深度学习在多光谱行人检测中的研究现状与应用前景

行人检测是计算机视觉领域重要的研究方向之一。随着深度学习的快速发展,基于可见光图像的行人检测技术的性能有了明显的提升,但在夜间或恶劣天气条件下检测性能急剧下降。基于可见光和热红外图像融合的行人检测可以有效解决全时段行人检测的问题,而多光谱行人检测的性能取决于可见光和热红外两种模态融合的机制。本文以基于深度学习的多光谱行人检测技术为研究对象,首先介绍了多光谱行人检测的基本深度学习模型,其次从特征级融合、决策级融合和模态迁移融合三个方面具体分析了深度学习在多光谱行人检测中的研究现状,最后分析了深度学习在多光谱行人检测中的应用前景。     

基于高光谱技术的陶瓷绝缘子污秽等级检测

陶瓷绝缘子污秽等级检测主要采用等值盐密法、表面污层电导法、泄漏电流法等传统方法,检测过程耗时长、效率低。高光谱技术能够非接触地获取目标图谱信息且信息量丰富,在绝缘子污秽检测方面有较大应用潜力。由于陶瓷绝缘子材质原因,采集高光谱图像时存在反光现象。因此,本文提出基于高光谱技术的陶瓷绝缘子污秽等级检测方法。首先,本文采用直方图均衡化对高光谱图像进行处理,去除反光干扰,然后,对高光谱图像进行预处理,去除噪声干扰。再采用连续投影特征提取算法对样品谱线进行特征提取,去除冗余信息。最后,根据特征谱线建立支持向量机分类模型,实现了陶瓷样品污秽等级划分,其准确率为95%。关键词：陶瓷绝缘子;高光谱技术;直方图均衡化;连续投影算法;污秽等级检测;支持向量机 中图分类号：TM855     

基于视频的人群异常事件检测综述

随着公共安全问题的日益突出,公共场所人群异常事件的及时发现将有助于相关部门的及时响应和救援,从而降低群众人身伤亡和财产的损失。近年来,在智能监控和安防领域的发展下,基于视频的人群异常事件检测已成为图像处理、机器视觉、机器学习等相关领域的研究热点。概述了基于视频的人群异常事件检测相关研究的概况、研究现状及未来的发展趋势。人群异常事件检测有两个基本问题,一个是基本事件的表示,一个是异常事件检测模型的建立。重点从这两个方面回顾人群异常事件检测技术的发展和常用的处理方法,并对研究难点及未来的发展趋势作了较为详细的分析。     

基于光谱和雷达的输电线路树障遥测技术研究

输电线路树障是威胁输电网安全运行的重要因素,为实现输电线路树障的高效、广域监测,文中研究了基于高光谱图像的输电线路树障区域植被类型识别以及基于雷达卫星影像的输电线路植被高度检测。首先通过机载高光谱识别树障分布区域,完成了航拍图像的树障区域类型识别,选取输电线路验证了高光谱用于树障区域植被类型识别的可行性。然后,研究了一种改进三阶段植被高度反演算法,基于算法提出了一种输电线路植被高度检测方法,利用SAR影像数据,结合植被类型识别结果进行了工程应用分析。结果表明：高光谱识别输电线路植被准确率最高可达97.5%,SAR影像检测植被高度精度最高可达86.72%,文中方法能较准确地检测输电线路树障植被类型及高度。     

深度学习的目标检测典型算法及其应用现状分析

目标检测是利用图像处理技术对输入图像中的兴趣目标进行分类和定位。深度学习凭借强大的表征和建模能力,使得目标检测的效率大大提升。首先回顾了传统目标检测方法的检测过程以及存在的问题;然后,分别从两阶段和单阶段两大方面,对基于深度学习的典型目标检测算法进行了比较,介绍了目标检测算法常用的性能评价指标和数据集。在此基础上,总结了当前目标检测算法的应用领域,分析了目标检测研究中需要进一步深入探究的问题,并对未来目标检测的发展趋势给出了相关建议。     

基于Kinect的六轴工业机器人异常姿态检测方法

工业机器人异常姿态检测是保障工业机器人安全作业的重要手段。针对已有方法存在检测准确率低和时效性不足的问题,提出了一种基于Kinect相机的六轴工业机器人异常姿态检测方法。该方法使用Kinect相机采集工业机器人彩色图像和深度图像,通过YOLOF目标检测算法得到彩色图像中工业机器人关节轴的信息,结合深度图像转换为对应三维坐标,参考工业机器人结构特性,构造机器人关节向量,提取角度特征,进行工业机器人姿态特征表示,基于欧式距离和余弦相似度进行姿态匹配,检测工业机器人异常姿态。本文的方法结合了工业机器人关节轴三维信息可对姿态进行更加精确的匹配。构建了六轴工业机器人作业视频数据集并进行了异常姿态检测。实验结果表明,本文的工业机器人异常姿态检测方法准确率为96.6%,单帧图像检测时间为43 ms,满足机器人安全监控实际应用需求。     

PCB视觉检测系统中目标图像提取的研究

在PCB视觉检测系统中,为了达到实时检测。图像提取的质量是十分关键的,本文担子同和中环型光纤光源,能提供光照均匀、光强可调、发热量小的照明,也对光强自调整方法进行了研究,通过理论分析和实验论证了其对目标图像提取质量的作用。     

无人值守变电站运动检测算法研究

提出了一种基于比率图像的运动检测算法。针对目前研究普遍使用的差分图像的不足,结合光学知识,得到了比率图像的累计直方图,并根据累计直方图和运动对象在图像中的特点提出了一种可行的阈值分割方法,并与传统Ostu方法的二值化结果比较。最后对该阈值分割方法进行评价。实验及应用结果表明,该算法对于运动物体侵入的异常检测率比较高。     

一种Transformer引导 YOLOv5对高空吊钩违规操作识别

为了降低高空作业意外事故发生的风险,高空吊钩作业违规检测识别并及时告警显得十分重要.针对高空 吊钩目标小以及图像目标模糊等问题,现有的基于 YOLOv５的目标检测方法存在误检测率高、效率低等问题,为此 采用一种 Transformer模块来引导 YOLOv5对高空吊钩违规操作检测的算法.首先,在 Backbone中添加 Transformer 模块有效捕获全局信息和目标图像的上下文内容信息,有利于捕获复杂背景干扰下目标的特征信息;其次在 Neck中 使用 BiFPN 模块,能有效挖掘小目标图像内容信息及深层图像语义信息;最后使用SIoU损失函数,可以更准确定位 目标框的位置信息.     

基于偏振特征的水下目标检测

近年来机器视觉技术在目标检测领域得到广泛的应用,其中最常用的是基于Treisman理论的Itti模型.传统基于Itti模型的检测方法往往过分依赖于光谱图像,然而水下环境完全迥异于陆地环境,光谱信息几乎消失殆尽,简单地将Itti模型直接应用于水下并不能取得很好地效果.基于此本文提出了一种将偏振信息与Itti模型相结合的水下目标检测模型.主要思想是:与传统Itti模型提取颜色、亮度、方向等特征不同,针对水下环境的特殊性,分析并提取了更加适合水下环境目标检测的偏振度特征、边缘特征以及直线特征进而利用Itti模型生成显著图,实现水下目标检测.实验结果表明该方法针对水下目标检测有很好的效果.     

边缘检测在TOFD扫描图像中的应用

TOFD技术作为一种缺陷检测与定量的方法在无损探伤领域得到了广泛的应用。为了提高TOFD扫描图像中缺陷信号的可识别性,达到精确检测和定位的目的,本文提出了将图像处理中的边缘检测算子引入TOFD扫描图像的方法。在对TOFD技术和边缘检测算子进行简要介绍之后,本文进行了将Sobel算子、高斯—拉普拉斯算子等应用于TOFDD扫描图像识别中的实验。实验结果表明,边缘检测成功地识别了TOFD扫描图像中的衍射波信号,可以提高TOFD检测的精确性。     

基于对比学习生成对抗网络的无监督工业品表面异常检测

在工业品表面异常检测中，由于异常的未知性和无规则性，人工标注异常样本难度大、成本高，有监督的深度学习算法在工业品表面异常检测任务中存在局限性。针对上述问题，提出一种基于对比学习生成对抗网络(contrastive learning generative adversarial network, CLGAN)的无监督工业品表面异常检测算法。首先，建立基于无监督学习算法的CLGAN模型；其次，采用对比学习加强潜在特征空间正负例样本约束，使得输入与输出图像对应Patch之间的互信息最大化，增强正负样本特征向量区分度，使模型重构异常样本图像能力得到进一步提升；然后，在检测阶段，利用训练好的模型得到待测工业品的无异常重构图像，并计算得到待测样本与其对应重构图像之间的残差图像；最后，结合双阈值分割的后处理方法和数学形态学处理，实现工业品表面异常区域地快速检测和准确定位。通过在公共数据集MVTec AD上进行实验，与其他的无监督深度学习模型算法相比，所提算法具有更好的识别效果和更强的泛化能力。     

基于磁异常检测的潜艇探测探头类型分析

潜艇降噪技术的发展导致传统声纳探潜手段的探测效果下降,需要寻求非声探潜新方法,而磁异常探潜方法是其中前景较好的一种。实现磁异常探潜,需要高精度的磁场测量探头。文章从磁异常探潜原理出发,分析了其对磁场测量探头特性的要求。具体分析了高精度磁通门探头,发现三分量组合磁通门探头测量总场值的误差过大,论述了其对磁异常探潜的不可用性。最后对潜艇探测中磁场测量探头的选型进行了分析。     

智能电网大数据流式处理方法与状态监测异常检测

针对智能电网大数据流的实时性、易失性、无序性等特点,提出智能电网大数据的实时流处理框架,实现数据收集、数据缓冲与流式计算,满足状态监测异常检测与用电数据分析等快速处理需要。通过采集系统节点监听数据源变化并实时收集数据,利用消息订阅模式对数据进行缓冲,解决数据采集与流式计算速度不一致的问题。提出一种基于Storm的状态监测数据流滑动窗口处理方法,在规定时间内分批处理状态监测数据流,保证数据的连续计算,通过阈值判断进行异常检测。实验结果表明,在集群规模一定的条件下,适当地改变工作进程数以及执行器线程的并发数设置,可以增大滑动窗口的元件吞吐量,提高状态监测异常检测的实时处理效率。     

大规模用电数据流的快速聚类和异常检测技术

对近年来在电力系统中出现的大规模数据流进行了探讨,目的是利用流式计算技术提高系统的实时性和安全性。针对大规模用电信息采集中用电数据流的快速聚类和异常检测技术展开研究。结合分布式流式计算平台Spark Streaming,基于用电行为在纵向时间和横向空间上表现出的聚类特性,即同类用户具有相似用电模式和同一用户历史数据具有相似性,设计并实现了流式DBSCAN聚类算法,以实现对大规模用电数据流的快速异常检测。设计并搭建了支持大规模数据流处理的实验环境,证明了算法的有效性。     

An efficient class association rule‐pruning method for unified intrusion detection system using genetic algorithm

Genetic network programming (GNP)‐based class association rule mining has been demonstrated to be efficient for misuse and anomaly detection. However, misuse detection is weak in detecting brand new attacks, while anomaly detection has a defect of high positive false rate. In this paper, a unified detection method is proposed to integrate misuse detection and anomaly detection to overcome their disadvantages. In addition, GNP‐based class association rule mining method extracts an overwhelming number of rules which contain much redundant and irrelevant information. Therefore, in this paper, an efficient class association rule‐pruning method is proposed based on matching degree and genetic algorithm (GA). In the first stage, a matching degree‐based method is applied to preprune the rules in order to improve the efficiency of the GA. In the second stage, the GA is implemented to pick up the effective rules among the rules remaining in the first stage. Simulations on KDDCup99 show the high performance of the proposed method. © 2012 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于特征耦合泛化的流量异常检测方法

针对现有流量异常检测模型中稀疏特征易被特征选择算法忽略的问题,提出一种基于特征耦合泛化(FCG)的流量异常检测方法。首先,采用DBSCAN密度聚类算法去除数据中的离群点,降低异常点对后续FCG算法的影响。其次,使用最大相关最小冗余(mRMR)算法对数据特征进行排序,选择对分类最具影响力的特征生成FCG算法中的类别区分特征(CDF),以增强分类能力。利用K最近邻(KNN)算法填补CDF中的缺失值,保持数据完整性。然后,将数据按照攻击类别分组,分别使用mRMR算法对特征进行排序,挑选每种攻击类别数据中具有实例区分能力的稀疏特征作为FCG算法中的实例区分特征(EDF)。利用两种特征在异常检测数据中的耦合程度和EDF的上层概念将EDF转化成更泛化的特征。最后,将经过处理的数据输入基于贝叶斯优化(Bayesian optimization, BO)参数的随机森林(RF)模型进行分类识别。通过在NSL-KDD数据集上进行仿真实验,准确率达到了91.79%,验证了所提方法具有较好的检测性能。     

采用预测模型与模糊理论的风电机组状态参数异常辨识方法

为提高风电机组的停运预警能力,基于风电场数据采集与监控(SCADA)系统数据提出了一种风电机组状态参数的异常辨识方法。对参数进行划分,针对与环境因素密切相关的状态参数,采用神经网络建立了状态参数预测模型。采用本机组近期SCADA样本、本机组历史样本和其他机组近期样本分别作为预测模型的训练数据,对比分析了基于3类样本建立的模型的预测精度。采用平均绝对误差对基于本机组历史样本和其他机组近期样本建立的预测模型进行选择。定义了异常程度指标量化预测残差的异常程度。为了提高异常辨识的精度,采用模糊综合评判对筛选出的预测模型的异常辨识结果进行融合。最后,以国内某风场的1.5 MW风电机组为例进行了异常分析,并与传统的风电机组状态参数异常检测方法进行了对比,实例分析结果表明所提出的异常辨识方法具有更高的准确性。     

模式聚类与周期分解的能耗监测及异常检测方法

时间序列异常检测对于能耗监测和管理至关重要。为了解决周期分解算法在时间序列中易受模式不一致影响的问题,文章提出模式聚类和周期分解相结合的异常检测方法。该方法使用密度峰值聚类算法寻找聚类中心点,并通过循环距离度量方法解决子序列相位偏移问题;为了屏蔽不同模式数据间的影响,使用季节分解算法S-H-ESD(seasonal hybrid extreme studentized deviate)在具有相同周期模式的聚类簇中寻找异常点,并评估和筛选检测结果的异常程度。实验结果表明,方法得到了较为理想的效果,适用于复杂周期时间序列的异常检测工作。