基于深度学习和视觉语义关系的防振锤滑移目标检测

为了精确定位防振锤滑移异常,保障输电线路安全运行,在输电线路巡检过程中,通常使用视觉检测的方法,对防振锤滑移异常及相关部件进行识别。但输电线路场景复杂多变,常规目标检测算法对防振锤滑移异常检测的精度较差,无法满足实际检测需求。因此,本文提出一种基于深度学习和视觉语义关系的防振锤滑移目标检测方法。该方法依据空间上下文信息,判断所检测目标间的视觉语义关系;联合Cascade R-CNN目标检测算法,并利用制定的相应判别规则及约束算法,实现防振锤滑移异常判别。实验结果表明,与常规目标检测算法相比,本文方法对防振锤滑移异常目标识别更加有效,在输电线路巡检中具有较高的理论价值与可观应用前景。     

基于GAN的改进RPN输电线路细小金具缺陷检测方法

输电线路在常年使用过程中会受到外界环境的影响,各种部件可能出现不同程度的破损,这给电力系统的稳定运行带来了巨大挑战,因此,输电线路各部件的检测对电力系统稳定运行起着关键作用。随着无人机巡检的广泛应用,基于机器视觉和深度学习的目标检测技术在输电线路缺陷检测领域得到了应用。针对输电线路细小金具图像质量差、样本数量少及类别不平衡而导致缺陷识别精确度低的问题,提出了一种基于GAN的改进RPN输电线路细小金具缺陷检测方法。利用生成式对抗网络（Generative Adversarial Networks, GAN）理论搭建了深度卷积网络的细小金具图像生成模型,通过生成器和判别器生成目标图像,丰富训练样本数据集,再基于Faster-RCNN目标检测网络训练细小金具缺陷识别模型;其次将Faster-RCNN中基于交叉熵的RPN分类损失替换为Focal loss,并保留所有前景及背景anchors来训练RPN,提高了细小金具中困难负样本在Faster-RCNN的区域建议网络（Region Proposal Networ, RPN）中的分类损失权重。实验结果表明,论文所提方法能够显著提高缺陷识别精确度,对电力巡检智能化缺陷诊断具有一定的参考价值。     

基于深度学习的电力巡检图像实时处理与识别算法研究

应用人工智能技术对航拍采集的巡检图像进行目标检测和缺陷识别已成为现代电力巡检的发展趋势。文中基于深度学习技术提出了一种改进的识别算法,通过改进Faster-RCNN模型,结合HSI颜色特征提取,实现图像实时处理与输电线路的各类常规故障识别。将航拍图片归一化处理,RGB颜色模型转化为HSI颜色模型,遍历HSI空间的每个像素点,根据图片颜色特征判断像素点是否发生故障;建立Dense Net网络,将RoI Align层与预测层连接,应用改进Faster-RCNN目标检测模型对巡检线路训练数据集进行目标缺陷识别。实验分析结果表明,文中所提方法的故障缺陷识别精确率可达92.54%,具有实时性强、识别精度高等特点。     

基于改进卷积神经网络的智能物料识别技术研究

针对输电线路中小目标物料识别难度高、准度率低的问题,提出了一种基于改进卷积神经网络的电力线路物料智能识别技术方案。该方案采用改进导向滤波算法和直方图均衡化方法完成了电力线路图像的预处理,对于原始SSD算法存在网络模型复杂、计算速度慢的缺陷,文中采用改进的轻量化卷积神经网络作为基本网络,进一步采用k-means算法优化默认锚框的宽高比,提升了物料识别的准确率。仿真实验结果表明,所提方法相比于原始SSD算法在训练速度和识别准确度方面均具有较大的提升,在实际配电网项目的审计应用中,能够准确识别不同类型的物料,识别精确率大于88%,能够为配电网审计工作提供精准地决策辅助。     

基于图像增强与CNN的输电线路破损绝缘子识别

输电线路是电力系统中电能传输的关键,近年来无人机技术和机器视觉的快速发展为电力线路绝缘子识别提供了便捷。基于无人机拍摄的输电线路破损绝缘子自动识别能有效降低人工巡检的成本和安全隐患。无人机拍摄的绝缘子图像存在目标相对背景较小、目标特征不明显、绝缘子破损区域较小识别难度大等困难。为降低上述影响,基于图像灰度均衡化和SRCNN超分辨率图像增强技术,设计了一种基于CNN的输电线路破损绝缘子识别算法,并在权威数据集上验证了所提算法的有效性。     

改进YOLOv3的输电线路异物检测方法

输电线路因所处环境复杂,极易附着异物,若不及时发现和清理将会对输电线路安全运行造成严重影响。针对输电线路图像巡检中的异物检测精度不高的问题,提出改进YOLOv3的输电线路异物检测方法(YOLOv3-RepVGG)。该方法基于YOLOv3目标检测网络并对其改进,首先采用RepVGG模块替换骨干网络Darknet-53的残差单元,同时加倍模块数量来提高网络对图像特征的提取能力;其次通过增加网络的多尺度检测框提升检测精度,采用CIOU损失函数来一步优化网络模型。实验结果表明,提出的YOLOv3-RepVGG方法与YOLOv3相比,输电线路异物检测m AP提高了9.8%,其中精确率提高19.5%,召回率提高1.2%;与目标检测SSD,Faster R-CNN网络相比,YOLOv3-RepVGG在性能上也具有一定优越性。     

基于北斗双重差分的输电线路杆塔位移分析方法

中国西南地区的输电线路地理分布广泛,所处区域地质灾害频发,易造成输电线路杆塔位移,甚至倒塌。为解决输电线路杆塔位移监测难度大、精度低的问题,提出了一种基于北斗双重差分的输电线路杆塔位移分析方法。通过北斗位移监测终端进行输电线路杆塔初始定位;采用地面增强站对输电线路杆塔位移信息进行差分校准,在此基础上,采用双重差分法对输电线路杆塔四个塔基的北斗位移监测终端进行综合位移分析。在某地区进行了模拟试验,位移识别准确率为99.1%,位移识别精度为6.29 mm。其模拟试验结果表明,文中所提方法可准确识别输电线路杆塔位移情况。     

双目测距和YOLOv5s的无人机快速识别定位追踪系统

无人机的识别与监控是目前安防领域研究的热点,现有的无人机检测方案成本过高、实现困难,存在一定的缺陷。针对此问题,文中提出一种使用最新型深度学习算法YOLOv5s的无人机光学快速识别定位追踪系统。首先通过深度学习算法实时检测是否存在无人机,并准确定位无人机的位置信息;再进一步使用KCF快速追踪算法锁定并持续追踪入侵目标;最后采取双目深度摄像头实时测算跟踪目标距离,定位位置信息后再转换输出无人机三维位置数据。所设计系统使用最新一代YOLOv5s深度学习模型,并通过改进训练模型使得其对无人机的识别达到了较高的准确率,特别是在运算速度方面,大大超过现有算法,满足高速追踪的要求。实验结果表明,相较于YOLOV3,YOLOv5s模型的准确率提高5.84%,召回率提高6.41%,推理速度提高300%。采用YOLOv5s和KCF算法相结合可稳定连续定位目标,且由于双目摄像头定位精确,全局识别速度高达80 f/s,完全具备高速追踪定位无人机的能力。     

基于全卷积神经网络的红外弱小目标检测

为解决传统红外弱小目标检测虚警率较高的问题,提出了一种基于局部均值差分和深度神经网络的红外弱小目标检测算法。首先,利用改进的局部均值差分算法从输入图像中提取候选目标区域;然后设计了基于全卷积神经网络的分类器对候选区域进行判别。网络中引入了参数化非线性激活层,有助于提升网络的分类性能。实验表明该文算法对典型天空和地面背景下红外弱小目标的准确率和召回率分别达到了100%和99.6%,明显优于传统算法。     

基于无人机的输电线路设备识别方法研究

利用无人机进行输电线路巡检是近几年国内外研究的热点技术之一,其优点是在无需拉闸断电的情况下,即可对输电线路进行检测,对其故障进行判别。根据输电线路设备的特征,应用图像处理与模式识别技术,提出了一种识别绝缘子、防震锤和输电塔的方法。该方法先采用中值滤波、膨胀和腐蚀等方法对灰度化后的航拍图像进行预处理,然后提取预处理后图像的小波特征值,最后采用AP（Affinity Propagation）聚类方法对目标图像进行分类与识别。实验结果表明,所提出的方法能够有效的识别绝缘子、防震锤和输电塔等目标,具有较好的鲁棒性和准确性。     

基于改进深度残差网络的恶意应用检测方法

本文改进了深度残差网络,同时预处理了流量特征,使之成为卷积神经网络的输入,转化为模型可输入数据。接着使用从深度残差网络提取流量图特征,然后引入金字塔特征提取模块并加入变化特征融合模块来有效的融合变化区域的特征并抑制非恒定区域的特征。最后使用多粒度流量特征进行恶意应用检测识别,最终获得粗粒度与细粒度的流量特征表达,最后融合多粒度的流量特征表达,实现恶意应用高精度识别。本文方法在恶意应用的2分类、4分类和42分类中准确率分别为99.30%、99.63%和96.25%,相较于传统的机器学习算法在模型的准确率、召回率等方面均具有较好的效果。     

AI图像识别下的木材表面缺陷结构光视觉检测方法

针对木材表面视觉特征复杂,嵌补平整过程不能适应木材以及节子的多样性变化的问题,提出基于AI图像识别下的木材表面缺陷结构光视觉检测方法。对结构光视觉技术加以分析并标定光平面,采用Faster-RCNN初步检测木材表面缺陷,定位其缺陷边框并识别缺陷类型,再通过非局部均值滤波法和改进的MSRCR处理图像,精细化分割区域图像,利用改进的最小二乘椭圆拟合方法生成最优椭圆轮廓,实现木材表面缺陷结构光视觉检测。实验结果表明,所提方法的结构光视觉图像预处理效果更好,召回率在95%以上,识别准确率最高可达99%左右,分类准确率最高可达97%左右,检测所用时间更短。     

改进YOLO V3遥感图像飞机识别应用

为了准确识别遥感图像中的飞机,基于YOLO V3算法,通过使用K-means算法对数据集进行聚类分析,借鉴Densenet网络的思想,将YOLO V3网络中的两个残差网络模块替换为两个密集网络模块,改进为一种Dense-YOLO深度卷积神经网络结构。对改进前与改进后的网络进行训练,分别选出使两个网络识别效果最好的权重文件,针对高质量遥感图像与过度曝光、云雾遮挡等低质量遥感图像分别进行测试与分析。实验结果表明,新改进的深度卷积神经网络应用在两种图像上效果均有提升。其中,改进的算法在高质量的遥感图像中准确率高达99.72%,比原始算法准确率提升了0.85%,召回率高达98.34%,召回率提升了1.94%。在低质量遥感图像中准确率高达96.12%,比原始算法准确率提升了5.07%,召回率高达93.10%,召回率提升了19.75%。     

基于卷积神经网络的航道边坡病害识别

内河航运是运输系统的关键组成部分,航道安全关系着水运系统的正常运转以及周边地区人民群众的安全。卷积神经网络技术在目标识别方面优异的效果为航道边坡病害检测提供了新的思路。针对人工检测效率低下的问题,文中设计了一种航道边坡病害分类识别系统,采集了三种典型航道边坡病害的图像数据集并进行了数据增强,使用改进的ResNet18网络进行训练,结果表明,该模型对边坡病害图像分类识别的精确率和召回率分别达到91.6%、91.53%,可有效替代人工检测方式。     

基于SWA优化级联网络的表情识别方法

为了提高表情识别技术的检测精度,文中提出了一种采用随机权重平均SWA优化级联网络的人脸表情识别方法。与单个卷积网络相比,多网络级联能得到更好的检测精度。相对于传统的SGD训练方法,SWA训练方法能增强级联网络中子网络的泛化能力,进一步提高模型的整体性能。通过在Fer2013数据集上测试实验发现,基于SWA方法训练采用加权求和法方式级联的网络模型识别准确率达到74.478%,相对于传统SGD方法训练的单网络模型提高了1.4%以上。另外,与其他典型方法相比,所提改进模型的识别准确率更高。     

一种基于视觉感知的舰船目标智能化识别方法

为有效识别视觉系统采集的可见光图像中的舰船目标,提出了基于YOLO（You Only Look Once）网络模型改进的10层的卷积神经网络（Convolutional Neural Network,CNN）用于水面舰船目标的智能识别,通过反卷积的方法可视化CNN中不同卷积层提取到的舰船目标特征。按照传统目标识别方法提取了舰船目标的四类典型人工设计特征,将所提CNN的舰船目标识别结果与YOLO网络模型及四类人工设计特征结合支持向量机用于舰船目标识别的结果进行比较。实验结果表明,与YOLO网络模型相比,综合精确率、召回率和效率3个舰船目标识别的性能指标,改进后的CNN性能更好,从而验证了所提方法的有效性。不同数据量下采用典型特征识别舰船目标与基于深度CNN识别舰船目标的识别结果比较说明了不同类型目标识别算法的优劣势,有利于推动综合性视觉感知框架的构建。     

基于统计的灰度视频自适应背景建模算法

针对灰度视频的目标检测依赖先验知识、召回率低以及单一算法无法同时兼顾静态与动态背景等问题,提出一种基于统计的背景建模算法。该算法无需先验知识,根据统计信息可以准确区分静态背景和动态背景,并采取不同的检测策略提取目标。对于静态背景,采用改进的三帧差分法自适应设置阈值,可以保证较高的召回率。对于动态背景,采用改进的概率密度估计法可以有效降低虚警率。采用所提算法对光照变化以及阴影进行处理,可以进一步提升算法的性能。在公开数据集与实际采集红外数据进行验证实验。实验结果表明,所提算法在多种场景中处理灰度视频的结果比其他传统算法好,在保证准确率的同时可以极大地提升召回率,并且有效提高目标的完整性。     

融合故障录波和保护动作的输电线路迁移学习故障分析及定位

针对高比例分布式电源并入导致电网规模增大且结构复杂,使传统输电线路故障分析及定位时依赖人工对录波数据进行分析判别容易造成误判、效率低下等问题,根据迁移学习理论方法,基于输电线路故障录波数据建立输电线路故障类型特征提取模型;利用保护动作信息和故障量判别信息,建立输电线路故障位置范围。将故障录波数据、保护动作信息作为深度学习的输入、故障类型和故障位置作为输出进行训练,将训练模型应用至某实际电网中进行测试,结果表明所提方法能够有效辨识出故障线路类型和位置。     

基于改进深度学习算法的文本极性智能判断方法研究

为了解决传统的文本极性智能判断方法判断结果准确率和召回率普遍较低的问题,基于改进深度学习算法研究一种新的文本极性智能判断方法。在CNN结构基础上设计一种新的深度学习算法模型,模型由输入层、输出层、采集层、连接层、卷积层五部分构成。使用该模型对文本进行智能判断,判断过程共有五步,分别是文本预处理、情感词提取、表情符号提取、感情倾向值计算和情感最终倾向值分析。为检测所提方法的有效性以及优越性,与传统判断方法进行实验对比,结果表明,基于改进深度学习算法的文本极性智能判断方法判断的准确率和召回率更高,发展空间更广阔。     

基于大数据分析的电力设备状态检测技术研究

针对目前广泛使用的基于人工经验或阈值辨别设备状态的方法存在稳定性差、准确率低且未能充分挖掘出海量数据所蕴含信息的问题,文中在深度学习技术的基础上提出了一种改进状态参数识别算法。其利用归一化互相关算法（NCC）来确定检测区域,并从中提取出统计特征,进而提升了分类效率。再通过改进的多层分类感知(MLPNN)神经网络算法,实现对电力设备状态的自动检测与识别。测试结果表明,所提方法对设备平均状态的识别准确度可超过95%。且与传统神经网络算法相比,也具备较强的准确性、便捷性和可实施性,因此有利于提升效率、减轻人工运维工作负担并保障供电可靠性。