,改进FPN模型：基于螺栓先验知识,利用卷积网络实现自底向上的特征提取,采用双线性插值方法将特征的高层语义信息自顶向下地传递到各个层级,通过卷积滤波方法横向加强高层语义特征与高分辨率特征的融合信息,获得更优化的螺栓缺销特征表达;利用改进FPN模型实现螺栓缺销的初步检测;最后,采用DBSCAN聚类算法对初步检测结果进行误检甄别,实现了螺栓缺销的精确检测。实验结果表明,DBSCAN-FPN在自建数据集上的检测精度达到76.23%,检测效果优于FPN、R-FCN和Faster R-CNN。所提方法可以有效提高螺栓缺销检测精度,对输电线路运维有实际意义。     

基于语义的信息时序检测技术设计研究

针对信息的交互与获取正日益突破时间与空间的限制,提出了一种基于语义技术的语义域话题关联检测相关性判定模型,模型是基于文本理解和语义分析的判定方法,其核心思想是根据不同话题生成对应的语义结构体,使系统能够实现自动根据语义信息对话题进行相关性判定,仿真实验结果表明文本的误检率还是漏检率都得到了明显的降低,因此,结果证明基于语义的信息时序检测模型能够有效提高对报道中语义空间中主题相关性检测的能力,对于话题的时序检测后期的研究有积极的意义。     

Smoke detection in open areas with texture analysis and support vector machines

Early and certain fire detection is one of the important issues to keep infrastructures safe. Especially, it becomes an urgent problem for open places such as port facilities, large factories, and power plants, due to its large harmful effect to the surrounding areas. In these places, direct detection of fire or flame has some difficulties because they are open and hence have problem to set sensor devices. Therefore, smoke is an important and useful sign to detect fire or flames robustly even in such cases. In this paper, we present a novel smoke detection method based on image information. First, we extract moving objects in an image sequence as smoke candidate regions in a preprocessing step. Since smoke has a characteristic pattern as image information, we focus on the texture pattern of smoke. Here, we use texture analysis to extract feature vectors of the images. To classify extracted areas of moving objects to smoke or nonsmoke, we use support vector machines (SVMs) with texture features as an input feature vector. Extraction of moving objects is sometimes easily and greatly affected by environmental conditions such as wind, background objects, and so forth. It obviously causes bad classification results. To solve this problem, we additionally accumulate the results of classification with SVM about time to obtain accurate extraction result of smoke regions under these conditions. Experimental results using real‐scene data show that our method works effectively under several different environmental conditions. © 2012 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

Smoke detection using time series property of texture features

We present a method of smoke detection using image sequences from a single camera on open areas under general environmental conditions. We combine several simple image processing techniques to detect smoke with texture analysis. First, moving objects are detected from gray‐scale image sequences. Then, the texture features are extracted. Finally, we determine the existence of smoke based on the time series property of those texture features. In the experiment, the performance is evaluated using real‐scene data. © 2011 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于DeepLab v3+深度卷积网络的输电导线图像识别方法

输电导线图像识别是电力设备自动巡检过程中的重要环节。针对传统导线检测方法需人工设计目标特征、抗干扰能力差等问题，提出一种基于深度卷积网络（DeepLab v3+）的输电导线图像识别方法。首先，采用DeepLab v3+网络模型，实现导线的初步识别。通过多层卷积自动学习导线特征，并通过解码器结构融合导线低层的细节特征与高层的语义特征，较好地实现导线像素分割。然后，针对识别结果中存在的断裂和伪导线问题，采用改进的最小点对法和长度阈值法进一步精细化处理。最后，采用八方向搜索法提取每一条导线并编号。实验结果表明，所提方法能很好地提取出输电线路图像中的导线。     

基于 YOLOv5 的多分支注意力 SAR 图像舰船检测

针对合成孔径雷达图像噪声大,成像特征不明显,尤其在面对海陆边界、港口码头、近岸岩礁等复杂场景,通常的检测算 法对 SAR 图像目标特征提取困难,导致检测精度不高,出现误检漏检等问题。 在 YOLOv5 的基础上设计了一种旋转的目标检 测方法,提出了多分支注意力模块可以跨维度的信息融合,能更好地提取 SAR 图像目标中的位置信息和语义信息,以提高检测 精度。 此外,由于旋转目标检测会产生边界不连续问题影响边界框的回归,因此,利用了圆形平滑标签的方法将角度参数从回 归问题转为分类问题,由此提高了精度。 最后在 HRSID、SSDD+数据集上进行了实验,精度分别达到 84. 98%和 90. 13%,比原始 的 YOLOv5 算法分别提升了 1. 29%和 2. 57%,实验结果证明所提算法的有效性。     

基于GPU的视频序列中运动目标轮廓提取

传统的高斯混合建模算法对阴影的抑制效果差,且存在噪声干扰和对光照突变比较敏感的问题。采用了一种改进的高斯混合建模方法进行运动目标轮廓提取。该方法利用Canny边缘图像对噪声和光照适应性强的特点,将传统高斯混合模型与Canny边缘检测相结合来提取目标轮廓。但是,该方法复杂度高且计算量大,不满足视频分析实时性的需求,因此,运用GPU强大计算能力和并行处理的优势,基于CUDA平台设计并实现了该运动目标轮廓提取算法。实验结果表明,该算法增强了对噪声和光照的适应性,且有效抑制了图像中的阴影,在保证效果的前提下能够更快速地提取视频序列中的运动目标轮廓。     

基于优化视觉词典的震后高分遥感影像震害建筑物检测

在缺少震前参考信息前提下,提出了一种基于优化视觉词典的震后高分遥感影像震害建筑物检测方法。 首先通过 WJSEG(wavelet-JSEG)分割以及一组非建筑物筛选规则提取潜在建筑物集合;其次利用光谱、纹理及几何形态学特征构建了一 种震害视觉词典模型,跨越了从像素到震害特征间的“语义鸿沟”;在此基础上设计了一种基于类内和类间惩罚因子的视觉词 典优化策略,减少了信息冗余及证据冲突;最后通过随机森林分类器将建筑物进一步划分为完好建筑物、部分震害建筑物及废 墟。 在两组实验中,该方法的总体精度均达到 85%以上,从而可为震后应急响应救援及灾后重建提供关键的决策支持信息。     

SGCNet:一种轻量化的新能源汽车电池集流盘缺陷检测模型

集流盘作为新能源汽车电池的重要组成部件,其质量好坏关系到电池的性能,对车内人员的生命安全有着重要影响。实际工业应用中,在有限的计算资源下对电池集流盘缺陷进行实时检测是一项具有挑战性的任务。为了减小模型大小和计算量,降低应用成本,本文提出一种轻量化的新能源汽车电池集流盘缺陷检测模型(SGCNet)。首先,采用ShuffleNet V2作为主干特征提取网络,采用分组卷积和通道重排技术,在提取有效特征的同时降低计算复杂度,降低参数量。其次,设计了轻量化的特征融合网络GC-FPN,采用轻量级GhostNet和CARAFE上采样算子,在减少参数冗余和保证检测精度的情况下充分保留特征图的语义信息,从而降低了计算成本。实验结果表明,SGCNet模型检测准确率达到了90.6%,模型大小为3.2 M,GFLOPs仅为3.6,帧率达到了178.6 fps。与目前先进的轻量化网络模型相比,具有较高检测精度和较低的计算量。最后,在嵌入式平台NVIDIA Jetson Nano上部署SGCNet模型,进行实时检测,每张图片的检测时间为0.07 s,满足实际工业中电池集流盘缺陷检测任务对精度和实时性的要求。     

Network‐based fault detection for discrete‐time state‐delay systems: A new measurement model

In this paper, the fault detection problem is studied for a class of discrete‐time networked systems with multiple state delays and unknown input. A new measurement model is proposed to account for both the random measurement delays and the stochastic data missing (package dropout) phenomenon, which are typically resulted from the limited capacity of the communication networks. At any time point, one of the following cases (random events) occurs: measurement missing case, no time‐delay case, one‐step delay case, two‐step delay case, …, q‐step delay case. The probabilistic switching between different cases is assumed to obey a homogeneous Markovian chain. We aim to design a fault detection filter such that, for all unknown input and incomplete measurements, the error between the residual and weighted faults is made as small as possible. The addressed fault detection problem is first converted into an auxiliary H_∞ filtering problem for a certain Markovian jumping system (MJS). Then, with the help of the bounded real lemma of MJSs, a sufficient condition for the existence of the desired fault detection filter is established in terms of a set of linear matrix inequalities (LMIs). A simulation example is provided to illustrate the effectiveness and applicability of the proposed techniques. Copyright © 2007 John Wiley & Sons, Ltd.     

融合注意力机制与逆残差结构的 轻量级钻机目标检测方法

为实现煤矿下定向钻进钻机钻孔深度的精准测量,提出一种融合注意力机制与逆残差结构的轻量级钻机目标检测网络 (GCI-YOLOv4),通过自动、快速及准确检测记录钻机的运动轨迹,获取打入钻杆数量,计算出钻孔深度。 针对煤矿下色域区分 度低问题,采用 GhostNet 作为特征提取网络去除复杂背景的冗余特征,同时轻量化模型,加快推理速度。 针对煤矿井下光照不 均导致钻机目标显著度低的问题,引入注意力模块增强钻机在复杂背景中的显著度。 针对钻机高速运动时难以被准确检测的 问题,引入逆残差结构,提取更丰富语义特征的同时保持速度与精度的均衡。 为保证模型的准确性和可靠性,将提出的检测算 法与 5 种经典目标检测算法进行对比。 实验结果表明,GCI-YOLOv4 可以较好的解决煤矿下背景色域区分度低、钻机高速运动 以及受光照不均等问题,平均检测精度达到 99. 49%,检测速度达到 58. 10 FPS,性能优于经典目标检测算法。 将 GCI-YOLOv4 部署在工作面现场进行测试,能够准确获取钻机的运动轨迹,通过滤波处理统计上升沿计算钻杆数量,钻杆计数精度达到 99. 4%,精确计算出钻孔深度,验证了该方法的可行性和实用性。     

基于特征增强 YOLOv4 的无人机检测算法研究

现有基于深度学习的目标检测方法在面对空中消费级无人机时,存在鲁棒性差、准确率不足等问题。 对此,提出一种基 于特征增强的 YOLOv4 目标检测方法—FEM-YOLOv4。 首先,针对无人机低、小、慢等特点,改进骨干网络,降低下采样倍数,充 分利用包含细粒度信息的浅层特征;其次,加入特征增强模块(feature enhancement module),通过使用不同空洞率的多分支卷积 层结构,综合不同深度的语义信息和空间信息,增强小尺度无人机的细节语义特征;另外,利用多尺度融合的特征金字塔结构, 突出特征图包含的细节信息和语义信息,提升模型对无人机目标的预测能力;最后,采用 K-means++算法对无人机目标候选框 的尺寸进行聚类分析。 与 6 种目标检算法进行对比,实验结果表明,FEM-YOLOv4 算法的 mAP 和 Recall 分别达到 89. 48%、 97. 4%,优于其他算法,且平均检测速度为 0. 042 s。     

Exploiting opinion distribution for topic recommendation in Twitter

The popular social networking service Twitter provides rapidly updated information and online trends, which enriches and benefits people's daily life. At the same time, how to find out the really interesting and relevant topics from the massive streams of tweets, to provide precise topic recommendation for users, becomes a challenging problem in the real world. Previous collaborative filtering methods give solutions to traditional recommendation tasks considering users' positive reviews to help recommend items. However, to the problem ‘what is interesting to whom’ in Twitter, positive opinions toward a topic do not imply that the user will be interested in it with high probability, for the user probably prefers to know those controversial topics or hot events with a large number of negative posts. In this paper, we exploit the characteristics of topical opinion distribution for improving the performance of recommendation. The experimental results on a real‐world Twitter dataset show that the proposed opinion‐distribution‐aware topic recommendation (ODA‐TR) approach outperforms the state‐of‐the‐art collaborative recommendation methods. © 2015 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于安卓平台的小型化混凝土探测雷达系统

面向钢筋混凝土内部结构的探测需求研制出一款小型化探地雷达,并利用 Java语言研发了一款基于Android手机平台的实时信号处理系统,旨在为工程人员提供更加高效、便捷的探测方式和现场处理方法。该系统能够实时接收雷达探测数据,将数据绘制成单道波形图、灰度图,并且可以将数据保存在SD卡指定文件夹中。同时,提出了一种实时的钢筋识别算法,应用于信号处理客户端,实现了对混凝土结构中的钢筋目标的自动识别。实验证明,该算法具备较高的准确性与良好的实时性。     

基于AprilTag图像识别的移动机器人定位研究

药液在生产过程中易混入不溶异物,因此投入市场前的必须对药液进行检测。针对安瓿瓶药液检测,区别于传统的序列图像检测算法,设计了一种基于机器视觉和卷积神经网络的检测方法。首先利用Canny边缘检测提取安瓿瓶瓶壁边缘,裁剪药液区域图像,减少了后续计算量;其次改用VGG16卷积神经网络进行不溶异物的特征提取,可以提取到传统特征之外的抽象特征;最后通过迁移学习和微调,在400张测试样本中,结果为识别正确378张。结果表明,该方法可以检出不溶异物,满足实际生产需求。     

基于边缘检测和混合高斯模型的运动目标检测算法

提出一种运动目标检测算法。该算法在时间域上通过混合高斯模型进行背景建模及更新,同时利用基于HSV颜色空间的阴影模型实现阴影检测,提取运动目标的初步形状。然后在空间域上利用Canny边缘检测算子获得运动目标的边缘轮廓,并进一步运算,提取出最终的运动目标。将所提出的算法应用到了越界侦测（报警）中,试验和应用结果表明,该算法能够更有效地检测出运动目标。     

基于四元数模型的密集人群视频特征提取

密集人群场景下的视频异常事件检测是当今智能监控技术研究中的一个热点。本文针对如何合理提取面向密集人群场景视频的时空特征、以及提高密集人群异常检测的效率进行研究,结合人类视觉感知系统相关知识,分析了将视频的时间特征和空间特征相融合的四元数傅里叶变换,提出了一种新的适用于密集人群场景的特征提取方法。最后通过实验证明,本文所提出的特征能够较为全面准确地描述密集人群视频场景中的特征,并取得了良好的异常检测效果。     

Automatic detection and tracking of moving image target with CNN‐UM via target probability fusion of multiple features

A high speed target detection and tracking algorithm for a CNN‐UM chip is presented in this paper. The target confidence value is computed based on the fusion of target existence probabilities of features using products of weighted sums. The target decision is done with such a confidence value and target initiation is done through the temporal accumulation of the confidence. The probability of the target existence for each feature is created in the region of influence depending on the reliability and the strength of the feature. By virtue of the analogic parallel processing structure of the CNN‐UM (Roska T, Chua LO. The CNN universal machine: an analogic array computer. IEEE Trans. Circuits Systems II 1993; CAS‐40 : 163–173), real time tracking can be achieved with presently available technologies with the speed of several kilo‐frames per second. Due to the utilization of multiple features of target, robust target detection is possible via the proposed algorithm. On‐chip experiments of the proposed target‐tracking algorithm have been done and properties of the proposed approach are disclosed through the various experiments. Copyright © 2003 John Wiley & Sons, Ltd.     

改进WMIL的实时人脸检测与跟踪

针对WMIL在光照突变或者全部遮挡的的情况下会出现跟踪失败以及在跟踪错误情况下无法自动恢复跟踪的问题,提出了一种基于改进WMIL算法和AdaBoost的实时人脸检测和跟踪算法。利用AdaBoost的方法检测人脸信息,然后在改进WMIL算法的框架下,对人脸图像进行多尺度表示,采用压缩感知的方法来提取样本特征。最后,利用改进WMIL算法建立分类器对人脸进行跟踪,自适应调整跟踪窗口的大小,并实时更新。实验结果表明,改善了WMIL存在的不足,有效解决了在人脸外观变化,姿态改变、快速运动等情况下,能稳定准确地实现目标的实时跟踪。     

基于预训练语言模型的电力领域设备缺陷检测

电力设备缺陷种类繁多,部分缺陷会引发设备故障,及时检测电力设备存在的缺陷是防止发生设备故障的重要手段。设备缺陷检测旨在从文本中识别触发词并且将文本划分对应的设备缺陷类型。针对电力领域缺陷数据集标注不足,以及由于文本中包含大量专业术语造成语义理解难等问题,研究基于深度学习的设备缺陷检测方法,设计电力领域设备缺陷检测预训练语言模型,利用事件三元组知识。文中,构建一个电力设备缺陷检测数据集,在模型进行缺陷检测任务之前,通过事件三元组预训练的方式提高语言模型的表征能力。实验表明,基于现场设备案例数据经过预训练的模型在缺陷检测任务上具有更好的表现效果,可以有效实现对电力领域缺陷报告文本的缺陷检测。