基于可见光图像特征的光伏板碎裂状态分析与研究

光伏板表面裂纹会导致光伏系统发电效率降低,并引发腐蚀、灼烧等并发故障,进行光伏板碎裂状态智能识别与分析对光伏电站发电效率和高效运维有重要意义.利用碎裂光伏板在可见光图像上具有显著纹理特征这一特点,提出一种光伏板碎裂状态的识别和分析方法.以嵌入了注意力机制的残差网络来辨识不同碎裂状态程度的光伏板图像,建立不同碎裂程度光伏...     

区域级通道注意力融合高频损失的图像超分辨率重建

目的 通道注意力机制在图像超分辨率中已经得到了广泛应用,但是当前多数算法只能在通道层面选择感兴趣的特征图而忽略了空间层面的信息,使得特征图中局部空间层面上的信息不能合理利用。针对此问题,提出了区域级通道注意力下的图像超分辨率算法。方法 设计了非局部残差密集网络作为网络的主体结构,包括非局部模块和残差密集注意力模块。非局部模块提取非局部相似信息并传到后续网络中,残差密集注意力模块在残差密集块结构的基础上添加了区域级通道注意力机制,可以给不同空间区域上的通道分配不同的注意力,使空间上的信息也能得到充分利用。同时针对当前普遍使用的L1和L2损失函数容易造成生成结果平滑的问题,提出了高频关注损失,该损失函数提高了图像高频细节位置上损失的权重,从而在后期微调过程中使网络更好地关注到图像的高频细节部分。结果 在4个标准测试集Set5、Set14、BSD100（Berkeley segmentation dataset）和Urban100上进行4倍放大实验,相比较于插值方法和SRCNN（image super-resolution using deep convolutional networks）算法,本文方法的PSNR（peak signal to noise ratio）均值分别提升约3.15 dB和1.58 dB。结论 区域级通道注意力下的图像超分辨率算法通过使用区域级通道注意力机制自适应调整网络对不同空间区域上通道的关注程度,同时结合高频关注损失加强对图像高频细节部分的关注程度,使生成的高分辨率图像具有更好的视觉效果。     

基于深层连接注意力机制的田间杂草识别方法

为了实现田间杂草图像快速、准确识别，提出了一种基于深层连接注意力机制残差网络（DCECA-Resnet50-a）的田间杂草识别模型。以残差网络为基准，改进残差块下采样的位置，同时引入注意力机制和连接注意力机制模块以更好地提取图片中的特征信息，结合迁移学习的策略缓解小样本数据集造成的过拟合现象，提高模型的泛化性并大大减少模型的训练时长。实验结果表明，改进后的模型综合性能最好，有较高的识别准确率，对杂草的识别准确率达到了96.31%且模型参数较少，实现了对银叶菊、小蓬草、马唐和猪殃殃四类豌豆田间常见杂草的准确区分，为农业的小样本数据在识别领域中提供了相应的参考作用。     

面向表情识别的重影非对称残差注意力网络模型

针对ResNet50中的Bottleneck经过1×1卷积降维后主干分支丢失部分特征信息而导致在表情识别中准确率不高的问题,本文通过引入Ghost模块和深度可分离卷积分别替换Bottleneck中的1×1卷积和3×3卷积,保留更多原始特征信息,提升主干分支的特征提取能力;利用Mish激活函数替换Bottleneck中的ReLU激活函数,提高了表情识别的准确率;在此基础上,通过在改进的Bottleneck之间添加非对称残差注意力模块(asymmetric residual attention block, ARABlock)来提升模型对重要信息的表示能力,从而提出一种面向表情识别的重影非对称残差注意力网络（ghost asymmetric residual attention network, GARAN）模型。对比实验结果表明,本文方法在FER2013和CK+表情数据集上具有较高的识别准确率。     

注意力金字塔卷积残差网络的表情识别

人脸表情是人类内心情绪最真实最直观的表达方式之一,不同的表情之间具有细微的类间差异信息。因此,提取表征能力较强的特征成为表情识别的关键问题。为提取较为高级的语义特征,在残差网络（ResNet）的基础上提出一种注意力金字塔卷积残差网络模型（APRNET50）。该模型融合金字塔卷积模块、通道注意力和空间注意力。首先用金字塔卷积提取图像的细节特征信息,然后对所提特征在通道和空间维度上分配权重,按权重大小定位显著区域,最后通过全连接层构建分类器对表情进行分类。以端到端的方式进行训练,使得所提网络模型更适合于精细的面部表情分类。实验结果表明,在FER2013和CK+数据集上识别准确率可以达到73.001%和94.949%,与现有的方法相比识别准确率分别提高了2.091个百分点和0.279个百分点,达到了具有相对竞争力的效果。     

融合通道信息注意力网络的叶片病害识别

针对植物叶片病害存在的种类驳杂以及如何提取有效特征的问题,提出一种融合通道信息注意力网络模型对多种植物叶片病害进行识别。构建残差结构为主的基础网络用于特征提取,再将特征通过注意力网络融合多个通道信息对病害特征进行重标定;在交叉熵函数中添加约束信息以加快模型收敛速度;在4种不同植物16类病害的数据集上对该模型进行实验,结果表明,基础网络模型识别准确率为83.13%,而融合通道信息网络后准确率提高4.64个百分点;融合后的模型与其他模型相比在识别准确率方面提高9.72个百分点且模型复杂度约为对比实验中最优模型复杂度的1/2。     

基于自适应注意力机制的YOLOv4无人超市商品检测

针对无人超市智能结算任务中商品检测实时性不高、堆叠商品检测效果差、相似商品难分类的问题,提出一种基于YOLOv4改进的商品识别算法。使用轻量级网络MobileNetv2进行特征提取加快检测速度;在MobileNetv2的倒残差结构中引入通道注意力和空间注意力放大局部特征权重,从而加强对堆叠商品的检测能力;在损失函数中使用焦点损失(Focal loss)解决类间差异小的难分类问题。实验结果表明,该方法在自建商品数据集Goods上准确率达到了80.3%,检测速度达到73帧/s,优于YOLOv4算法。     

基于图像增强和注意力机制的作物杂草识别

为提高复杂环境下无人机获取的作物杂草图像识别的准确率,提出一种基于图像增强与注意力机制的作物杂草识别方法。在多尺度Retinex算法中加入颜色恢复函数调节3个通道颜色的占比以恢复其颜色特征,使图像更清晰;将残差网络模型中的激活函数换为Leaky ReLU,加入CBAM注意力机制模块,获取更多有用信息,抑制其它无用信息。实验结果表明,该方法可以提高复杂环境下无人机获取的作物杂草图像的识别准确率,其准确率达到95.3%,高于AlexNet、ResNet18、ResNet50及其它主流算法的识别结果。     

基于自注意力机制的多域卷积神经网络的视觉追踪

为了解决多域卷积神经网络（MDNet）在目标快速移动和外观剧烈变化时发生的模型漂移问题,提出了自注意力多域卷积神经网络（SAMDNet）,通过引入自注意力机制从通道和空间两个维度来提升追踪网络的性能。首先,利用空间注意力模块将所有位置上的特征的加权总和选择性地聚合到特征图中的所有位置上,使得相似的特征彼此相关;然后,利用通道注意力模块整合所有特征图来选择性地强调互相关联的通道的重要性;最后,融合得到最终的特征图。此外,针对MDNet算法因训练数据中存在较多相似但属性不同的序列所造成的网络模型分类不准的问题,构造了复合损失函数。该复合损失函数由分类损失函数和实例判别损失函数组成,首先,用分类损失函数来统计分类的损失值;然后,利用实例判别损失函数来提高目标在当前视频序列中的权重,抑制其在其他序列中的权重;最后,融合两项损失作为模型的最终损失。在目前广泛采用的测试基准数据集OTB50和OTB2015上进行实验,结果表明所提出的算法在成功率指标上相比2015年视觉目标跟踪挑战（VOT2015）的冠军算法MDNet分别提高了1.6个百分点和1.4个百分点,在精确率和成功率指标上优于连续域卷积相关滤波（CCOT）算法,在OTB50上的精确率指标优于高效卷积操作（ECO）算法,验证了该算法的有效性。     

基于注意力引导数据增强的车型识别

车型识别在智能交通系统中发挥着重要作用。受车辆数据不足、车辆类间差异小等因素的影响,传统车型识别方法未充分利用车辆鉴别性区域的特征,导致识别准确率降低。提出一种基于注意力模块引导数据增强的车型识别方法。将ResNet-50作为骨干网络提取车辆特征,同时在网络的每个残差块后均嵌入坐标注意力模块,编码成一对方向感知和位置敏感的注意力图,以增强车辆鉴别性区域的特征表达。在此基础上,利用双线性注意力汇集操作生成增强特征图,通过对增强特征图进行注意力裁剪和注意力擦除,获取具有强鉴别性的增强数据。在Stanford Cars车辆数据集上的实验结果验证了该方法的有效性,结果表明,该方法的车型识别准确率达到94.86%,与RA-CNN、MA-CNN、WS-DAN+Inception-v3等方法相比,能够有效提高车型识别准确率和数据增强效率。     

基于改进ShuffleNetV2模型的光伏板灰尘识别

鉴于灰尘积聚是光伏组件功率损失的主要因素之一, 针对灰尘颗粒的特性及克服利用扫描电子显微镜成本昂贵问题, 提出了一种利用改进的ShuffleNetV2模型来识别光伏板上的灰尘. 以ShuffleNetV2网络模型为基础模型, 采用Mish激活函数, 将更好的特征信息深入神经网络; 然后运用混合深度卷积保证特征提取的丰富性; 最后利用坐标注意力机制模块替换ShuffleNetV2模型中基本单元右分支尾部的逐点卷积, 从而在提高精度的同时也减少了计算量. 实验结果表明, 所提改进的ShuffleNetV2模型与已有的经典模型相比, 准确度更高, 模型复杂度更低, 有效地证明了所给方案是可行的.     

基于改进SSD算法的光伏组件缺陷检测研究

无人机自动化巡检是解决大型分布式光伏系统运维需求的有效方案.无人机航拍产生大量光伏板图像数据,需要算法实现更高的识别精度和更快的识别速度,为此提出一种改进的SSD算法,用于检测光伏组件缺陷.新算法在原有SSD算法中嵌入注意力机制,并使用迁移学习策略提高检测速度和准确率,能够对光伏组件普遍存在的玻璃破碎、受光面发黄、灰尘...     

基于坐标注意力的轻量级交通标志识别模型

针对交通标志识别模型检测速度与识别精度不均衡,以及受遮挡目标和小目标难以检测的问题,对YOLOv5模型进行改进,提出一种基于坐标注意力（CA）的轻量级交通标志识别模型。首先,通过在主干网络中融入CA机制,有效地捕获位置信息和通道之间的关系,从而更准确地获取感兴趣区域,避免过多的计算开销;然后,通过在特征融合网络中加入跨层连接,在不增加成本的情况下融合更多的特征信息,提高网络的特征提取能力,并改善对遮挡目标的检测效果;最后,引入改进的CIoU函数计算定位损失,以缓解检测过程中样本尺寸分布不均衡的现象,并进一步提高对小目标的识别精度。在TT100K数据集上应用所提模型时,识别精度达到了91.5%,召回率达到了86.64%,与传统的YOLOv5n模型相比分别提高了20.96%和11.62%,且帧处理速率达到了140.84 FPS。实验结果比较充分地验证了所提模型在真实场景中对交通标志检测与识别的准确性与实时性。     

改进YOLOv5s的手语识别算法研究

为解决健全人士与听障人士交互信息困难的问题,提出一种改进YOLOv5s网络模型的手语识别网络。应用[K]-means++算法提高先验锚框的尺寸匹配度,确定了最优先验锚框尺寸,实现先验锚框与实际物体的精确匹配;改进CBAM（convolution block attention module）注意力机制的通道域,解决其因降维而造成的通道信息缺失问题,并将改进后的CBAM加入到YOLOv5s的骨干网络中,使模型更加精准地定位和识别到关键的目标。将Cross Entropy Loss和Lovasz-Softmax Loss加权结合使用,使得网络在模型训练过程中更加稳定地收敛,在精准率上也得到了一定的提升。实验结果表明,与原本的YOLOv5s模型相比,改进后网络模型的平均精度均值（mean average precision,mAP）、精准率和召回率分别提升了3.44个百分点、3.17个百分点、1.89个百分点,有效地提高了手语识别网络的检测精确度。     

基于有效通道注意力的遥感图像场景分类

针对基于人工设计特征的方法不能提取高层次遥感图像信息以及以往利用VGGNet、ResNet等卷积神经网络（CNN）无法关注到遥感图像中显著分类特征的问题,提出了一种基于有效通道注意力（ECA）机制的遥感图像场景分类新模型——ECA-ResNeXt-8-SVM。为了建立高效模型,一方面,设计了嵌入ECA模块的深度特征提取网络ECA-ResNeXt-8,通过端到端的学习使网络更关注分类特征明显的通道;另一方面,利用支持向量机（SVM）代替全连接层作为已提取到的深度特征的分类器,从而进一步提高模型的分类准确率与泛化能力。该模型在实验数据集UC Merced Land-Use上的分类准确率达到95.81%,相较于使用SE-ResNeXt50与ResNeXt50网络,分别提高了6%与18%,且在分类准确率为75%时所提模型的训练时间比上述两个网络分别减少了82%与81%。实验结果表明,所提模型能够有效地减少模型的收敛时间并提升遥感图像场景分类的准确率。     

多特征区域的细粒度船舶图像目标识别方法

为解决单一特征细粒度船舶图像识别率低的问题,提出一种循环注意卷积神经网络（recurrent attention convolutional neural network,RA-CNN）与多特征区域融合的船舶目标识别方法。该方法通过在VGG-19网络中引入尺度依赖池化（scale-dependent pooling,SDP）算法解决小目标过度池化的问题,提升了小型船舶的识别性能;注意建议网络（attention proposal network,APN）加入联合聚类（joint clustering）算法,生成多个独立的特征区域,使整个模型充分利用全局信息,提高了船舶识别精度;同时设计特征区域优化方法降低多个特征区域的重叠率,解决了过拟合问题;通过定义新的损失函数来交叉训练VGG-19和APN,加快了收敛速度。利用公开的光电船舶数据集对该方法进行测试实验,识别准确率最高可达90.2%,无论是识别率还是模型的鲁棒性较单特征都有了很大的提升。     

积灰条件下光伏阵列最优倾角问题研究

在光伏发电系统设计中,安装倾角的选择对光伏发电效率具有重要影响.针对太阳能光伏阵列常见的表层积灰现象,改变传统的只考虑最大辐射量的倾角确定方法,提出了综合考虑表层积灰情况下的最优发电倾角计算方法,使倾角的确定更加合理与完善.建立了积灰辐射量统一发电模型,并基于Matlab对模型进行了仿真验证.以福建某光伏电站为例,搭建实验平台,通过相关数据的检验与预测,得到了光伏电池板的综合最优倾角.实验结果证明该模型所确定的倾角比传统模型可以得到更大的发电量,提高了光伏利用效率.     

光伏板缺陷分类的原型网络改进

在光伏板缺陷分类领域中,传统的缺陷分类手段和新兴的机器学习方法都存在局限性,不足以满足光伏板缺陷分类需求,急需更可靠的解决方案.近些年来小样本学习以其能在有限量数据下快速学习并泛化到新任务的特点,逐渐在各领域兴起,给缺陷技术的优化带来新的思路.在这里,以典型的小样本学习方法——原型网络方法为基础,提出了基于改进的原型网络的光伏板缺陷分类方法.该方法调整了训练模式,通过改进模型主干网络和相似性度量标准来有效解决原型网络对复杂样本的特征嵌入能力较差和模型精度一般的问题,方法在经典的光伏板缺陷数据集进行了多次对比实验.结果表明:改进方法的实验耗时大大缩短,模型精度得到提高.     

基于深度神经网络的视频播放速度识别

针对目前的视频播放速度识别算法大多存在的提取精度差、模型参数量巨大的问题,提出了一种双支轻量化视频播放速度识别网络。首先,该网络是基于SlowFast双支网络架构组建的一个三维（3D）卷积网络;其次,为了弥补S3D-G网络在视频播放速度识别任务中存在的参数量大、浮点运算数多的缺陷,进行了轻量化的网络结构调整;最后,在网络结构中引入了高效通道注意力（ECA）模块,以通过通道注意力模块生成重点关注的内容对应的通道范围,这有助于提高视频特征提取的准确性。在Kinetics-400数据集上将所提网络与S3D-G、SlowFast网络进行对比实验。实验结果表明,所提网络在精确度差不多的情况下,模型大小和模型参数均比SlowFast减少了大约96%,浮点运算数减少到5.36 GFLOPs,显著提高了运行速度。