基于小波和长短期记忆混合神经网络的电力用户异常用电模式检测

为了约束输配电系统中存在的异常用电行为,文中提出一种基于小波和长短期记忆混合神经网络的电力用户异常用电模式检测模型。提出异常用电模拟算法用于生成异常用电数据序列;利用长短期记忆网络构建特征提取网络,从用电数据中提取出不同的序列特征;以小波神经网络为核心构建模式映射网络,实现序列特征到用电模式的映射,完成异常用电模式检测。通过CER Smart Metering Project数据集测试,文章提出的异常用电检测模型与传统网络模型相比,具有更高的检出率、更低的误检率和更高的贝叶斯检出率。     

基于改进 YOLO v5 的电厂管道油液泄漏检测

针对电厂油库、化水车间等关键区域油液管道时常发生泄漏问题,本文提出了一种基于改进 YOLO v5 的电厂关键区域 管道油液泄漏检测方法,通过融入 CBAM 注意力机制模块,加强对管道油液泄漏区域图像的特征学习与特征提取,同时弱化复 杂背景对检测结果的影响;在此基础上运用了双向特征金字塔网络进行多尺度特征融合,减少冗余计算,同时提升算法对小目 标的检测能力;最后采用 Focal EIoU Loss 作为损失函数,使回归过程更加专注于高质量锚框,加快收敛速度,提高模型的回归精 度和鲁棒性。 实验结果表明,本文所提出的改进算法在真实样本中表现良好,平均准确率达 79. 6%,较原 YOLO v5s 目标检测 算法提高了 38. 4%,在电厂复杂背景下的误报率和漏报率明显下降,可有效应用于实际生产环境中。     

基于改进 Faster R-CNN 的电厂雨排口 污染物泄漏检测

针对监控图像中电厂雨排口出现的废弃油污泄漏问题,提出一种基于改进Faster区域卷积神经网络(Faster R-CNN)的电厂雨排口污染物泄漏检测算法。改进Faster R-CNN检测算法首先使用ResNet-50作为主干网络,在此基础上构建多尺度特征图金字塔结构(FPN),实现高层语义和低层语义之间的信息融合,提高了检测精度;其次采用CIoU损失和DIoU-NMS方法,提高Faster R-CNN中边框回归的准确度;最后引入Focal Loss损失函数,解决了区域建议网络(RPN)生成的锚点冗余导致R-CNN阶段出现正负样本不均衡问题。实验结果表明,此改进算法在真实样本中表现良好,平均准确率达到90.2%,与原Faster R-CNN算法相比较,准确率提高,误报率和漏报率明显下降,可有效应用于实际生产环境中。     

基于对比学习生成对抗网络的无监督工业品表面异常检测

在工业品表面异常检测中，由于异常的未知性和无规则性，人工标注异常样本难度大、成本高，有监督的深度学习算法在工业品表面异常检测任务中存在局限性。针对上述问题，提出一种基于对比学习生成对抗网络(contrastive learning generative adversarial network, CLGAN)的无监督工业品表面异常检测算法。首先，建立基于无监督学习算法的CLGAN模型；其次，采用对比学习加强潜在特征空间正负例样本约束，使得输入与输出图像对应Patch之间的互信息最大化，增强正负样本特征向量区分度，使模型重构异常样本图像能力得到进一步提升；然后，在检测阶段，利用训练好的模型得到待测工业品的无异常重构图像，并计算得到待测样本与其对应重构图像之间的残差图像；最后，结合双阈值分割的后处理方法和数学形态学处理，实现工业品表面异常区域地快速检测和准确定位。通过在公共数据集MVTec AD上进行实验，与其他的无监督深度学习模型算法相比，所提算法具有更好的识别效果和更强的泛化能力。     

An efficient class association rule‐pruning method for unified intrusion detection system using genetic algorithm

Genetic network programming (GNP)‐based class association rule mining has been demonstrated to be efficient for misuse and anomaly detection. However, misuse detection is weak in detecting brand new attacks, while anomaly detection has a defect of high positive false rate. In this paper, a unified detection method is proposed to integrate misuse detection and anomaly detection to overcome their disadvantages. In addition, GNP‐based class association rule mining method extracts an overwhelming number of rules which contain much redundant and irrelevant information. Therefore, in this paper, an efficient class association rule‐pruning method is proposed based on matching degree and genetic algorithm (GA). In the first stage, a matching degree‐based method is applied to preprune the rules in order to improve the efficiency of the GA. In the second stage, the GA is implemented to pick up the effective rules among the rules remaining in the first stage. Simulations on KDDCup99 show the high performance of the proposed method. © 2012 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于改进Yolov7的输电线路绝缘子识别检测研究

针对绝缘子目标尺寸小导致检测精度低、误检漏检率高的问题,提出一种基于YOLOv7改进的输电线路绝缘子检测模型。首先,将双支路融合通道注意力机制与主干部分的ELAN模块进行融合,强调重要的通道信息,抑制噪声等无用信息的干扰;其次,在特征融合部分加入局部自注意力机制,使得局部微小区域局部关注度增强;同时,在Neck部分融入BiFPN跨层连接,在增加部分计算量的同时,使得边缘信息得到更好的保留,更利于小目标的检测;最后,以精确度、召回率、平均精度均值等作为评价指标,对采集的数据集进行了消融实验和对比实验。实验结果表明,改进后的网络模型对输电线路绝缘子检测精度为92.1%,相比于传统的YOLOv7网络模型提高3%,并且其平均检测均值、召回率分别提高3.1%、3.6%;同时,改进的模型在各个评估指标上相比YOLOv5-ECA和Faster-R-CNN等均有显著优势,针对输电线路绝缘子检测具有良好效果。     

图像水印检测分布研究及算法改进

本文首先分析了加法和乘法2种嵌入模型下检测器的理论输出分布,提出影响漏检率和虚警率的因素。进而提出一种改进的嵌入算法,根据水印与图像特征的相关系数提出不同的嵌入策略,使检测结果分布在正负轴两边。该算法在噪声环境下体现出很好的稳健性。     

一种基于Hough变换的直角角点检测算法

直角角点检测在广泛的图像处理与机器视觉应用领域中具有重要性.提出了一个新的直角角点检测方法.原始图像经边缘检测后得到二值化边缘,将直角角点检测问题分解为一系列的模板匹配问题.应用了Hough变换来高效地解决模板匹配的问题,并在Hough变换中结合了边缘方向信息以减少检测出的虚假直角角点数量.在一个实际的图像数据库上进行了提出的方法与其他数种角点检测算法的对比实验.实验结果表明,与其他方法相比,提出的方法具有最高的直角角点检出率,而其整体性能(包括运行时间、检出率、虚假角点检测率)也具有优势.     

基于小波分解的群落流量异常检测

针对大规模高速网络海量数据处理和异常检测率较低的问题,将群落概念引入流量异常检测领域,用小波三层分解和偏离值结合的检测方法,实验性地证明了基于群落的检测比基于网络的检测能提供更加准确和高效的检测结果。因为以群落为观察范围,可以避免对群落的攻击被其他群落的无关网络活动所掩盖,并且可以分流数据。文中对群落检测所使用的特征集进行了研究,在总结已有基于Netflow记录的特征的基础上,用基于相关性的方法剔出了强相关的特征,优选出适合群落检测的特征集,避免了当前基于Netflow的异常检测中随意选取特征所造成的信息冗余。     

基于Bagging异质集成学习的窃电检测

针对传统窃电检测中单一分类方法的不足,提出一种基于Bagging异质集成学习的窃电检测方法.考虑不同个体学习器在数据集上的表现以及各学习器之间的多样性,构建多种个体学习器嵌入的Bagging异质集成学习的窃电检测模型,模型的个体学习器包含k最近邻、误差反向传播神经网络、梯度提升树和随机森林,通过引入改进加权投票策略将其输出进行结合.使用爱尔兰智能电表数据集对算法有效性进行验证.结果表明,与传统单一学习器和同质集成学习检测相比,基于Bagging异质集成学习的窃电检测方法的准确率、命中率、误检率等检测指标更好,灵敏性分析验证了基于Bagging异质集成学习的窃电检测方法的有效性.     

基于注意力特征融合YOLOv5模型的无人机输电线路航拍图像金具检测方法

无人机采集输电线路航拍图像由于其特殊性,往往背景复杂多变,检测目标存在尺度不一及部分遮挡等问题容易造成检测过程中误检、漏检。本文从特征融合角度出发,提出基于注意力特征融合YOLOv5模型的输电线路金具检测方法。首先,在主干提取网络中引入了具有自注意力机制的AFF-Transformer模块更好的捕获全局信息和上下文信息,提高主干网络特征提取能力。其次,通过在特征融合过程中使用通道空间注意力避免了关键信息丢失。最后,利用双向加权特征融合机制使得模型更有效的将浅层特征和深层特征进行融合,以上改进有效缓解了金具在密集状态下的误检、漏检等问题。通过在自建输电线路金具数据集上进行实验,结果表明：本文提出的方法在原YOLOv5模型的基础上准确率提升了2.7%,模型召回率提高了1.5%,针对于小目标,以及漏检、误检等问题有了较好的改善。     

融合边缘检测和递归神经网络的视频表情识别

为有效解决传统视频人脸表情识别通常只关注单张视频帧的空间特征,而忽略了相邻帧之间隐藏的时间特征的问题,提出一种结合边缘检测和递归神经网络的视频表情识别方法,利用梯度边缘检测准确地提取输入图像的纹理信息,同时提出一种分片交叉LSTM结构,提取出图像序列中隐藏的时空特征。实验在CK+和MMI视频库上进行,在OCNN-RNN网络中分别取得88.4%和69.7%的识别率,在GCNN-RNN网络中分别取得89.8%和73.6%的识别率,最终使用提出的加权随机搜索方法融合GCNN-RNN和OCNN-RNN两个网络之后,分别取得了94.6%和79.9%的识别率,均优于单流网络算法,证明了所提算法的有效性。     

UAST-RCNN:遮挡行人的目标检测算法

为解决行人检测中对遮挡行人的检测度低,漏检率较高的问题,提出一种基于注意力机制的 UAST-RCNN 网络,其在 Faster-RCNN 网络的基础上进行改进。 首先,选用 Swin-Transformer 作为骨干网络,通过采用一种窗口多头自注意力机制提升全 局感受野;然后,通过层级重采样模块,改进特征金字塔提升特征样本的质量,并且引入渐进式焦点损失函数平衡正负样本;最 后,在实验预处理阶段采用改进的数据预处理扩充 City Persons 数据集进行多尺度训练。 实验结果表明该算法对比原模型在遮 挡行人检测上有了明显提升,其中在检测精度(AP)提升了 6. 3%,漏检率(MR)下降了 4. 1%。 验证了所提算法在行人检测的 可行性,可满足遮挡行人场景的检测要求。     

基于蚁群算法的神经网络配电网故障选线方法

为了克服基于神经网络的故障选线方法收敛速度慢、易于陷入局部极小点的缺点,提出了蚁群算法和神经网络相结合的故障选线方法。利用ATP-EMTP做单相接地仿真试验,得到各线路的零序电流信号,通过小波变换和傅里叶变换提取其中的故障特征作为神经网络的输入。利用蚁群算法对神经网络进行训练,完成训练的神经网络模型即可实现故障选线。仿真结果表明,该方法训练速度快、误判率低。     

基于相似性度量的磁异信号匹配检测算法

针对现有的磁异目标差值匹配检测算法在低信噪比下效果较差的问题,提出了一种基于相似性度量的匹配检测算法, 通过构建衡量序列局部相似性的函数对实时磁异信号和背景场信号进行匹配处理,再利用小波包去噪进一步提高信噪比,最后 将处理后的信号输入到 OBF 检测器中完成目标实时检测。 研究结果表明在虚警率为 0. 42%下当输入信号信噪比为-9 dB 时, 该算法的检测率仍在 90%左右,其在低信噪比下的检测效果明显优于差值匹配检测。     

基于集群智能的智能电能表异常检测技术

智能电能表是智能电网与高级计量体系(Advanced Metering Infrastructure,AMI)中的重要基础设施,有效提升了电力系统的自动化与智能化,但同时也面临更隐蔽与更广泛的攻击形式.针对智能电能表的异常检测问题,提出三类基于集群智能(Swarm Intelligence,SI)的异常检测技术,分别从...     

基于优化SVM的高速公路交通事件检测

为了降低交通事件对高速公路交通运行的影响,提出一种基于视频交通流参数的支持向量机交通事件检测算法。针对线圈检测器在车辆拥堵时的检测精度大幅降低,甚至无法检测等不足,采用基于视频的交通流参数检测方法。通过安装的视频摄像机,实现对高速公路全程的无盲区交通事件检测。同时,为了解决支持向量机模型参数的大小对分类器泛化能力的不利影响,采用改进的网格搜索算法对模型参数进行优化选择。应用实际采集的交通流数据,对优化的支持向量机事件检测算法进行验证,并与遗传算法、粒子群算法的优化结果进行比较。实验结果表明,提出的方法具有最高的检测率和较低的误报警率,且优化时间短,满足了交通事件检测实时性的要求。     

基于模糊神经网络的火灾信号处理设计

针对传统智能建筑中火灾报警系统功能简单、定位困难且存在误报和漏报等问题,设计了一种基于模糊控制理论、人工神经网络的火灾安全报警系统.该系统依靠模糊控制理论提高了灵敏度,减少了误报率,并结合神经网络具有自学习功能的特点,提高了整个系统的智能化程度.阐述了火灾报警系统的设计原理,对模糊理论和几种神经网络模型进行了分析,并使用Matlab软件对设计的算法进行了仿真分析,得到比较理想的效果.     

基于改进YOLOv5的电力设备检测算法

针对电力设备背景复杂、小目标密集等特点导致无人机智能电力巡检精度低、效果不佳等问题,提出了一种改进YOLOv5的目标检测算法。首先在原模型上增加一层检测层,重新获取锚点框以便能更好地学习密集小目标的多级特征,提高模型应对复杂电力场景的能力;其次对模型的特征融合模块PANet结构进行改进,通过跳跃连接的方式融合不同尺度的特征,增强信息的传播与重用;最后结合协同注意力模块设计主干网络,以聚焦目标特征,增强复杂背景中密集目标区域的显著度。实验结果表明：所提算法的平均精度均值(IoU=0.5)达到97.1%,比原网络检测性能提升了5.6%,有效改善了复杂背景下小目标的错测、漏检现象。     

一种基于云模型和半监督聚类的入侵检测算法

入侵检测是网络安全防御体系的关键技术之一,针对目前网络入侵检测率低、误报率高的问题,提出了一种将云模型和半监督聚类相结合的入侵检测算法。由于属性对分类贡献程度不同,引入了云相对贴近度的概念,给出了计算属性权重的方法。以改进的聚类方法为基础建立云模型,对属性使用动态加权和更新云模型的方法逐渐强化分类器指导数据的分类。通过KDD CUP99实验数据的仿真,实验结果证明了该算法的有效性。