基于贝塞尔曲线网络的电表用电信息识别算法

利用计算机视觉技术来快速、准确地获得用户的用电信息对于电力部门具有重要意义。针对传统算法精度低、速度慢等问题,提出了一种基于自适应贝塞尔曲线网络的用电信息识别算法。该框架集检测、识别于一体,实现了端到端的文本定位和预测。检测端结合了特征金字塔网络和残差网络,对输入图像进行特征提取,并通过四个控制点生成贝塞尔曲线,能更好地拟合文本框。识别端采用了卷积循环神经网络,引入门控循环单元替代长短期记忆网络,再结合注意力机制对文本进行识别。最后在数据集上开展五组消融实验,进行性能对比和评估分析。实验结果显示,该算法识别精度高达99.08%,且推理速度快,可被用于用电信息检测与识别的实际应用中。     

基于改进YOLOv5与CRNN的电表示数识别

为了提高电表示数检测和识别的准确率，基于轻量高效的YOLOv5s网络提出了改进的目标检测网络。首先，在特征提取阶段添加CBAM注意力机制对图像的重要特征进行自主学习，并设计了一种特征融合网络D-BiFPN加强了对深层特征的提取；其次，引入CIOU损失函数，使目标框的回归更加稳定。对CRNN文本识别算法的主干网络进行改进，模型保持轻量化的特点，在移动端部署上有良好的前景。最后，在电表数据集上测试得出：相比于YOLOv5算法，所提出的算法精度均值提升了5.13%;相比于CRNN算法，所提出的文本识别算法准确率提升了7.4%。实验结果表明，改进后的文本检测算法对电表示数的检测精度较高，文本识别算法准确率和速度较高，满足电表示数检测识别的实际应用需求。     

YOLOv4与ORB深度融合的绝缘子识别定位研究

为了解决复杂背景下铁路接触网绝缘子的快速准确识别及定位问题,提出了一种YOLOv4目标检测算法和ORB特征匹配算法深度融合的绝缘子识别定位方法。首先利用迁移学习的策略训练YOLOv4检测网络,解决了绝缘子数据集样本较少导致过拟合的问题;然后采用高斯金字塔提取图像多尺度特征,使原始ORB算法具备尺度不变性;最后将以上两种算法融合,在双目相机获取的图像上标出绝缘子识别框,并在左右图像识别框内提取特征点进行匹配,利用视差原理还原出绝缘子相对于相机的三维坐标。实验结果表明,该方法可以有效地避免复杂背景干扰,准确地定位出绝缘子的三维坐标,4 m内最大定位误差为2.1%,检测速度为35 fps,具有较高的精确性和实时性。     

融合混合注意力和改进YoloX的铁路落石检测方法

铁路周边危岩落石侵入铁路限界内会严重危害旅客生命财产与铁路行车安全。针对传统检测方法对复杂动态环境识别误检高、小目标识别准确率较低等问题,提出一种基于视频的铁路落石侵限检测深度学习方法。首先,融合混合注意力模块,增强网络对与背景相似落石检测能力。其次,改进YoloX部分网络结构为双向特征金字塔网络,加强了不同层级特征的相互交流,提升小目标识别能力。同时采集大量不同场景模拟落石数据,构建模拟落石数据集,并在训练中使用Mosaic数据增强方法,增强方法的泛化能力。实验结果表明,本文方法随着改进模块的添加,识别精度不断提高。对比多种主流目标检测方法,取得了最高识别准确度,不同大小目标识别稳定,证明了本文算法在实际铁路场景的应用价值。     

基于改进RetinaNet的白酒瓶盖缺陷检测方法

针对瓶装白酒包装质检存在的检测准确度低,小目标重合度高导致误检漏检的情况,提出一种基于RetinaNet的目标检测优化算法,主要使用白酒瓶盖瑕疵数据集进行检测。方法将网络Backbone替换为Swin Transformer,其包含的窗口注意力机制运算有效提升瓶盖瑕疵检测精度同时降低复杂度节省了计算量。在Neck阶段使用神经架构搜索特征金字塔网络(FPN)代替FPN,利用自动架构搜索选出最佳特征融合层,为后续检测提供更高质量的模型,最后采用Soft-NMS降低检测框置信度保留一定真实框,有效的防止瓶盖瑕疵过近或重叠造成漏检。实验证明,改进算法能够精准的识别出各类瓶盖瑕疵,检测精度在白酒瓶盖瑕疵数据集达到了93.53%,相较于原网络提升了8.02%。     

基于分割注意力的特征融合CNN-Bi-LSTM人体行为识别算法

针对传统人体行为识别算法不能有效抑制空间背景信息,网络间缺乏信息交互,以及无法对全局时间相关性进行建模的问题,提出一种基于分割注意力的特征融合卷积神经网络-双向长短时记忆网络(CNN-Bi-LSTM)人体行为识别算法。首先以一定采样率采样30帧图像,通过分割注意力网络提取图像的深度特征,并引入特征融合机制增强不同卷积层间的信息交互;然后将深度特征输入到Bi-LSTM网络对人体动作的长时时间信息建模,最后使用Softmax分类器对识别结果进行分类。相较于传统双流卷积网络,该算法在UCF101和HMDB51数据集上的准确率分别提高了6.6%和10.2%,有效提高了识别准确率。     

基于改进YOLOX的钢材表面缺陷检测算法

针对工业生产中钢材表面背景复杂导致缺陷检测精度低的问题，本文提出一种基于改进YOLOX的钢材表面缺陷检测算法。首先，引入了Swin Transformer模块来捕获缺陷钢材表面区域全局上下文信息并提取更多差异化特征；其次，采用加权双向特征金字塔网络（BiFPN），能够方便、快速的进行跨尺度特征融合；最后，对原始目标定位损失函数进行改进，建立了一种融合边界框中心位置的CIoU损失函数从而实现目标框高精度定位。实验表明，算法在NEU-DET数据集上的mAP为80.7%，检测精度相较于原始YOLOX-S网络提高了6.2%，同时也明显高于一些其他主流算法，具有较高的准确率和实用性。     

一种基于特征重用金字塔的舰船检测算法

针对现有算法在SAR图像舰船目标检测场景中难以提取模糊目标特征的问题,提出一种基于特征重用金字塔的舰船目标检测算法。所提算法以YOLOV4-tiny为主体,首先将线性因子引入到K-means算法中整合初始锚框,加强网络对多尺度目标的适应性;其次在主干CSPDarknet53-tiny中添加注意力机制来抑制干扰信息,减弱复杂背景的影响;最后利用特征重用机制强化特征金字塔,提升网络对模糊目标特征的提取能力。实验结果表明,相较于YOLOV4-tiny网络,改进后的算法在SSDD数据集上的平均检测精度提升11.79%,证明了改进后算法在舰船检测中的有效性。     

配电网信息物理系统异常检测研究

我国电网已发展为融合了信息网络、计算机网络、电力网络的三元复合网络,现有电力信息检测技术主要针对发电、输电、变电环节,在配电端缺少行之有效的电力信息检测手段.因此,文章提出了一种基于PLR时间序列数据提取与维诺图异常数据检测的分析方法.采用PLR算法实现原始电力数据序列的线性分段,获取新的数据序列;采用维诺图对新的数据序列进行二维平面分区,根据生成的点集通过离群值函数判断是否存在数据异常点.仿真结果表明,该方案能够有效识别数据序列中的异常数据,能够为电力人员提供辅助性决策依据.     

基于深度迁移学习的小样本智能变电站电力设备部件检测

随着人工智能的不断普及,智能变电站电力设备图像自动化检测系统的建立迫在眉睫。由于智能变电站电力设备图像数据集样本较少、场景复杂且电力设备部件相似度较高,传统图像检测算法无法对电力设备部件做到实时定位和准确识别。针对小样本目标检测识别难题,基于网络的深度迁移学习可以在不同数据集之间建立特征上的关联,能够较好地学习现有小样本智能变电站电力设备数据集的特征。该文采用迁移学习的方法,提出一种利用单阶段多框检测器(singleshotmultiboxdetector,SSD)的智能变电站电力设备图像目标检测算法,并根据智能变电站电力设备数据集相关特点添加特征提取层,重新设计特征预测框数量及比例,采用软性惩罚非极大值抑制(softpunishnon-maximum suppression,Soft-PNMS)等改进方法进行优化,能够自适应于小样本电力设备数据集的检测。此方法通过200张智能变电站电力设备训练集、50张智能变电站电力设备测试集,实现了在小样本复杂背景下对电力设备部件的分类和定位,验证了所提算法的有效性。研究结果表明,对于绝缘子、套管、电流互感器、油枕、螺帽5类电力设备,该方法的平均精准度达到了91.1%,比常规SSD卷积神经网络分类器平均精准度提高13%,平均漏检率下降3%,平均误识别率下降4‰,该方法为小样本电力设备智能化检测奠定了理论基础。     

基于双目立体视觉的连铸辊尺寸三维测量方法

针对连铸车间中,扇形段连铸辊尺寸人工测量效率低下的问题,提出了一种基于双目视觉系统的连铸辊尺寸测量方法。首先,对双目相机采集的图像进行预处理并采用Otsu法分割工件前后背景;接着,针对边缘检测精度不高的问题,将传统Canny边缘检测算法的梯度模板增加到8个以提取工件轮廓,结合多项式插值公式提取亚像素级别特征点;然后,在SAD与Census变换融合的立体匹配基础上引入RANSAC算法来消除错误匹配;最后,采用三角测量原理计算出零件的尺寸。实验结果表明,系统测量的平均相对误差为0.14%,测量方法具有较高的精度,其稳定性与精确性满足连铸辊的尺寸自动检测任务。     

基于轻量级卷积神经网络的手势识别检测

针对基于深度学习的手势识别模型参数量大、训练速度缓慢且对设备要求高,增加了成本的问题,提出了一种基于轻量级卷积神经网络的手势识别检测算法。首先利用Ghost模块设计轻量级主干特征提取网络,减少网络的参数量和计算量;通过引入加权双向特征金字塔网络改进特征融合网络,提升网络检测精度;最后使用CIoU损失函数作为边界框回归损失函数并加入Mosaic数据增强技术,加快模型收敛速度提升网络的鲁棒性。实验结果表明,改进后的模型大小仅为17.9M,较原YOLOv3模型大小减小了92.4%,平均精确度提高了0.6%。因此新的检测方法在减少模型参数量的同时,还可保证模型的检测精度和效率,为手势识别检测提供理论参考。     

基于改进YOLOv5m的轻量化车脸检测方法

为解决车检站车辆检测中需要对车辆前照灯快速准确定位，同时防止车辆代检的问题，建立了一个车脸检测数据集Car-Data。针对车检站场景中车辆检测问题，提出了一种基于YOLOv5m的轻量化车脸检测方法。首先，将原网络的卷积块替换为改进型跨阶段深度可分离卷积块，以减少网络整体的参数量和计算量。其次，提出增强感受野的空间金字塔扩张卷积模块代替YOLOv5m的主干提取网络中的空间金字塔池化模块，从而提升网络的目标检测精度。最后，在颈部特征增强网络中修改上采样方法，并提出上下层特征融合模块，以减少特征信息的损失。在Car-Data数据集上进行的实验结果表明，改进后的算法相较于原YOLOv5m模型大小减少了48%，每秒检测帧数提高了约10帧，且平均检测精度仍提升了2.02%。因此该改进算法可以满足车检站车辆检测场景中车脸检测的需求。     

基于 EfficientDet 的风机叶片缺陷检测方法

受工作环境恶劣等原因影响,风机叶片常会出现裂纹、凹坑等缺陷。针对当前常用目标检测算法对风机叶片小尺寸缺陷检测准确率低的问题,提出一种基于EfficientDet算法的风机叶片缺陷检测方法。首先采集图像数据并建立Pascal VOC格式的风机叶片缺陷图像数据集,然后对EfficientDet算法中的主干特征提取网络进行改进,减少向下采样次数并调整有效特征层从而增强主干特征提取网络对小尺寸缺陷的检测能力,同时为特征融合网络增加融合路径提升算法的多尺度特征融合能力,选用FReLU作为激活函数实现像素级空间信息建模,并通过Mosaic数据增强和Focal Loss损失函数增加小尺寸缺陷样本对于检测器的贡献。在建立的风机叶片缺陷图像数据集上的测试结果表明改进后的算法模型平均类别精度达到了96.15%,相较于原版的EfficientDet提升了3.77%,对小目标的检测性能有明显提升。     

基于特征融合的自适应多尺度无锚框目标检测算法

为了提高 CenterNet 无锚框目标检测网络的目标检测能力,提出一种基于注意力特征融合和多尺度特征提取网络的改 进 CenterNet 目标检测网络。 首先,为了提升网络对多尺度目标的表达能力,设计了自适应多尺度特征提取网络,利用空洞卷积 对特征图进行重采样获取多尺度特征信息,并在空间维度上进行融合;其次,为了更好地融合语义和尺度不一致的特征,提出了 一种基于通道局部注意力的特征融合模块,自适应地学习浅层特征和深层特征之间的融合权重,保留不同感受域的关键特征信 息。 最后,通过在 VOC 2007 测试集上对本文算法进行验证,实验结果表明,最终算法的检测精度达到 80. 94%,相较于基线算法 CenterNet 提升了 3. 82%,有效提升了无锚框目标检测算法的最终性能     

基于改进YOLOv5的 SAR 图像飞机目标细粒度识别

针对合成孔径雷达(synthetic aperture radar,SAR)图像飞机目标细粒度识别中的小目标和多尺度检测问题,提出了 一种基于YOLOv5的改进SAR图像飞机目标识别算法。该方法首先对网络进行重构,加入小目标检测层,改善小目标的漏 检问题,提高目标定位精度。其次,在颈部网络中引入极化自注意力机制(polarized self attention,PSA),并使用双边特征金 字塔结构(bir-directional feature pyramid network,BiFPN)进行多层特征带权融合,提高对飞机目标散射信息的关注度和滤除 干扰信息。最后,使用SIoU(SCYLLA intersection over union)作为网络损失函数提高网络收敛速度和检测精度。利用SAR- AIRcraft-1.0数据集进行了算法有效性试验研究,实验结果表明,算法有效提升了飞机目标的检测精度,精确率、召回率、平均 精度均值分别达到92.6%、84.1%、90.1%。     

基于深度强化学习的两阶段显著性目标检测

为提高复杂场景下的显著性目标检测速度和精度,提出了一种基于深度强化学习的两阶段显著性目标检测方法.该算法由显著性区域定位网络(salient region localization network,SRLN)和显著性目标分割网络(salient object segmentation network,SOSN)组成,分...     

基于改进 YOLO 及 NMS 的水果目标检测

为使水果采摘机器人在复杂情况下如树叶遮挡、果实目标尺度变化大等情况能准确地检测出水果,提出一种YOLO(you only look once)改进模型与NMS(non-maximum suppression)改进算法的目标检测方法。首先,对传统YOLO深度卷积神经网络架构进行改进,设计一种更细化的SPP5(spatial pyramid pooling)特征融合网络模块,强化特征图多重感受野信息的融合,并基于此模块提出一种YOLOv4-SPP2-5模型,在标准YOLOv4网络中跨层添加并改进SPP层,重新分布池化核大小,增强感受野范围,从而降低目标误检率;其次,提出一种Greedy-Confluence的NMS改进算法,通过对高度接近的检测框直接抑制和对重叠检测框综合考虑距离交并比DIOU(distance-intersection over union)和加权接近度WP(weighted proximity)的方法,均衡NMS的计算消耗并减少检测框的错误抑制,从而提高遮挡、重叠物体的检测精度;最后,分别对改进方法进行性能测试,验证方法的可行性,随后制作水果检测数据集并进行格式转换和标...     

基于卷积神经网络的生产日期识别

为了提高识别效率并减少人工成本,采用深度学习的方法对生产日期图像进行识别。首先对生产日期图像进行预处理,使用水平投影分割算法并提出一种区域最大值分割的方法将图像中的干扰字符去除,只留下数字、字母和汉字字符。然后创建一个由生产日期图像中常包含的数字、英文、汉字字符所组成的可扩展的数据集。最后构建一个卷积神经网络模型并将数据集送入训练以获得较高的识别准确率。经测试基于卷积神经网络的识别方法对生产日期识别的准确率高达98%。