自适应收缩函数的Contourlet变换图像去噪方法

针对传统图像在去噪过程中存在丢失细节且去噪效果不理想的情况,提出一种自适应收缩函数的Contourlet变换图像去噪方法.该方法利用Contourlet变换的基本形式,结合软阈值和硬阈值收缩函数的优点定义自适应收缩函数,并将其应用于图像去噪.实验结果表明,所提出的方法能有效消除噪点,图像的峰值信噪比及增强因子等图像质量指标有明显地提高,去噪后图像的视觉效果良好.     

基于ASIFT算法的绝缘子视频图像的识别与定位*

为了实现智能提取直升机巡检视频中的绝缘子图像,基于ASIFT原理的图像处理技术和数据库技术,提出了一种新的绝缘子图像识别与定位方法。该方法首先建立标准的绝缘子图库,通过改进UL－PCNN红外图像分割算法提取绝缘子特征值,然后将输电线路视频与标准图库中的绝缘子图片利用ASIFT算法进行匹配,进而识别和定位视频中的绝缘子。实验结果表明,ASIFT方法具备良好的抗绝缘子图像仿射变形性能,可以在少量人工辅助的条件下对图像进行处理,提高了架空输电线路绝缘子故障检测的自动化处理程度。     

基于深度学习的白酒酒花实时分类方法

目的:解决白酒传统摘酒方法“看花摘酒”的主观性和不稳定性,以及现有机器视觉酒花分类方法难以满足实时分类的问题。方法:轻量型YOLOv5以YOLOv5s作为初始模型,使用K-mean聚类的锚框取代默认锚框,以提高模型检测精度和稳定性,使用ShuffleNetV2网络替换YOLOv5s主干网络进行特征提取,以达到轻量化模型的目的,并增加CBAM注意力机制使模型更加关注酒花特征。结果:与YOLOv5s初始模型相比,轻量型YOLOv5模型占用内存减少92.5%,参数量减少93.7%,计算量降低63.4%,检测精度提升2.8%,FPS高达526。结论:轻量型YOLOv5降低了对硬件配置的要求,可以很好地实现酒花实时检测分类。     

用于绝缘子故障检测的CycleGAN小样本库扩增方法研究

在深度学习的训练中,绝缘子检测需要大量的故障绝缘子,而实际难以获得大量故障绝缘子数据.生成对抗网络为扩增训练样本提供了可行的解决办法.在循环一致性生成对抗网络(CycleGAN)结构上补充缺陷绝缘子样本,通过更改损失函数来优化模型,将正向生成器生成的图像,输入到反向生成器,保持样本整体轮廓的同时,增加了差异性.将改进的...     

融合注意力机制的多通道卷积与双向GRU模型的文本情感分析研究

文本情感分析作为自然语言处理领域的一大分支,具有非常高的研究价值。该文提出了一种基于多通道卷积与双向GRU网络的情感分析模型。该模型首先使用多通道卷积神经网络对文本不同粒度的特征信息进行提取,提取后的特征信息经过融合送入双向 GRU 中,结合注意力机制获得文本的上下文情感特征,最后由分类器给出文本的情感倾向。注意力机制自适应的感知上下文信息进而提取对情感极性影响较强的特征,在模型的基础上引入Maxout神经元,解决模型训练过程中的梯度弥散问题。模型在IMDb及SST-2数据集上进行实验,实验结果表明本文模型较CNN-RNN模型在分类精确度上有了一定程度的提升。     

基于图像增强技术的电气设备热故障自动诊断与定位

随着我国智能电网建设进程的推进,其中的智能电气设备能够自动识别故障显得尤为重要,许多电气设备故障都伴有过热现像并具有区域性的特点,体现在红外图像温度与其灰度值具有非线性的映射关系。针对电气设备红外图像对比度差、细节不明显等特点,提出了一种基于非线性NSCT(Nonsubsampled Contourlet Transform)变换的图像增强算法,在算法中构造非线性增强匹配函数,能够对图像强弱边缘进行不同程度的增强,并对噪声有一定的抑制作用。对红外图像进行增强后通过拓扑矩阵修改,实现了图像较高灰度值区域的识别标记,从而实现了电气设备温度过高区域的自动定位,之后采用相对温差法对设备是否为故障进行诊断。实验结果表明,本文方法能够迅速有效地对电气设备疑似过热故障进行自动诊断和定位。     

一种基于布尔核SVM的人脸识别策略

针对人脸识别问题,给出基于布尔核的SVM识别策略,该策略首先应用K-L变换对人脸图像进行特征参数的提取,然后将提取出的特征进行0-1化处理,用于构造基于布尔核的SVM。在标准人脸库ORL上的试验结果表明,基于布尔核函数的SVM在分类准确率上明显高于传统PCA算法,同时,也优于线性SVM。     

自适应收缩函数的Contourlet 变换图像去噪方法

针对传统图像在去噪过程中存在丢失细节且去噪效果不理想的情况,提出一种自 适应收缩函数的Contourlet 变换图像去噪方法。该方法利用Contourlet 变换的基本形式,结合 软阈值和硬阈值收缩函数的优点定义自适应收缩函数,并将其应用于图像去噪。实验结果表明, 所提出的方法能有效消除噪点,图像的峰值信噪比及增强因子等图像质量指标有明显地提高, 去噪后图像的视觉效果良好。     

基于MCB-FAH-YOLOv8的钢材表面缺陷检测算法

针对现有基于深度学习的钢材表面缺陷检测算法存在误检、漏检和检测精度低等问题,提出一种基于改进CBAM(modified CBAM,MCB)和可替换四头ASFF预测头(four-head ASFF prediction head,FAH)的YOLOv8钢材表面缺陷检测算法,简记为MCB-FAH-YOLOv8。通过加入改进后的卷积注意力机制模块(CBAM)对密集目标更好的确定;通过将FPN结构改为BiFPN更加高效的提取上下文信息;通过增加自适应特征融合(ASFF)自动找出最适合的融合特征;通过将SPPF模块替换为精度更高的Sim CSPSPPF模块。同时,针对微小物体检测,提出了四头ASFF预测头,可根据数据集特点进行替换。实验结果表明,MCB-FAH-YOLOv8算法在VOC2007数据集上检测精度(mAP)达到了88.8%,在NEU-DET钢铁缺陷检测数据集上检测精度(mAP)达到了81.8%,较基准模型分别提高了5.1%和3.4%,该算法在牺牲较少检测速度的情况下取得较高的检测精度,很好的平衡了算法的精度和速度。     

基于Hu向量相似度的图像序列自动排序算法

为了实现全景图拼接中图像序列的自动排序,提出了一种利用图像Hu矩向量相似度的图像序列全自动排序算法。首先利用图像的七个Hu矩构造一个矩向量,然后计算两个矩向量的欧氏距离,用以表示两幅图像的相似度,最后根据图像序列中各图像之间的相似度实现全自动排序。实验结果表明,该算法能有效地实现顺序混乱的图像序列的自动排序;同时,对图像序列中存在旋转及尺寸大小不同的特殊情况也能很好地处理。