基于深度学习的变电站开关柜图像增强及状态识别方法

针对变电站机器人巡检时存在开关柜的状态识别精度极易受到环境影响，以及小尺寸状态灯误检率高等问题，提出了一种基于融合生成对抗网络和改进的YOLOX的开关柜状态识别方法。首先，基于融合生成对抗网络进行图像增强，对原图进行色彩校正和色彩增强预处理；其次，构建多损失函数用于特征的提取、融合，并增添纹理提取模块，减少训练中预处理算法造成的伪影噪点和细节模糊；再次，基于改进的YOLOX网络进行开关柜状态识别，在解耦头模块融合DAMM双注意力机制，加强YOLOX网络对信息量更大的分支的关注，丰富开关柜状态的特征信息；最后，优化YOLOX网络结构，用轻量级MobileNetV3网络替换原始主干网络CSPDarknet，并保留Focus层，使网络减少参数量和计算量的同时保持良好的特征提取性能。增强算法能有效校正因强光照而失真的状态灯色彩，还原夜晚拍摄反光区域的信息，提高低对比度图像的质量，增强图像色彩鲜明度，峰值信噪比和结构相似性均有提升，与其他算法相比，所提方法的性能更好。改进后的检测算法平均识别精度可以达到94.1%，图片识别速度为4.6 ms/张，表现出较强的泛化性、鲁棒性、准确性和快速性。试验表...     

基于聚合多尺度特征的图像轮廓增强超分辨率重建算法

为了提高超分辨率重构算法对图像边缘轮廓的修复能力,消除重构图像存在伪影的问题,提出一种基于聚合多尺度特征的图像轮廓增强超分辨重建生成对抗网络。将多尺度卷积与通道注意力机制相结合,使用一次性聚合多尺度特征结构,构建多级残差模块,让生成器网络能自适应地提取特征层中的潜在关键信息,同时完成不同特征层的信息融合。定义高斯滤波卷积核与不同方向的索贝尔卷积核,构建边缘损失函数,该损失函数能加强对图像边缘轮廓信息的修复;结合全变分损失函数,减少低分辨率图像噪声对重构图像的影响,进一步提高图像轮廓信息修复能力。为了提高判别器对不同特征的自适应学习能力,在判别器中使用自适应归一化层,增强网络的收敛能力。在Set5、Set14、BSD100数据集上进行图像重构,经实验结果表明,提出的算法使重构图像的轮廓进一步加强,整体视觉质量更好。同时所提算法与超分辨率生成对抗网络(SRGAN)对比,2倍超分辨重建图像的峰值信噪比平均提高了1.696dB,结构相似性指标平均提高了0.03;4倍超分辨重建图像的峰值信噪比平均提高了1.348dB,结构相似性指标平均提高了0.033。     

基于改进循环生成对抗网络实现红外图像生成

针对目前已有的可见光图像生成红外图像的算法不能感知图像的弱纹理区域而导致生成的图像细节信息不突出、图像质量低的问题，本文提出了一种适用于图像生成任务的改进循环生成对抗网络（CycleGAN）结构。首先，利用特征提取能力更强的残差网络构建CycleGAN的生成器网络结构，使图像特征可以充分被提取，解决图像因特征提取不充分导致图像质量低下的问题；其次，在生成器的网络结构中引入了通道注意力机制和空间注意力机制，利用注意力机制对图像感知能力较差的区域进行权重处理，解决图像纹理细节丢失的问题。在OSU数据集上，本文所提出的方法相较于CycleGAN方法在峰值信噪比(PSNR)以及结构相似性(SSIM)指标上分别提高了7.1%和10.9%，在Flir数据集上的PSNR和SSIM分别提高了4.0%和6.7%。经过多个数据集上的实验结果证明，本文改进的方法能够突出图像生成任务中的细节特征信息，并且能有效地提升图像生成的质量。     

改进YOLOX的弱光线道路交通标志检测

针对弱光线环境下道路交通标志检测精度不高、漏检、错检等情况，提出了一种改进YOLOX的融合检测算法。该算法引入轻量级Mobile Vi T Block模块，将CNN和Transformer结合，提高了网络对物体局部和全局特征的学习能力；通过添加自适应特征融合金字塔ASFF，对有效特征层进行加权融合，加快了网络训练收敛速度；并采用Focal Loss替换二元交叉熵损失函数，用以解决因样本少导致分类不准确的问题。实验结果表明，相较于YOLOX算法，改进YOLOX算法mAP值提升了2.89%，参数量减少了6.23 M，可视化实验进一步验证了所提算法可以提高检测精度，有效避免因弱光线导致的漏检、错检现象。     

基于多注意力机制的生成对抗网络的遥感图像超分重建

针对现有超分辨算法重建后的遥感图像模糊,含有伪影和噪声等问题,提出一种基于多注意力机制的生成对抗网络。首先,在生成器的残差块中引入高效注意力机制,增强全局相关性,提高模型的特征提取能力;其次,利用迭代注意特征融合模块对输入的图像和经过生成器生成的高层语义特征图进行融合,代替长跳跃连接常用的相加操作,减少输入图像进行相加操作时导致的信息损失,使重建后的图像更加清晰;最后,基于WGAN网络优化模型训练,促进网络训练的稳定,加快损失函数的收敛。在不同数据集上验证上述方法,结果表明,相较次优算法,所提方法在峰值信噪比(PSNR)和结构相似度(SSIM)上分别提高了0.062～0.122 dB和0.03～0.08。     

基于PPLCFaster-YOLOv5的PCB表面缺陷快检模型

针对现有PCB表面缺陷检测方法精度低、召回率低以及实时性较差等问题，提出PPLCFaster-YOLOv5模型。该方法以改进后的PPLC-Net作为主干网络，将Focus结构作为网络第0层，提高特征图对位置信息的表达能力。在深度可分离卷积结构内引入通道混洗机制，使各分组卷积获取的特征对全局特征具有等贡献度；引入Dropout机制限制不平衡正则化因子。提出低参数量G4Head特征融合网络结构，将更为浅层的信息加入特征融合中，提高模型对缺陷的定位能力；在主干网络与特征融合之间增加残差连接，提高主干网络信息对特征融合的贡献度；采用SIOU损失函数，加速回归框收敛。将训练后的模型采用Flask服务器框架进行部署。实验表明，部署后的PPLCFaster-YOLOv5模型在DeepPCB以及北京大学PCB表面缺陷检测数据集上检测时间可达0.009 s，且准确率、召回率等相比于其他主流模型均获得提升。     

高频增强网络与FPN融合的水下目标检测

针对水下目标检测中目标对比度低以及水下图像多尺度问题，提出了高频增强网络与特征金字塔(FPN)融合的水下目标检测算法，以提高对水下目标边缘、轮廓信息以及目标底层信息的提取。首先引入八度卷积将卷积层的输出特征按频率分解，将主干网络提取到的特征图进行高、低频信息分离，鉴于水下目标的轮廓信息和噪声信息均包含于高频特征中，在高频信息通道中引入通道信息具有自适应增强特点的通道注意力机制，形成了一种高频增强卷积，以达到增强有用轮廓特征信息和抑制噪声的目的；其次，将增强的高频特征分量融入FPN的浅层网络中，提高原FPN对水下多尺度目标的特征表示能力，缓解多尺度目标漏检问题。最后，将所提方法与基线算法Faster R-CNN融合，在全国水下机器人大赛提供的数据集中进行实验。结果表明：改进算法识别准确率达到78.83%,相比基线提升2.61%,与其他类型目标检测算法相比，依然具备精度和实时检测优势，证明了从特征图频域角度提升前景和背景对比度的有效性。     

基于改进边缘注意力生成对抗网络的电力设备热成像超分辨率重建

针对低分辨率电力设备热成像图像,提出一种基于改进边缘注意力生成对抗网络的超分辨率重建方法。首先,在边缘注意力的基础上,引入通道注意力和位置注意力的双注意力模块(dual attention, DA),捕获特征图不同位置间和不同通道间的依赖关系,并将两组依赖关系进行融合,以加大全局信息的提取程度。然后针对参数修正线性单元激活函数(parametric rectified linear unit, PReLU)对网络中神经元进行无差别激活,导致网络特征表达能力受限问题。采用改进β-ACONC自适应控制激活函数替代PRe LU函数,在辨识有效特征的基础上,对神经元进行选择性激活,以强化有效特征、弱化无效特征,提升网络的自适应激活能力和特征表达能力。最后对所提改进边缘注意力生成对抗网络模型(edge-attention generative adversarial network, EA-GAN)进行实验验证。结果表明,与Bi Cubic双三次插值模型和原EA-GAN模型边缘注意力生成对抗网络模型相比,所提改进模型网络性能最好,重建图像质量最高,客观评价指标峰值信噪比(peaksignal-t...     

基于秩分解和强语义信息融合的电力巡检算法

针对现行电力巡检方法对于高似然目标区分能力较差、检测速度较慢等问题，提出TR-YOLOv5模型。在网络第0层引入卷积注意力机制模块(CBAM),加强网络对细粒度特征的提取能力，并在网络最深层借助Transformer注意力进行编码，加强语义信息的传递能力。对于模型残差结构中的3×3卷积进行秩分解，压缩模型的冗余参数量。在特征融合阶段提出GPAN结构，以GSPP控制各尺度的变换，提高特征融合对各尺度信息的融合。在主干网络与同尺度特征融合结构的连接中加强了语义信息的融合，提高模型的检测能力。在模型训练过程中，以边框回归损失函数(SIOU)和CrossEntropy Loss作为IOU和分类损失回归函数提高模型的定位、分类能力。将训练完成的模型采用PyQt进行封装，提高了人机交互体验。实验结果表明，TR-YOLOv5模型检测平均精度值(mAP)达到97.1%,模型浮点运算量减少到3.6 GFLOPs。消融实验与对比试验证明了TR-YOLOv5模型能有效解决电力巡检过程中的前述问题。     

基于生成对抗网络的自动装卸目标物标注数据集生成方法

针对建立无人起重装卸目标检测深度学习标注数据耗时问题,设计了货物图像检测生成对抗网络,构成准确的含语义标注和关键点标注的数据集,该数据集可用于有监督深度学习语义分割模型的训练。通过融合StyleGAN与DatasetGAN的生成对抗网络,对实际应用中存在的语义特征变形问题进行改进,将生成器的样本归一化层进行修改,去除均值操作,修改噪声模块和样式控制因子的输入方式;对纹理特征单一的物体的空间位置编码能力弱的问题,将生成网络的常数输入替换为傅里叶特征,并提出一个融合非线性上下采样的模块;最后引入WGAN-GP对目标函数进行改进。应用实验生成标签数据集,使用Deeplab-V3作为评价网络,以DatasetGAN方法作为基线,在语义标签生成任务上,Deeplab-V3输出mIOU值提高14.83%,在关键点标签生成任务上,L2损失平均降低0.4×10^(-4),PCK值平均提高5.06%,验证了改进的生成对抗网络生成语义及关键点标注数据的可行性和先进性。     

基于空间金字塔的视频超分辨率重建算法

为了保证重建视觉质量的同时提高重建速率,提出了一种基于空间金字塔生成对抗网络的视频超分辨率重建算法(SPyGAN),该方法在TecoGAN的基础上使用更轻量级的空间金字塔网络结构SPyNet和更高效的上采样方法,能够快速重建图像的高频纹理细节。主要对生成对抗网络TecoGAN的光流预测网络、图像重建模块和损失函数部分进行改进,实验结果表明,该算法与TecoGAN相比,PSNR和SSIM的平均值均有一定提高,此外参数量减少为53.86%,并且重建速率提高至239%,有效提升了模型的重建速率。     

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。     

基于深度学习的绝缘子故障检测研究

绝缘子是架空线路中重要组成部分之一,当出现故障时,影响电网安全运行。为实现绝缘子故障快速、精准的识别,提出了一种基于改进YOLOv3-Tiny的绝缘子故障检测方法。首先,为了增强小目标检测能力,对浅层特征图与第二检测层之前特征图进行同维拼接构建第三预测层。随后,该网络采用Ghost模块替换主干网络中的卷积层,降低模型的参数量。然后,设计了一个新的注意力模块MECA,不仅能够多尺度信息融合,还能使网络专注绝缘子的显著特征。最后,提出了新的交并比EIoU作为边框回归损失函数,更好的定位目标位置。实验结果表明,改进的YOLOv3-Tiny在绝缘子故障检测中平均准确率（MAP）高达96.1%,较原始YOLOv3-Tiny算法MAP提高了17%。     

基于改进YOLOX的航拍遥感图像检测模型

针对遥感图像中小目标众多，目标尺度变化剧烈，背景复杂所造成的目标检测精度低的问题，提出了一种基于改进YOLOX的目标检测算法，在YOLOX的基础上，首先在主干网络中加入注意力机制提高网络对遥感图像中小目标的感知能力，丰富语义信息；其次在特征融合部分中加入MSCE R多尺度信息融合模块，通过融合不同尺寸的特征图，减少遥感图像因为尺度变化造成的图像细节信息损失；最后通过引入CIoU损失函数加快网络收敛速度，使其满足实时性的需求。本文将提出的检测算法在RSOD遥感数据集进行实验，平均检测准确率为9512%，相比于未做改进的YOLOX，检测精度提高了869%。实验结果证明，所提方法具有更高的检测精度。     

基于改进YOLOv5s的无人驾驶夜间车辆目标检测算法

夜间车辆检测对无人驾驶车辆行驶安全具有重要意义。但是，夜间光照强度低，车辆几何特征呈现不明显，尤其远处车辆由于目标小而特征视认难，导致检测难度大幅提升。基于此，提出了一种基于改进YOLOv5s的无人驾驶夜间车辆检测算法。首先，采集榆林市部分道路夜间场景自构建数据集，并通过Retinex算法实现数据增强处理；在此基础上，进一步通过以下3个措施对传统YOLOv5s网络进行改进：将深度可分离卷积引入Backbone结构，减少网络参数量；将多种注意力机制与FPN融合，提升网络的特征提取能力；在PAN中引入空洞卷积，在感受野不变和特征信息损失较少的同时，减少网络参数量。最终实验结果显示：夜间车辆的平均检测精度可达848%，相较改进前提升了52%；对应检测速度可达48 fps，提升了91%。研究成果可为提升无人驾驶车辆在事故多发夜间时段的行车安全性奠定理论基础。     

多特征选择与双向残差融合的无监督水下图像增强

如今,利用合成的成对数据集训练的有监督模型泛化能力弱,在多变的实际水下环境中表现不佳,而无监督模型虽摆脱 了成对数据集的依赖,但生成图像可能因缺少特征信息导致图像视觉质量较差。 故以循环生成对抗网络为架构,提出多特征选 择与双向残差融合的水下图像增强方法。 一方面,设计以混合注意力为基础的多特征选择模块对水下图像的多种特征进行选 择,再由双向残差融合对传统 U 型跳跃连接进行优化,使图像特征高效表达,有效恢复水下图像的纹理与色彩。 另一方面,在 判别器中引入混合注意力并提出内容感知损失和风格感知损失,保证增强图像在全局内容、局部纹理、风格特征等方面和清晰 图像一致。 与现有的无监督和有监督模型相比较,该模型 PSNR 分别提高了 6%和 2%,SSIM 分别提高了 4%和 3%,对水下图像 有着显著的增强效果,在色彩真实度和饱和度上相比其他现有方法更加优秀。     

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。     

基于改进 YOLOv5s 的电力作业人员安全帽 检测算法研究

传统的电力施工现场安全帽检测算法的网络计算复杂度高、在复杂场景下对于远处目标和密集群体存在漏检等问题,提出一种改进后的轻量化YOLOv5s-GCAE算法,主干网络首先用GhostNet网络中的深度可分离卷积GhostConv,以此降低网络的计算量和参数量。其次在特征提取阶段中嵌入CA注意力机制,填补了引入轻量化网络时精度的缺失。引入自适应空间特征融合(ASFF)网络以有效融合多尺度特征,提高模型丰富的语义特征表示使网络更好的适应复杂的电力施工现场。最后引入损失函数EIOU,促使网络专注于高质量的锚点以提升在复杂场景下安全帽检测精度。构建了一个包含开源图片和自行收集的图片共9 326张的安全帽佩戴检测数据集。实验结果表明,该算法的安全帽检测准确率为93.4%,比YOLOv5s算法高2.1%,符合电力场景下安全帽检测的精度要求。     

基于生成对抗网络的车载语音增强应用

语音增强对智能车载系统和未来汽车工业的发展具有重要意义,为了解决汽车行驶过程中驾驶员语音被噪声污染的问题,提出一种基于高效通道注意力机制的最小二乘生成对抗网络模型。首先在生成网络模型中引入注意力机制,自适应选择一维卷积核大小生成通道权重,在降低模型复杂度的同时带来了明显的性能增益;然后利用最小二乘损失函数来代替Sigmoid交叉熵损失函数,使收敛速度更快,避免出现梯度消失的问题;最后经过生成对抗网络对抗博弈不断优化训练,从而实现语音增强。实验表明,该方法相较基线方法在语音质量和清晰度方面都有良好的提升,语音质量感知评估(PESQ)指标平均提升了3.79%,短时客观可懂度(STOI)指标平均提升了4.76%,因此更适合实际应用。     

基于改进YOLOv5的输电线路绝缘子 识别方法

针对输电线路绝缘子识别准确率低、识别花费时间长的问题,提出一种改进的YOLOv5绝缘子识别方法。首先,通过引入超分辨率卷积网络提升数据集中图像样本质量;其次,通过引入k3-Ghost结构替换原始网络BCSP模块中的普通卷积,减少模型主干网络参数量,在主干网络尾部引入SENet注意力模块,加强模型对于通道信息的关注提升目标检测性能;在颈部网络引入DC-BiFPN结构替换原始结构,对不同尺度特征赋予不同权重以使多尺度特征进行更好的融合,提升绝缘子识别效果。最后,使用CIOU作为回归损失函数,加快网络收敛速度。实验结果表明：本文提出的方法在保证绝缘子识别准确率的同时拥有更高的识别速度,检测准确率达到89.5%,检测速度达到35.7FPS,验证了改进方法的有效性。