基于改进YOLOv5的密集场景行人检测方法研究

当前的研究中密集场景行人检测精度较低,为提高检测精度,提出一种基于YOLOv5网络的改进方法V-YOLO,采用加权双向特征金字塔网络(bi-directional feature pyramid network, BiFPN)改进原始网络中的路径聚合网络(path aggregation network, PANet),加强多尺度特征的融合能力,提高对行人目标的检测能力。为了保留更多的特征信息,提高主干网络的特征提取能力,添加残差结构VBlock;引入SKNet(select kernel networks)注意力机制,动态融合不同感受野的特征图,提高对不同行人特征的利用率。使用CrowdHuman数据集进行训练和测试,实验结果表明,所提出算法比原始网络的精确度、召回率和平均精度值分别提高1.8%、2.3%和2.6%,验证了所提出算法能有效的提高密集场景下行人目标检测的准确率。     

电厂安全帽佩戴安全性监控的智能图像处理方法

立足于电厂安全管理现状,针对部分人员不按规定佩戴安全帽进入电厂作业区域造成安全隐患问题,对基于图像智能处理的安全帽佩戴检测技术开展研究。设计一种安全帽佩戴检测方法,通过掩膜区域卷积神经网络(mask region convolution neural network,Mask R-CNN)深度学习算法对作业人员图像分析,采集5000张安全帽佩戴照片样本作为训练图集,对其进行预处理,再由改进的特征金字塔网络算法(feature pyramid networks,FPN)进行神经网络训练。对于测试集500张图像分析结果表明,结合改进的FPN算法和ResNet-101作为主干网络的Mask R-CNN模型能够有效实现对安全帽佩戴与否及佩戴错误的检测,模型精确率为0.971,召回率为0.973,均值平均精确度为0.970,获得较准确的电厂应用场景下安全帽佩戴安全性检测效果。     

基于改进生成式对抗网络的电气数据升频重建方法

高频电气数据是提高电网态势感知准确度、监测水平和辅助服务质量等的数据基础之一,但是,传统重建算法难以实现高精度的数据重建。因此,文中利用改进生成式对抗网络将低频电气数据重建为高频。通过将时序数据转化为电气图像,实现神经网络方法对电气图像特征的高效提取。利用基于深层残差网络的生成器和改进的残差块结构,提高生成器的特征学习能力。此外,生成器损失函数考虑真实样本与生成样本在低维或高维特征的差别。以公开数据集为例进行算法验证,验证结果表明,相比于传统重建方法,所提方法具有更高的峰值信噪比、结构相似性和更低的平均绝对误差、平均绝对误差百分数,以及更高的高频细节还原度、重建精度,能够对不同数据集实现泛化。     

基于多尺度特征融合与混合注意力的云检测算法

针对传统云检测方法对特殊场景识别效果较差而造成的边缘信息丢失和薄云、碎云误判等问题，提出了一种基于多尺度特征融合与混合注意力的高精度云检测MSHA-DeepLab算法。首先，在原始DeepLabV3+算法的基础上引入注意力模块，提高重要特征权重，增强网络对局部特征的感受能力。其次，使用深度可分离卷积提取不同尺度的语义信息，减少网络参数量。最后，进行逐级上采样和特征融合，减少特征信息丢失。选择多种方法与改进算法对比，使用不同场景、不同波段组合的数据集进行测试。结果表明，改进后算法的精确率达到了86.376 9%,召回率达到了85.895 9%,特异性达到了96.915 6%,交并比达到了82.846 7%,精确度达到了94.600 8%,相比原始算法和其他方法有明显提高。验证了提出算法能在不同条件下实现高精度的云检测。     

改进YOLOv5算法下的输电线路外破隐患目标检测研究

采用图像视频技术对输电线路通道实时监控,通过智能目标检测算法实现外力破坏隐患目标的识别并预警的方法精确率高,近年来被逐渐普及。但在实际环境中,由于图片背景复杂、天气变化(如雾、雨等)等因素,训练数据无法涵盖所有条件,目标识别算法泛化能力较弱,实际应用中常出现漏报和误报。基于这些问题,采用YOLOv5作为本文算法基础,通过数据扩增模拟不同天气,引用自注意力机制(CBAM)增强模型的特征提取能力,并加入多尺度域自适应网络对训练集进行对抗训练,增强模型对不同天气、不同场景的泛化能力。经实验证明,本文所用算法得到的召回率(Recall)达到了86.9%,较原算法有明显提升,平均准确率(MAP)高于原YOLOv5算法,达到了92.2%,能准确的检测出待检外破目标,减少漏检、误检。     

改进 YOLOv8 的轨道扣件状态检测方法

针对现有轨道扣件状态检测算法对小目标物体与复杂形状物体的检测能力差而导致检测结果异常,以及小目标层特 征冗余等问题,提出了一种改进 YOLOv8 的轨道扣件状态检测方法。在 YOLOv8 网络中增加可变形空间金字塔扩张卷积模 块,以提高模型对小目标物体以及形变复杂物体的检测精度。同时增加小目标空间重构单元以减少小目标特征冗余,促进小 目标特征的学习。根据采集到的轨道扣件数据集进行模型的训练和测试,并与多组轨道扣件状态检测算法进行对比,实验结 果表明,相较于对比算法,所提算法精确度平均提升3.20%,召回率平均提升3.34%,平均精度平均提升3.96%。实验证明 所提算法能够有效进行轨道轨道扣件状态检测,并且具有较强的泛化能力,可以部署于复杂交通场景。     

基于全景视频下标记点特征的停车位检测技术研究

在车载全景系统中,如何准确地检测停车位的位置和车位的方向仍然是一个待解决的问题。针对这一问题,设计了一个双路并行多尺度标记点检测网络,双路网络分别用于检测标记点的位置和角度。对全景图像提取多尺度的特征,并行维护一高一低两个分辨率的分支网络,两个分支互相融合,高分辨率特征以高斯热图的形式表述标记点的位置。提出了一种新的停车位方向计算方法,使用两个标记点的方向以及两个标记点的相对位置计算停车位的方向。为验证所提方法的可行性,使用公共数据集PS2.0的训练集训练所设计的网络,在公共数据集PS2.0和自行采集的数据集PSS上分别测试的停车位检测精确度为99.4%、95.27%,召回率为99.88%、80.89%,在PS2.0上标记点位置平均误差为0.84 pixel,车位方向的误差为0.71°。实验结果表明,与现有方法相比,所提出的车位检测网络降低了标记点定位和车位方向的误差,且在PSS数据集上有较强的泛化能力。     

基于Cascade R-CNN算法的输电线路小目标缺陷检测方法

输电线路无人机航拍图像缺陷识别是维护线路安全运行的重要巡检手段,但目前的识别算法对于销钉、螺母等小目标缺陷存在识别精确度低、易漏判等问题。将Cascade R-CNN算法应用于输电线路缺陷检测中,利用ResNet101网络进行特性提取,增强的网络的特征提取能力,并利用多层级联检测器对输电线路小目标进行判别和分类。基于无人机航拍图像数据集进行实验,实验结果表明,相比于Yolov3检测器和Lighthead R-CNN检测器,Cascade R-CNN算法提高了小目标缺陷检测中的召回率和精确度。     

基于改进 U-Net 的金具图像小样本识别算法研究

电力金具巡检是保证电网安全运行的关键任务。针对因金具样本类别不平衡、金具图像背景复杂而导致的误检、漏检问题,提出了一种改进U型网络(U-shaped network, U-Net)的检测方法。首先,通过生成对抗网络生成虚拟金具样本扩充数据集,解决数据集中样本类别不平衡的问题;然后,提出一种前景增强方法,在网络输出的特征图中加入背景掩膜,并优化损失函数;最后,将注意力机制嵌入U-Net,以提高模型在复杂背景下提取金具特征的能力。经实验证明,改进算法对电力金具目标的检测效果良好,其金具检测准确率达到98.82%,平均交并比达到83.94%,精确率达到91.01%,召回率达到86.18%,平均精度均值达到89.73%。改进算法不仅可应用于正常金具的检测,还有效适用于生锈金具的检测,为电力金具智能化检测提供了一种新思路。     

基于Efficientnet的红外目标检测算法

针对复杂场景下红外目标检测存在准确率低、召回率低的问题，为了提高红外图像中的小目标以及被遮挡目标的检测识别能力，提出基于Efficientnet的红外目标检测算法。首先，将高效轻量的Efficientnet作为模型的特征提取主干网，降低模型的参数量，提升训练速度。在Efficientnet主干网的最后一个输出层引入SPP模块，丰富特征图的表达能力，进行多尺度融合，扩大特征图的感受野；在模型特征融合部分，使用FPN特征金字塔网络，特征融合后增加CSPNet模块和ECA注意力机制，加强特征提取。检测部分使用YOLO Head，对目标进行分类和回归，并用CIoU Loss作为边界框回归损失函数，提高对被遮挡目标的识别能力。实验结果表明，基于Efficientnet的模型大小仅为YOLOv3的188%，并且在FLIR数据集上mAP达到8074%，相比于YOLOv3算法提高1012%，该模型在减少模型参数量的同时，提升了检测精度。该模型在FLIR数据集上具有良好的泛化能力，提高了对小目标和遮挡目标的检测能力。     

基于稳态视觉诱发电位的相频特性分类算法研究

目前基于稳态视觉诱发电位（SSVEP）的脑-机接口在人机协作中受到广泛关注,现有面向SSVEP信号的相位与频率信息的深度学习分类方法,仍存在由于信息利用不充分导致的SSVEP信号分类效果较差等问题。而目前已出现多种分类算法用于解决上述问题。本文基于迁移学习思想提出一种用于SSVEP信号分类的深度神经网络模型,将快速傅里叶变换后的复向量作为输入,对各个导联的实、虚部向量进行卷积,学习对应的相频特性。该模型分为两部分：第一部分利用所有被试者之间的统计共性获得相位和频率信息的全局相频特征模块;第二部分利用训练好的全局相频特征模块对局部相频特征模块进行初始化,通过局部相频特征模块的进一步强化学习对训练参数进行微调,以减少每个被试者之间的个体差异。在公开数据集BETA上进行测试,在时窗长度为1.5 s时,平均准确率和平均信息传输率分别为89.98%和71.80 bit/min。实验结果表明,与其他方法相比,本文的分类算法模型取得了较为不错的分类效果,所设计的全局、局部相频特征模块能够改善个体差异因素对分类结果的影响,为深入挖掘、利用SSVEP信号中的相位和频率信息提供了全新思路。     

结合表面肌电与稳态视觉诱发电位的混合脑机接口关键技术研究

脑-机接口技术旨在大脑与外部环境之间建立一种全新的不依赖于外周神经和肌肉的交流与控制通道。基于稳态视觉诱发电位的脑-机接口是目前信息传输率最高的无创脑 机接口范式，但是仍低于传统的交互方式。提出一种结合表面肌电与稳态视觉诱发电位的混合脑 机接口，以进一步提高系统的信息传输率。通过不同频率的高频稳态视觉诱发电位结合sEMG编码，实现二者混合脑 机接口系统。利用典型相关分析方法对SSVEP信号进行频率识别，sEMG的检测则采用频域分析方法。来自8名健康受试者的离线结果表明该系统能够获得8428% 的平均准确率，平均信息传输率为7263 bits/min。这些结果为结合表面肌电与稳态视觉诱发电位的混合脑 机接口研究奠定了基础。     

基于Hilbert Huang变换的SSVEP相位提取

稳态视觉诱发电位(steady-state visual evoked potential,SSVEP)被广泛应用于脑-机接口和大脑的认知研究,相位信息是其重要的特征指标之一.针对快速傅里叶变换在SSVEP相位提取中受不确定性原理约束的特点,提出了一种基于Hilbert-Huang变换的SSVEP相位提取方法.该方法通过经验模态分解将脑电信号分解为一系列固有模态函数(intrinsic mode functions,IMF),并通过分析各模态函数瞬时频率的均值判断该IMF分量是否属于噪声.若为噪声则将其从原始信号中滤除,再对滤波后的各IMF分量进行Hilbert变换,并与基准信号做运算即可求得SSVEP相位.实验结果表明,与快速傅里叶法相比该方法可在去除噪声分量的同时提取SSVEP的相位信息,且具有较高的准确率、精度和自适应性.     

基于知识蒸馏与RP-MobileNetV3的电能质量复合扰动识别

针对复合电能质量扰动(power quality disturbance, PQD)识别中特征提取复杂、识别正确率低和模型难以轻量化等问题,提出一种利用递归图(recurrence plot, RP)对PQD信号可视化方法和基于知识蒸馏的模型训练方法。首先,基于RP挖掘PQD信号隐含特征并构建图像数据集,并利用深度残差收缩网络(deep residual shrinkage network, DRSN)对图像数据集进行更深层次特征提取并完成自主分类。然后,基于知识蒸馏(knowledge distillation, KD)让已训练的DRSN指导轻量化网络MobileNetV3进行训练,通过蒸馏实现知识的跨网络传输。最后,仿真实验和硬件实验表明,利用知识蒸馏训练的MobileNetV3能实现高精度且轻量化的复合扰动识别,同时在30 dB噪声环境下正确率能提升1.06%,对实际扰动信号识别效果良好,具有良好的噪声鲁棒性。     

Independence of amplitude-frequency and phase calibrations in an SSVEP-based BCI using stepping delay flickering sequences

This study proposes a steady-state visual evoked potential (SSVEP)-based brain-computer interface (BCI) independent of amplitude-frequency and phase calibrations. Six stepping delay flickering sequences (SDFSs) at 32-Hz flickering frequency were used to implement a six-command BCI system. EEG signals recorded from Oz position were first filtered within 29-35 Hz, segmented based on trigger events of SDFSs to obtain SDFS epochs, and then stored separately in epoch registers. An epoch-average process suppressed the inter-SDFS interference. For each detection point, the latest six SDFS epochs in each epoch register were averaged and the normalized power of averaged responses was calculated. The visual target that induced the maximum normalized power was identified as the visual target. Eight subjects were recruited in this study. All subjects were requested to produce the "563241" command sequence four times. The averaged accuracy, command transfer interval, and information transfer rate (mean ± std.) values for all eight subjects were 97.38 ± 5.97%, 3.56 ± 0.68 s, and 42.46 ± 11.17 bits/min, respectively. The proposed system requires no calibration in either the amplitude-frequency characteristic or the reference phase of SSVEP which may provide an efficient and reliable channel for the neuromuscular disabled to communicate with external environments.     

听觉刺激对稳态视觉诱发电位影响研究

基于稳态视觉诱发电位(steady state visual evoked potential,SSVEP)和听觉脑机接口技术目前已成为研究重点.未来的挑战是研究基于视觉和听觉联合统一系统框架的脑机接口技术.多感觉在不同脑区间存在的跨膜整合以及视听双刺激的交互作用,给该技术研究带来较大困难,故研究听觉刺激对枕区SSVEP影响很有意义.在闪光刺激频率为12 Hz,占空比分别为5％、20％、30％、40％、50％、60％、70％、80％、95％条件下,分别加入500、1 000、1 500 Hz的正弦纯音、响度为50 dB的听觉刺激,研究听觉对SSVEP的变化规律.结果表明,对同一受试者,视听双刺激条件下SSVEP随占空比变化依然呈现“窗口”效应,听觉刺激对SSVEP影响起增强或抑制作用.此外听觉刺激对SSVEP影响出现的占空比“窗口”的位置、数量以及对SSVEP增强或抑制作用的程度也因人而已.结果为更好研究视听相互作用机理及其在脑机接口技术应用提供有意义的实验依据.     

基于卷积神经网络的变压器有载分接开关故障识别

为进一步提高变压器有载分接开关(OLTC)故障识别的精度,从OLTC切换过程中振动信号递归图的纹理特征出发,提出了一种基于卷积神经网络(CNN)的变压器OLTC故障识别方法。首先根据OLTC振动信号的相空间分布,基于相点距离映射构建了OLTC振动信号的距离映射递归图(DMRP),然后通过合理选取CNN的网络层数、卷积核尺寸等结构超参数和对卷积核进行降维处理,提出了基于CNN的OLTC故障识别模型。对某CM型OLTC正常与典型故障下振动信号的计算结果表明,DMRP能自适应地对振动信号的相空间相点分布进行描述,所提出的识别模型对OLTC的典型故障均具有良好的识别性能,尤其在轻微故障的识别上相比于现有方法准确率提升了至少10%。     

基于TiCNN-DRSN模型的sEMG手势识别算法的研究

基于表面肌电信号和模式识别的手势识别方法在康复手领域中具有广阔的应用前景。提出一种基于表面肌电信号的手部姿势识别方法,以预测手部的52种动作。为解决表面肌电信号易受干扰的问题,提高对表面肌电信号的分类效果,提出了TiCNN DRSN网络,主要作用是在拥有噪声的情况下能够更好的识别率,减少滤除噪声的时间。TiCNN网络使用卷积核Dropout和极小批量训练,为卷积神经网络引入训练干扰并且增加了模型的泛化性;DRSN网络可以有效的剔除sEMG信号中的冗余信号,减少信号噪声干扰。TiCNN DRSN网络在不需要任何降噪预处理的前提下,取得了很高的抗噪与自适应性能。本模型在Ninapro数据库上的识别率达到97.43%±0.8%。     

多工况下基于EEMD-ICNN的输油管道泄漏识别

针对多工况下管道泄漏信号预处理繁琐、误报率高的问题，提出了一种集合经验模态分解(EEMD)结合改进卷积神经网络(ICNN)的泄漏识别模型。所用识别方法采用EEMD将泄漏信号分解成若干个具有稳态性能的固有模态分量(IMF),通过相关系数划分出噪声主导向量并予以去除实现信号重构；提取重构信号的一系列指标特征作为ICNN模型的输入进行特征提取，实现管道多工况分类；ICNN在每个卷积层和池化层之间加入批量归一化层，以此加快网络训练速度。结果表明：所提模型能够快速准确识别出停泵、调阀、泄漏、正常工况，且在较少训练数据下平均识别准确率可达98.25%。与未改进的CNN和SVM分类识别模型相比，该方法有效提高了识别准确率。     

基于波形优化的深度调制识别方法

自动调制识别技术,可在接收信号在样式未知、内容未知的前提条件下,自动对其调制方式进行估计。 提出一种基于深 度学习的调制识别方法,该方法通过波形优化的方法迭代更新滤波器参数,对接收信号样本进行滤波,再通过深度识别网络进 行识别。 该方法在处理流程中存在识别结果对滤波器参数的反馈回路,能够减轻信道对调制识别结果的不利影响。 通过开源 数据集进行验证,证明了该方法相比于几种利用经典深度学习网络的方法,识别率均有所提高。 特别是相比于传统的 CNN 方 法,识别率提高了约 7%。