融合改进 Padim 建模和 ResNet 网络的 喷涂质量检测算法

为了满足喷涂机器人对于喷涂质量检测的需求,采用迁移学习对改进 Padim 建模和 ResNet 网络进行融合,构建自主喷 涂机器人喷涂质量检测一体化模型。 该模型提取一次图像特征可同时用于缺陷定位和分类。 在缺陷定位端,通过改进 Padim 模型以减少特征冗余所造成网络的计算消耗,首先将 ResNet-18 网络获取的 patch 嵌入向量语义层由原先前 3 层改为单 2 层,然 后特征表达由 100 维降维至 20 维,最后训练正样本得到正态分布模型与测试图像进行缺陷定位。 在缺陷分类端,对预训练 ResNet-18 网络进行负样本二次训练,得到 ResNet-18 分类模型对测试图像进行缺陷分类。 经过实验,将一体化模型移植在 jetson nano 移动端中,参数量仅为 11. 69 M,定位精度 94. 5%,分类准确率高达 99. 6%,在机器人位移速度 0. 02 m/ s 下检测时间 为 0. 730 s,不会出现缺帧漏检情况,满足实时检测的要求。     

基于深度迁移学习的天气图像识别

当对天气图像等场景复杂和特征不明显的图像进行识别时,往往存在识别率不高和特征冗余等问题。基于此,本文提出了一种基于深度迁移学习的图像分类算法。该算法利用ImageNet数据集的模型参数构建ResNeXt、Xception以及SENet 3种网络模型提取图像特征,采用领域自适应的判别联合分布自适应算法来相似化特征向量,完成高质量的特征表示,并以其结果为准则融合模型特征,将融合特征经过多层感知机训练以实现高准确率识别的图像分类。实验结果表明,该算法的性能优于传统的单一网络模型,进一步提升了图像分类准确率的上限。     

一种基于DBN的高光谱遥感图像分类方法

高光谱遥感数据越来越普及并为人们广泛使用,基于高光谱数据的地面物体精确分类是高光谱遥感技术的核心应用之一。对高光谱数据进行提特征提取是进行地物分类的有效方法。深度学习是机器学习研究中的新领域,它多隐层的多层感知器结构使其能够学习到对数据有更本质的刻画的特征,在图像分类和可视化领域取得了更好的成绩。深度置信网（deep belief network ,DBN）是深度学习网络中常见的模型。利用高光谱数据的高维特性,搭建基于DBN的高光谱图像分类模型,结合高光谱数据的空间结构对地物进行分类。实验表明,基于DBN的高光谱图像分类方法可以得到更好的分类效果。     

基于改进Faster R-CNN的光伏电池内部缺陷检测

光伏电池近红外图像中复杂异构背景使内部缺陷检测成为一项极具挑战性的问题,为此,提出了一种基于深度学习的目标检测框架-残差通道注意力Faster R-CNN(residual-channel-attention-faster R-CNN,RCA-Faster R-CNN),该网络通过卷积层-池化层提取图像特征,再送入新颖的残差通道注意力RCA模块进行复杂背景特征抑制和缺陷特征突出,进而区域推荐网络推荐出更加精确的包含缺陷的候选框,最后利用分类与定位网络实现高精度的缺陷分类和位置估计。实验结果表明,RCA-Faster R-CNN的缺陷检测精度提升到了83.29%,证明了所提方法的有效性。     

基于深度学习的输电线路视觉检测方法研究进展

输电线路巡检是电网持续稳定供电的保障,其目的是对电力线、绝缘子、电力杆塔、防振锤等线路设备进行状态检测和故障诊断,同时观测电力线周围潜在隐患。深度学习的发展为输电线路巡检提供了有效手段,与传统目标检测方法相比,深度学习方法能更有效地实现航拍图像中电力设备的识别及缺陷检测。该文综述近十年来基于深度学习的输电线路视觉检测方法的研究进展。首先,概述适用于输电线路巡检的深度卷积神经网络,包括分类网络、检测网络、语义分割网络,考虑到开发的深度学习网络模型便于在移动设备上应用,另外阐述轻量化网络;然后,重点阐述基于深度卷积神经网络的输电线路巡检图像数据目标检测;随后介绍7个电力设备数据集以及性能评价指标;最后,指出基于深度学习的输电线路巡检图像数据视觉检测方法目前存在的问题,并对进一步的工作进行展望。     

融合多类型深度迁移学习的电力系统暂态稳定自适应评估

针对不同类型人工智能网络应用于电力系统暂态稳定评估时精度和泛化能力不稳定、运行方式或拓扑结构发生较大变化时评估精度下降、重新训练新模型费时费力等问题,提出一种融合多类型深度迁移学习模型（tmDLM）的自适应评估方法,该方法融合了深度置信网络、卷积神经网络以及长短期记忆网络3种不同的深度学习模型。将训练好的各类深度学习模型作为源域模型,当运行方式或拓扑结构发生较大变化时,采用少量目标域样本集微调预训练模型,使其快速跟踪系统当前的运行状态,并得到tmDLM。新英格兰10机39节点系统和华中电网的仿真结果表明：所提方法可以充分发挥各类深度学习方法的优势,具有良好的泛化能力;六分类模型能够在判稳的同时进行稳定裕度/失稳程度等级的评估;经过迁移后的深度学习模型具有良好的评估精度和时效性,大幅缩短了模型更新时间,实现了电力系统暂态稳定的自适应评估。     

基于改进Faster R CNN的光伏电池内部缺陷检测

光伏电池近红外图像中复杂异构背景使内部缺陷检测成为一项极具挑战性的问题,为此,提出了一种基于深度学习的目标检测框架 残差通道注意力Faster R CNN(residual channel attention faster R CNN, RCA Faster R CNN),该网络通过卷积层 池化层提取图像特征,再送入新颖的残差通道注意力RCA模块进行复杂背景特征抑制和缺陷特征突出,进而区域推荐网络推荐出更加精确的包含缺陷的候选框,最后利用分类与定位网络实现高精度的缺陷分类和位置估计。实验结果表明,RCA Faster R CNN的缺陷检测精度提升到了8329%,证明了所提方法的有效性。     

基于迁移学习和特征融合的复合绝缘子憎水性等级判别方法

为实现复合绝缘子憎水性等级自动、准确判别,提出一种基于迁移学习和特征融合的复合绝缘子憎水性等级判别方法。该方法以深度学习为基础,针对传统方法憎水性图像特征表述能力不足的缺点,基于VGG-19卷积神经网络构建了憎水性图像深度特征提取模型,并基于迁移学习理论,通过共享ImageNet集深度特征,提取模型卷积层及网络层参数,实现了训练样本数量受限背景下憎水性图像深度特征提取模型网络优化。针对现场实测环境光照条件多变,深度特征易受影响的缺点,基于局部二值模式提取了憎水性图像局部特征,并以VGG-19网络为基础,通过融合深度特征及局部特征,构建了基于迁移学习和特征融合的复合绝缘子憎水性等级判别模型。算例验证结果表明:所提方法提取的特征含量丰富,有效提高了憎水性等级判别效果,并可改善光照条件变化对憎水性等级判别结果不利影响。     

基于动态监督知识蒸馏的输电线路螺栓缺陷图像分类

螺栓是输电线路中广泛存在的紧固件,其缺陷图像具有类内差异性小、类间差异性大的特性。针对复杂度高且性能优秀的大模型在分析螺栓缺陷图像消耗大量计算资源的问题,将知识蒸馏技术引入到输电线路螺栓缺陷图像分类中,提出了一种基于动态监督知识蒸馏的输电线路螺栓缺陷图像分类方法:在网络输出层采用自适应加权方法,提高小模型学习螺栓缺陷标签的准确性;在网络隐藏层进行注意力转移,提高小模型螺栓特征的表达能力;将网络输出层的自适应加权方法与网络隐藏层的注意力转移机制相结合,以充分提高小模型的螺栓缺陷分类能力。最后通过自建螺栓缺陷图像分类数据集验证了大模型利用所提蒸馏方法指导小模型训练的有效性,实验结果表明:小模型的分类准确率提高了2.17%,小模型与大模型的分类准确率只差0.63%,且小模型的参数量仅为大模型参数量的7.8%。研究实现了螺栓缺陷的高效分类,达到了精度与资源消耗的平衡。     

基于改进YOLOv4及SR-GAN的绝缘子缺陷辨识研究

为了精准地识别无人机巡检图形中的小目标绝缘子及缺陷,本文提出了一种基于改进的深度学习目标检测网络(YOLOv4)的输电线路绝缘子缺陷检测方法.首先,通过无人机航拍及数据增强获得足够的绝缘子图像,构造绝缘子数据集.其次,利用绝缘子图像数据集训练YOLOv4网络,在训练过程中采用多阶段迁移学习策略和余弦退火学习率衰减法提高网络的训练速度和整体性能.最后,在测试过程中,对存在小目标的图像采用超分辨率生成网络,生成高质量的图像后再进行测试,以提高识别小目标的能力.实验结果表明,与Faster R-CNN和YOLOv3相比,所提算法在平均分类精度和每帧检测速率方面均有较大提升,性能表现优异.     

基于卷积神经网络的轮胎缺陷X光图像分类

轮胎缺陷的类型直接决定着轮胎是否为残次品或废品,对于轮胎定级具有重要参考价值,探索高性能的轮胎缺陷分类方法至关重要.采用卷积神经网络技术,提出一个端到端的图像自动分类算法.首先,从国内某轮胎生产线上通过现场运行的轮胎X光射线缺陷检测系统采集胎侧异物缺陷、胎冠异物缺陷、气泡缺陷、胎冠劈缝、胎侧开根5种最常见缺陷类型和1种正常胎侧图像作为分类目标,并且依据缺陷图像的缺陷尺度,将每幅图像缩放到127×127像素的统一大小;然后,设计含有5个卷积层、3个池化层、3个全连接层的网络结构.最后,用采集的缺陷样本对所设计的深度网络进行训练学习与测试.并将该算法和大量传统分类算法进行实验对比,取得更好的分类效果,平均测试识别率高达96.51％.     

基于迁移学习多层级融合的运动想象 EEG 辨识算法

为了准确获取运动想象脑电信号的全局特征和个体间的共性特征,进而提高其分类准确率和模型鲁棒性,提出一种参 数共享迁移学习的融合卷积神经网络算法。 首先把源域上训练完成的网络逐层迁移至目标网络以获取最佳迁移层。 其次,在 迁移层后分别连接不同数量的卷积-池化块构成 4 个不同深度的卷积网络,并将其并行融合后连接分类器得到分类结果。 利用 BCI 竞赛 IV Datasets 2a 对提出方法进行实验分析。 结果显示,使用 100%和 50%样本时所有受试者的平均辨识率分别为 80. 85%和 78. 9%,验证了提出方法在全局特征提取上的有效性小样本问题上的优势。     

基于深度迁移学习的大雾等级智能认知方法研究

已有雾气检测模型存在缺陷以及深层神经网络优化存在困难。模仿人类认知模式,借鉴迁移学习和闭环控制理论思想,探索了一种基于动态交错组卷积的雾气等级智能认知方法。首先,构建交错组卷积层以降低卷积运算的通道冗余;其次,构建可区分性测度指标和认知决策信息系统,获取雾气图像多层次差异化简约特征空间数据结构;再次,设计深层随机配置网络分类器,构建具有强泛化能力的分类准则;最后,基于广义误差和熵理论,仿人类反复推敲比对的认知模式实时评测雾气等级认知结果的可信度,基于迁移学习机制实现雾气图像多层次差异化特征空间及其分类准则的自寻优重构,对可信度低的雾气图像进行再认知。15 000幅大雾图像的平均识别率为95.98%,实验结果表明,所用方法与其他算法相比,增强了模型的泛化能力,提升了模型的认知精度。     

基于迁移学习的架空电力线路螺栓状态分类方法研究

架空电力线路螺栓缺陷检测意义重大,其首要任务为准确分类螺栓各种状态.而螺栓不同状态缺陷之间相似度较高,加之无人机飞行姿态灵活、拍照角度多样又造成螺栓在不同视角下视觉差异较大,出现了细粒度分类的难题.针对上述问题,提出一种基于DenseNet网络的迁移学习方法,对架空电力线路螺栓进行细粒度状态分类.首先自制三类别螺栓数据集并进行数据增强,然后对在ImageNet数据集上进行预训练的 DenseNet网络进行微调,迁移至螺栓状态分类的任务中学习,得出分类结果.实验表明该模型在螺栓状态分类中准确率达到98.9％,比传统方法和不使用迁移学习的模型效果更好.     

基于点对称变换的乙丙橡胶电缆终端缺陷诊断

为解决高速动车组车载电缆健康状况的智能化诊断受限于天窗期短的问题,该文提出一种基于点对称（SDP）的乙丙橡胶（EPR）电缆终端缺陷局部放电诊断方法。首先,搭建局部放电试验平台获取局部放电信号;然后,提出一种车载电缆局部放电信号的SDP参数确定方法,并基于SDP变换将不同类型缺陷局部放电信号映射到极坐标系中形成SDP图像;最后,对比三种常见的深度学习网络——卷积神经网络（CNN）、栈式自编码器（SAE）及深度置信网络（DBN）提取不同类型缺陷的SDP图像深层特征,并基于网络尾端Softmax分类器进行识别。结果表明：针对四种典型的电缆缺陷,DBN网络与SDP图像的结合效果最佳,缺陷识别率达到了96.1%,相比于传统诊断方法,识别准确率提高了10%左右,由此验证了通过深度学习算法自适应提取SDP图像特征的方法,可有效应用于电缆缺陷诊断领域,具有较好的工程应用前景。     

CNN 集成机器学习的金属缺陷少样本分类方法

针对金属缺陷分类,以深度学习为代表的分类方法主要是基于大规模数据的统计学习方法,一方面需要大量优质的标注样本,另一方面对数据中未能涵盖的样本泛化性能差。提出了一种利用集成学习思想,将人类分类知识嵌入到深度学习的少样本分类方法。首先搭建了一个卷积神经网络作为分类模型的骨干网络,并设计了一个利用机器学习的类人学习模块,利用人类分类所用特征进行分类。此外,为了提高模型的泛化性、鲁棒性和更好的融合效果,设计了一种以对数函数为核心的数学集成模型,模块中的数学集成模型利用集成学习思想将骨干网络和类人学习模块的输出进行耦合。实验结果表明,对于小训练集大测试集的金属缺陷数据在分类性能和训练参数量方面优于深度学习方法。此外,类人学习模块和数学集成模型嵌入到不同的骨干网络上均取得了很好的性能,表明所提出的方法适用于多种深度卷积神经网络。     

基于 BiLSTM-Attention 的迁移学习变工况故障识别方法研究

针对传统深度学习网络模型在变工况条件下的故障诊断泛化能力差的问题,提出一种基于迁移学习的双向长短时记忆网络和注意力机制(TLBA)融合的故障识别方法。将原始故障数据划分为源域及目标域;并构建融合注意力机制的双向长短时记忆网络(BiLSTM-Attention, BA)模型,之后使用此模型学习源域数据特征;最后利用迁移学习通过对目标域数据的学习,进一步优化调整BA模型的网络参数,最终得到目标域的故障分类辨识模型。以航空器翼梁故障为案例,结果表明,该方法与传统故障诊断方法BiLSTM-Attention相比,其综合评价指标F_1-score有3.4%的提高,故障平均诊断准确率在91%以上;同时针对变工况下的故障分类结果较为稳定。     

基于深度学习的电力设备红外图像故障诊断方法

红外热成像检测技术在变电站中的广泛应用产生了大量红外图像。针对变电站人工故障诊断作业量大、效率低的问题,提出了一种基于MobileNet的设备红外图像自动故障诊断方法,并进行了软件封装。首先,考虑到检测速率需求,构建了基于MobileNet轻量化网络的深度学习电力设备分类模型,并通过迁移学习提高模型训练效率和准确率;其次,利用比色条和温度极值拟合出图像灰度与实际温度的函数关系,以此计算出红外图像中设备热点的温度;最后,对以上结果和故障诊断规范进行软件封装,实现了故障的自动诊断。实验结果表明:该软件设备分类准确率达到95.7%,计算所得热点温度与实际温度的误差均值为-0.29%,所提出方法和软件有效提高了电力设备红外图像故障诊断效率,为变电站智能巡检提供了新思路。     

基于深度学习和多模型融合的局部放电模式识别方法

局部放电与电力设备的绝缘状态息息相关,准确识别局部放电类型对于保障电网运行具有重要意义。文中提出一种基于深度学习和多模型融合的局部放电模式识别方法。首先,设计并搭建开关柜内4类典型局部放电缺陷模型,采集局部放电相位分布(phase resolved partial discharge,PRPD)图谱并建立样本集;其次,搭建基于迁移学习的深度残差网络,对局部放电缺陷进行识别;最后,利用Sugeno模糊积分将深度残差网络(deep residual net￣work,DRN)模型与传统识别模型进行融合。实验结果表明：迁移学习模型相比于无迁移学习模型有着更好的更新能力和泛化性能;融合模型与单一模型相比具有更高的识别准确率。所提方法能够准确识别局部放电缺陷类型,对于电力设备的运维检修具有一定的参考价值。     

基于深度学习的电力设备图像识别方法

针对传统方法对电力设备的图像特征分类不明确,导致得到的图像识别效果不佳,难以保证安全运行的问题,提出了基于深度学习的电力设备图像识别方法。该方法首先提取电力设备图像特征分类伪装因素,然后基于深度学习方法构建网络模型定位错误锚点,通过正负训练标记识别目标区域,从而完成对电力设备图像的识别。实验结果表明,以变压器和电线塔杆作为识别设备测试对象,该方法能在30 s内基本完成采集图像的有效识别,可保证电力设备能稳定运行,具有较好的实际应用效果。