基于B-PointNet++的地下电缆工井点云语义分割模型

地下电缆工井具有规模大、范围广、空间分布复杂等特点，为提高地下电缆工井筛查效率，保障地下电缆安全可靠运行，提出了一种基于宽度学习系统(broad learning system, BLS)和编解码器(encoder-decoder)的PointNet++模型，简称B-PointNet++,并将其应用于地下电缆工井点云语义分割。首先，为提高PointNet++对于大规模点云数据的特征学习能力以及学习效率，提出了基于Encoder-Decoder的PointNet++学习框架，并在PointNet核心网络中引入BLS算法替代原有多层感知器(multilayer perceptron, MLP),充分发挥BLS随机化学习效率；其次，采集了雄安新区地下电缆工井点云数据并加入真实语义标签制作模型训练需要的数据集；最后，与PointNet和PointNet++等现有方法相比，B-PointNet++具有更高的精确度、召回率、交并比和F1分数，有利于地下电缆工井场景的多目标分割，有较大的应用潜力。     

基于冗余卷积编解码器的变压器噪声抑制

变压器运行过程中产生的声信号是评估变压器运行状态以及变电站噪声水平的重要依据。提出一种基于冗余卷积编解码器网络（redundantconvolutionalencoderdecoder,RCED）的变压器噪声抑制方法，利用短时傅立叶变换得到干净声信号和含噪声信号的时频特征，构建了变压器声信号降噪模型。通过对某换流站换流变压器的噪声信号进行测试验证，结果表明：所提模型具有较好的降噪效果，所提方法对于变压器声纹振动在线监测系统以及变电站噪声的准确检测具有参考意义。     

基于重构误差的地下电缆管道异常检测方法

针对地下电缆管道异常图像样本数量稀少、异常检测难度大等问题，提出一种基于重构误差的地下电缆管道异常检测方法。该方法构建了基于编解码器结构的异常检测模型，将卷积注意力模块(CBAM)嵌入编解码器之间以增强网络的特征提取能力，同时，在编解码器之间使用残差连接，以增强模型对图像细节的重建能力。在训练阶段引入伪随机异常模块，提高模型对异常区域的映射重建能力。实验结果表明，所提方法在公开数据集MVTec上的图像级和与像素级的平均AUROC分别为97.2%和95.9%,在自建数据集WEN＿piple上的图像级与像素级的平均AUROC分别为99.9%和97.3%。与其他9种异常检测方法相比所提方法能够有效地对电缆管道内的复杂异常情况进行精确的检测。