面向改进尺度缩放网络的绝缘子识别

目的 在电力系统中，准确地识别绝缘子目标是保障输电线路正常运行的重要前提。针对传统方法无法自动提取绝缘子特征，以及深度学习网络提取绝缘子语义信息不足的问题，提出了一种基于改进多尺度网络的绝缘子识别模型，同时满足自动识别和增强语义信息的要求。方法 改进工作主要分为3部分，首先，采用特征融合的方法，增强特征提取网络生成的特征图的语义信息；其次，特征提取后，为了避免经过多次卷积、池化操作，较小尺度绝缘子语义信息损失严重，因此，扩大网络中的小尺度特征图，进一步丰富较小尺度绝缘子的语义信息；最后，为了更好地识别尺度差异较大的绝缘子，改进锚点框的参数。完成改进工作后，通过边框回归得到绝缘子的准确位置信息，最终识别出绝缘子。结果 实验数据集由复合、玻璃和陶瓷3种材质的绝缘子构成，共有4 350幅图像。在实验数据集上进行识别，实验结果与3种不同结构的多尺度网络模型相比，模型结构最优，识别准确率为96.28%，与传统的Faster RCNN（faster region convolutional neural network）、改进的Faster RCNN等方法相比，识别准确率提高了1.98%~11.99%不等。结论 本文提出的改进模型使绝缘子识别准确率显著提高，为之后的输电线路检测工作夯实基础。     

基于改进残差网络的交通标志识别算法

针对模型在下采样过程中不断损失图像的高层次信息,从而导致特征提取不足的问题,本文对ResNet网络结构进行改进,提出基于多尺度特征与注意力机制的交通标志识别方法。首先,通过特征融合的方式将模型各个层次的多尺度特征进行融合,丰富特征语义信息,增强网络的特征提取能力。然后,通过注意力机制强化不同通道特征,提升特征整体的表达能力。结合这2种方法可提升模型的交通标志识别准确率。在GTSRB和BelgiumTS交通标志数据集上的实验结果表明,所提出方法的准确率分别达到99.31%和98.96%,优于前沿的交通标志识别算法。     

基于改进Faster R-CNN的贺兰山岩画检测识别

针对贺兰山岩画传统检测识别方法存在受人力影响大、特征提取难和检测识别准确率低等限制，提出了一种基于改进型Faster R-CNN的贺兰山岩画检测与识别方法。上述方法基于残差网络结构，通过特征金字塔网络和空间金字塔池化将多层次、多尺度特征进行融合，丰富了特征图的语义信息，提升了特征图的表达能力。实验结果表明，所提改进方法对贺兰山岩画检测识别的平均精度均值(mAP)达到了84.7%,相比改进之前提高了3.3%,能够有效准确的识别贺兰山岩画目标。     

多特征与边缘校正融合的天际线检测算法研究

针对天际线的高鲁棒性与高准确率检测问题，提出了一种多特征提取与边缘校正融合的天际线检测算法。采用Gabor纹理特征和颜色特征提取天空与非天空区域随机训练像素点的多特征值，接着采用支持向量机（Support Vector Machine，SVM）对多特征值训练得到分类器，从而检测出天际线的初始坐标位置；接着采用Canny算子对灰度化图像进行边缘检测，并利用线性五邻域搜索算法对初始坐标位置进行校正，最终得到天际线坐标位置。最后将所提算法在Web数据集和Basalt Hills数据集上进行测试，实验结果表明：提出的算法能有效地检测出较复杂图像场景中的天际线位置，在一定程度上减少了图像中相关像素点的干扰，使检测出的天际线更加平滑。     

一种改进Log-Gabor滤波的虹膜识别算法

研究虹膜识别问题,由于在图像采集过程中,噪声影响准确性,为提高虹膜识别准确率,针对一维Log-Gabor滤波特征提取方法丢失二维信息的缺陷,提出一种改进Log-Gabor滤波的虹膜识别算法。首先采用小波变换对虹膜图像进行分解,获取虹膜图像低频子带信息,然后采用不同方向尺度的2维Log-Gabor滤波器组提取虹膜纹理特征,最后采用支持向量机对生成的虹膜特征码进行匹配。采用CASIA和UBIRIS虹膜库对算法性能进行测试,测试结果表明,改进Log-Gabor滤波的虹膜识别算法提高了虹膜识别准确率,加快识别速度,更加适合于实时虹膜识别,为虹膜准确识别提供了依据。     

基于视频异常特征提取的变电站安全智能控制研究

为准确识别无人值守变电站异常行为，保证变电站安全运行，提出基于视频异常特征提取的变电站安全智能控制方法。使用基于改进数学形态学滤波的变电站监控图像增强方法，改善变电站监控图像质量；使用变电站监控图像特征提取方法，提取增强处理后变电站监控图像的颜色特征与纹理特征；由基于异常特征分类的变电站监控图像异常检测方法，将所提取的变电站监控图像特征作为分类目标，提取异常特征，完成变电站视频监控图像异常识别，从而启动应对措施，实现安全智能控制。经实验验证：所提方法可改善变电站监控图像质量、提取视频图像中的异常特征，异常特征提取准确率高于90.2%,能够准确识别变电站异常行为，虚警率低于5.24%,保证变电站安全运行智能控制。     

基于改进YOLOv3-Tiny的遥感舰船小目标检测方法

遥感图像中各类舰船小目标检测存在检测难度大、检测精确度低等问题，因此提出一种基于改进YOLOv3-Tiny的遥感舰船小目标检测方法。先对训练数据进行Mosaic数据增强，丰富小尺度样本数据集，解决遥感图像小目标检测泛化能力低的问题，再在特征提取网络中加入混合域注意力机制CBAM，强化小目标的特征提取，提高对遥感舰船小目标的检测能力。实验结果表明，改进后的方法能够更加准确、快速地对遥感舰船小目标进行检测，显著提高了检测的准确率和召回率。     

射频技术辅助的三维视觉识别系统

在基于视觉的物体识别领域,单目视觉识别技术往往只能获得物体片面信息,而多目视觉识别技术的运算复杂度较高.随着物联网技术的普及,无源超高频射频识别技术已经大规模应用于物体的标识上,具有的读取速度快、读取距离远的优势.本文提出一种通过先验信息辅助视觉识别的通用方法,提高物体识别的速度和准确性.通过识别射频识别标签,从数据库读取准确的特征信息辅助图像识别物体.通过摄像头采集物体的图像、视频信息后传输给控制模块,控制模块从数据库获取射频识别先验信息后以相机标定算法对图像进行矫正处理,对目标物体进行定位,从而复现物体的三维图像.传统的边缘检测和目标检测技术需要两个及以上的摄像头才能对物体进行三维识别,所提方法只需使用一个摄像头即可获取物体三维位置.针对边缘检测的改进中通过结合射频识别标签中准确的物体几何信息和像素信息来确定滤波窗口的权重,进行标定真实边缘和潜在边缘;针对目标检测的改进中在原始的Faster R-CNN的RPN架构上引入了特征金字塔,使得特征提取时语义更强.最后两种不同视觉识别方式的实验结果证明了所提方法的有效性,所提方法具有更高的识别定位精准度、更低的算法复杂度和更快的识别速率,可以更加准确可靠地对物体特性进行检测及形状、方位的判断.     

基于中层细微特征提取与多尺度特征融合细粒度图像识别

在细粒度视觉识别领域,由于高度近似的类别之间差异细微,图像细微特征的精确提取对识别的准确率有着至关重要的影响。现有的相关热点研究算法中使用注意力机制提取类别特征已经成为一种趋势,然而这些算法忽略了不明显但可区分的细微部分特征,并且孤立了对象不同判别性区域之间的特征关系。针对这些问题,提出了基于中层细微特征提取与多尺度特征融合的图像细粒度识别算法。首先,利用通道与位置信息融合中层特征的权重方差度量提取图像显著特征,之后通过通道平均池化获得掩码矩阵抑制显著特征,并增强其他判别性区域细微特征的提取;然后,通过通道权重信息与像素互补信息获得通道与像素多尺度融合特征,以增强不同判别性区域特征的多样性与丰富性。实验结果表明,所提算法在数据集CUB-200-2011上达到89.52%的Top-1准确率、98.46%的Top-5准确率;在Stanford Cars数据集上达到94.64%的Top-1准确率、98.62%的Top-5准确率;在飞行器细粒度分类（FGVCAircraft）数据集上达到93.20%的Top-1准确率、97.98%的Top-5准确率。与循环协同注意力特征学习网络PCA-Net(...     

一种新的表格识别特征提取方法

采用一种表格识别方法实现对多种类型表格的识别，系统利用表格投影轮廓的功率谱密度作为表格的不变性特征向量。为了解决具有相互对称结构表格的识别问题，提出一种新的特征提取方法：采用区域划分的策略，综合考虑表格图像在水平方向及垂直方向上的特征，以分区投影轮廓的功率谱密度作为表格图像的特征向量。实验表明，这种方法能够有效解决具有对称结构表格的识别问题。     

基于改进SSD算法的电厂设备油液渗漏检测

为能实现对电厂充油设备和管道的油液渗漏现象快速、准确的检测与识别,通过引入高分辨率网络实现高分辨率特征提取,改进特征融合模块以融合高分辨率特征信息强化特征表达,提出了一种基于改进SSD的油液渗漏图像检测算法。此外,针对油液渗漏现象构建一个电厂设备的油液渗漏数据集并提出了一种随机种子遮挡的数据图像增广策略。经实验测试表明,算法在检测效果上提升明显,相比于基于SSD算法的的漏油检测模型的准确率和召回率分别提高了3.1%和3.7%,满足了工程实际需求,具有较高的实用性。     

FRDet:一种基于候选框特征修正的多方向遥感目标快速检测方法

在遥感图像的目标检测任务中,为了能更加准确地定位目标,现有的基于候选框特征提取的one-stage检测方法是在每个空间位置上,充分预设多个候选框从而覆盖住待检测目标,然而这会造成one-stage检测方法计算复杂度的大幅提升。本文提出一种基于候选框特征修正的多方向遥感目标检测方法。在该方法中,特征图的每个位置仅预设一个候选框,通过回归学习进行特征修正后得到的候选框替换掉原始的框,再由one-stage检测方法的分类层和回归层分别进行识别和定位。所提方法采用Mobilenetv2作为检测网络的基本结构,在DOTA数据集上飞机的检测率可达96.8%,虚警率为6.7%,mAP值达0.87,并且具有完全的实时结果,超过了SSD、YOLOv3等所有基于候选框特征提取的的遥感图像检测方法。由于本文方法巧妙地避开了候选框的宽高比和尺度的先验设计,因此本文方法很容易应用于其他类似的检测任务中,即插即用,具有很强的任务适应性。     

基于改进SSD算法的车辆检测

SSD算法利用多尺度特征图进行分类和位置回归,检测小目标效果优于YOLO算法,但SSD算法在进行车辆检测时存在漏检问题。为此,提出一种改进SSD算法。为提取更多的车辆特征信息,设计改进Inception模块替代SSD网络中的Conv8、Conv9和Conv10层。将浅层特征的位置信息和深层特征的语义信息进行均衡化融合,构建多尺度特征融合均衡化网络,提高小目标车辆识别率。在特征提取层均引入SENet,对不同特征通道的重要性进行重标定以提高模型性能。实验结果表明,改进后SSD算法在自制的车辆数据集上平均精度为90.89%,检测速度达到59.42 frame/s,相比改进前的SSD算法,在精度和速度上分别提高2.65个百分点和17.41 frame/s,能够更快速、准确地对图像中的车辆进行识别和定位。     

基于SURF和ORB全局特征的快速闭环检测

针对移动机器人SLAM(同时定位与地图创建)中的闭环检测问题,提出了一种基于SURF(加速鲁棒特征)和ORB(oriented FAST and rotated BRIEF)全局特征的快速闭环检测算法.首先利用SURF与ORB分别提取查询图像的全局特征,实现对图像的特征表征.在特征提取过程中,对查询图像进行归一化操作,并将归一化的图像中心直接作为SURF与ORB的特征点位置,从而避免了耗时的特征点定位过程.然后将归一化的图像直接作为特征点的邻域区域,把计算的SURF与ORB局部特征描述符作为图像的全局特征.为了融合SURF与ORB全局特征实现查询图像的位置识别,提出了H-KNN(混合K最近邻)的改进算法:WH-KNN(加权混合K最近邻).最后通过跟踪模型实现闭环检测,其核心思想是利用之前闭环检测的结果预测查询图像在地图图像中的位置范围.实验中分别使用采集数据集和牛津大学公开数据集对本文算法进行了验证,同时与传统的BOW(词袋)算法进行了对比.本文算法在两种数据集上分别达到了94.3%和94.5%的准确率,并且查询图像位置识别与全局特征提取的平均时间不到3 ms.其准确性及计算速度都超过了BOW算法,可以准确快速地实现实时闭环检测.     

改进YOLOv5s的遥感图像目标检测

针对遥感图像中感兴趣目标特征不明显、背景信息复杂、小目标居多导致的目标检测精度较低的问题,本文提出了一种改进YOLOv5s的遥感图像目标检测算法（Swin-YOLOv5s）。首先,在骨干特征提取网络的卷积块中加入轻量级通道注意力结构,抑制无关信息的干扰;其次,在多尺度特征融合的基础上进行跨尺度连接和上下文信息加权操作来加强待检测目标的特征提取,将融合后的特征图组成新的特征金字塔;最后,在特征融合的过程中引入Swin Transformer网络结构和坐标注意力机制,进一步增强小目标的语义信息和全局感知能力。将本文提出的算法在DOTA数据集和RSOD数据集上进行消融实验,结果表明,本文提出的算法能够明显提高遥感图像目标检测的平均准确率。     

多尺度YOLO人脸年龄估计方法研究

通过观察人脸估计年龄较为常见，但如何准确预测年龄则是一个难题。为提高人脸图像年龄估计的准确率，提出一种基于YOLO（You Only Look Once）模型的目标检测方法。将多尺度回归思想应用于卷积神经网络（Convolutional Neural Network，CNN），通过多尺度卷积改善模型对小尺寸目标的提取能力，结合特征通道分权重思想，改善特征提取操作中特征信息丢失的问题，构造决策树回归得到年龄估计。这种方法在人脸年龄图像库FG-NET上获得平均绝对误差（MAE）3.43，在GROUP数据集获得区间匹配度（AEM）62.4%。实验结果表明，通过多尺度特征回归以及通道权重分配，可以较为准确地进行人脸信息检测，并由此建立鲁棒性更强的人脸年龄估计模型。     

基于深度学习的有遮挡车牌的识别方法研究

针对遮挡车牌图像中车牌识别存在的车牌号码识别不准确、识别准确率低等问题,提出一种车牌检测网络YOLOv5s_BCG和车牌识别网络CRNN_Den。在车牌检测网络中,使用BiFPN (BI-directional Feature Pyramid Network)替代原YOLOv5网络中的PANet结构,使网络能够自适应学习不同特征层的重要性权重;融入CBAM (Convolutional Block Attention Module)注意力机制,加强网络对关键特征信息的提取;使用Ghost卷积替换传统卷积降低参数量。在车牌识别网络中,用DenseNet模块替换CRNN (Convolutional Recurrent Neural Network)网络中的特征提取部分,实现特征重用,提升网络性能。实验结果表明,车牌检测网络YOLOv5s_BCG相较于原始YOLOv5网络mAP@0.5提升4.2%,可达99.1%。车牌识别网络CRNN_Den能达到94.35%的识别准确率。所提方法能够更加充分地提取车牌图像中的...     

一种基于深度学习模型的无人机巡检输电线路山火检测方法

输电巡检图像的背景复杂，目标检测易受干扰，基于YOLOX神经网络模型，提出一种输电线路山火检测方法。首先采用YOLOX的主干特征提取网络框架，并将其中多尺度特征提取模块的常规卷积替换为可变形卷积；其次在加强特征提取阶段增加了通道注意力和空间注意力模块的融合，能够自适应火焰的外形多变特点，更加有效地提取到山火特征，从而提高目标检测的准确率。经实验验证，所提方法能够较为准确地检测到山火，满足日常巡检的需求。     

基于改进DenseNet的牛眼图像特征提取方法

针对牛眼图像特征提取过程中由于梯度消失和过拟合造成的识别准确率较低的问题,提出一种基于改进DenseNet的牛眼图像特征提取方法。首先采用缩放指数线性单元（SeLU）激活函数防止网络梯度消失;其次通过DropBlock随机丢弃牛眼图像的特征块,从而防止过拟合,并加强网络的泛化能力;最后将改进后的稠密层进行叠加以组成改进的DenseNet（Dense convolutional Network）。在自建牛眼图像数据集上进行特征信息提取识别实验的结果表明,改进后的DenseNet识别准确率、精确率和召回率分别为97.47%、98.11%和97.90%;较改进前的网络在识别准确率、精确率和召回率上分别提升了2.52个百分点、3.32个百分点和2.94个百分点,可见改进后的网络具有较高的精度与鲁棒性。     

特征提取算法在工件识别中的研究

特征提取在工件识别中具有重要的意义. 运用灰度变换与平滑去噪对获取到的原始图像进行图像预处理. 提出改进的工件特征提取方法. SURF算法作为SIFT算法的加速版,不仅能够确保检测到的特征点的稳定性,而且能很大程度地加快特征提取的时间,满足了工件识别过程中实时性的需求. 采用改进的SURF算法的特征匹配方法进行工件的识别. 实验表明,改进的特征匹配方法对工件识别精确且速度较快.