基于粗糙集约简的图像插值方法

提出了一种基于粗糙集约简的支持向量机图像插值方法,目的在于提高基于学习的插值方法的插值效率,改善放大图像边缘模糊现象。首先在原始图像上利用已知的像素灰度值及邻域内像素间的相关性构造训练样本集;然后利用粗糙集约简算法约简掉其中重要度较小的特征,并用约简后的样本集训练支持向量机;再用测试样本及训练好的支持向量机估计偶行偶列的像素灰度值;最后利用测试样本及训练好的支持向量机估计剩余的未知像素灰度值。仿真表明,所提方法有效提高了插值效率,获得了较好的客观指标,得到了满意的插值图像。     

煤矸的轻量级智能分选网络

针对现有煤矸分选方法存在模型复杂、实时性差、特征易丢失等问题,构建了一种轻量化煤矸分选网络GC-ResNet18。GC-ResNet18利用幽灵卷积(ghost convolution, GC)线性生成ghost映射的特性,剔除煤和矸石相似性特征的冗余信息。借助Softpool的下采样激活映射,保留、凸显煤和矸石的特征信息并去除冗余参数,防止过拟合现象。引入GC自注意力机制,融合SENet的轻量化和NLNet长距离信息全局捕获的优势,使网络记忆、放大煤矸图像间的细微差异特征,提升煤矸图像的识别准确率。实验结果表明,GC降低了46.6%的参数量,GC自注意力机制在CIFAR10、CIFAR100上分别提升1.44%、2.32%的准确率,而Softpool池化在上述两个数据集中分别提升了0.22%、0.17%。通过对比实验,全面改进后的GC-ResNet18网络在训练效率和分类精度上优于VGG19-S-GDCNN、SBP-VGG-16等模型,在CIFAR10和CIFAR100数据集中的分类精度与同规模的网络相比均达到最优的94.07%和74.95%,并最终在自建煤矸数据集上达到了97.2%...     

绝缘子自爆缺陷的轻量化检测网络 DE-YOLO

为了实现输电线路的高精度、高速度巡检,设计了一种适用于移动终端设备的轻量化目标检测网络 DE-YOLO。 首先融 合深度可分离卷积、逐点卷积和 ECA 注意力机制提出了特征提取模块 NewC3,它负责显著降低网络参数、同时强化网络提取绝 缘子有效信息的能力。 再借助通道数成倍增长策略和通道注意力机制 SE 设计了轻量化模块 DC-SE,它用于削弱复杂背景对绝 缘子故障的干扰、互补提取绝缘子细微特征,进而增强浅层网络对目标特征信息的提取能力。 实验表明,DE-YOLO 网络在自制 绝缘子数据集上的 GFLOPs 降低 45%,运行参数降低 42%,自爆缺陷检测精度高达 93. 2%。 NewC3 和 DC-SE 能保证 DE-YOLO 的轻量化,同时满足绝缘子自爆缺陷实时检测的要求。     

BP神经网络在配料系统故障诊断中的应用

利用BP神经网络的自适应,自学习和对非线性系统超强的分析能力等特点,将其应用到橡胶配料系统中,有效的实现了配料系统的故障诊断,填补了国内在配料系统故障诊断应用上的空白,对其他行业也有一定借鉴作用.     

集成SVM的图像椒盐噪声去除方法

针对传统图像去噪方法出现纹理细节模糊的问题,提出一种利用误差多样性集成子SVM的图像椒盐噪声去除方法SVM-WCEC。首先,在训练图像上移动3×3窗口,提取每个窗口中心像素点的局部二值和加权差分特征作为输入训练子SVM,利用加权计数值对各子SVM投票,选择得票数最多的子SVM组合作为分类器模型;然后,用相同特征提取方法遍历含噪图像提取特征输入分类器模型,将像素点分为噪点和信号点;最后,在3×3滤波窗口内,用非线性的权重均值滤波估计噪点灰度值,和直接输出的信号点灰度值重构得到去噪后图像。在图像集BSD68上实验结果表明:与现有先进方法DAMF相比,SVM-WCEC的平均PSNR/SSIM值提高了1.808 0dB/0.150 4。实验数据充分说明:SVM-WCEC在去噪同时能很好地保留图像的纹理信息,获得较高的PSNR、SSIM和更好的视觉效果。     

BP神经网络在配料系统故障诊断中的应用

利用BP神经网络的自适应,自学习和对非线性系统超强的分析能力等特点,将其应用到橡胶配料系统中,有效的实现了配料系统的故障诊断,填补了国内在配料系统故障诊断应用上的空白,对其他行业也有一定借鉴作用.     

融合特征增强的轻量化罐道缺陷检测算法

为了解决矿井复杂环境下,缺陷特征提取不充分问题,融合特征增强和级联注意力机制提出一种快速智能的罐道缺陷识别算法RDM-YOLOv5,旨在解决人工巡检效率低的现状。首先,为了提高主干网络特征图信息表征能力,设计特征增强模块RLKM,它通过重参数化大内核卷积增强主干网络对目标特征的提取能力,并且有效降低模型参数量;然后,经过主干网络提取到高低层级特征后,由设计的级联注意力机制DCAM进一步挖掘缺陷目标的深层语义信息,显著增强小目标的特征信息;最后,为提升检测精度的同时保障检测网络的轻量化,在特征增强网络中引入轻量级卷积GSConv,在保持模型检测准确性的同时降低计算成本。实验结果表明,相较于YOLOv5s, RDM-YOLOv5的检测精度和速度分别提高3.7%、11.4%,模型参数量减少15.4%。它能基本满足实际应用中精准识别和快速定位罐道表面缺陷的需求。     

航拍绝缘子自爆缺陷的轻量化检测方法

为了精准识别、定位架空输电线路中航拍绝缘子串的自爆缺陷,提出一种轻量化检测方法 MDD-YOLOv3。首先将YOLOv3主干网络残差单元中的普通卷积替换为深度可分离卷积,设计主干网络D-Darknet53,在网络检测精度微降的情况下,大幅提升网络的检测速度。特征挖掘模块中,设计了Dense-SPP模块,Dense-SPP和它前后串联的卷积特征提取层能充分挖掘自爆缺陷的全局和局部特征,提高网络对自爆缺陷的特征表达能力。最后构建了四维度预测层,能充分提取自爆缺陷的位置、纹理和语义等信息,提高网络的小目标检测性能。仿真实验表明,MDD-YOLOv3对绝缘子的检测精确度达到96.1%,检测速度达到36帧/s,相比YOLOv3,检测精确度和速度分别提升了4.0%和28.6%。研究结果证明所提方法可以在复杂背景下快速且精准的识别和定位绝缘子缺陷。     

高效多注意力特征融合的图像超分辨率重建算法

为改善图像质量,提升观测效果,针对现有超分辨率重建算法由于网络层数过深导致的信息丢失、参数量大的问题,提出一种高效多注意力特征融合的图像超分辨率重建算法(EMAFFN).该算法通过渐进式特征融合块(PFFB)逐步提取图像的特征信息,减少特征信息在深层次网络传递过程中的丢失,同时结合PFFB内部的高效多注意力块(EMAB)在通道和空间两个分支作用,自适应的对提取到的特征进行加权,使网络更多的关注高频信息,最后使用多尺度感受野块(RFB＿x)对提取到的特征进行增强、并多尺度融合特征来提升重建模块的性能.实验结果表明,EMAFFN在公共数据集Set5上的平均PSNR值最高达到37.93dB,SSIM达到0.9609,重建后的图像恢复了更多的高频信息,纹理细节丰富,更接近于原始图像.