融合特征增强与DeepSort的疲劳驾驶检测跟踪算法

为了提高疲劳驾驶检测过程中面部特征识别的连续检测性和鲁棒性，降低车载终端的配置需求，设计了一种轻量化的人脸检测跟踪方法用于驾驶员疲劳检测。首先，采用MobileNetv3-Small作为面部特征提取主干轻量化网络模型，引入简单无参数注意力模块(simple, parameter-free attention module, SimAM)和深度超参数化卷积(depthwise over-parameterized convolutional, DOConv)构建特征映射和轻量化特征增强模块深度优化和关注人脸区域信息。然后融合DeepSort进行连续分类跟踪，优化面部遮挡对检测性能的影响。接着将人脸特征检测和关键点结合，根据单位时间内眼睛闭合时间百分比(percentage of eyelid closure over the pupil over time, PERCLOS)疲劳阈值、连续闭眼帧数和打哈欠总数判别疲劳驾驶。实验结果表明，模型的平均精度均值和查全率达到了98.9%和97.2%,提高了1.8%和6.3%;同时，浮点运算量仅为基准模型的28.3%,模型体积仅为7 MB。最终得出...     

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MGAT-TCN模型的可解释电网虚假数据注入攻击检测方法

新型电力系统背景下,快速、准确的虚假数据注入攻击(FDIA)检测对电网安全运行至关重要。但现有深度学习方法未能充分挖掘电网量测数据的时序和空间特征信息,影响了模型的检测性能;同时,深度神经网络的“黑盒”属性降低了检测模型的可解释性,导致检测结果缺乏可信度。针对上述问题,提出了一种基于多头图注意力网络和时间卷积网络(MGAT-TCN)模型的可解释电网FDIA检测方法。首先,考虑电网拓扑连接关系与量测数据的空间相关性,引入空间拓扑感知注意力机制,建立多头图注意力网络(MGAT)提取量测数据的空间特征;接着,利用时间卷积网络(TCN)并行提取量测数据的时序特征;最后,在IEEE 14节点系统和IEEE 39节点系统中对所提MGAT-TCN模型进行仿真验证。结果表明,所提模型相比于现有检测模型具有更高的检测准确率和效率,且通过拓扑热力图对注意力权值可视化,实现了模型在空间维度的可解释性。     

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,分别对应显著性区域定位阶段和显著性目标分割阶段。在显著性区域定位阶段,首次提出采用深度强化学习训练智能体通过执行序列动作逐步定位显著性区域。再将其交由分割网络进行第二阶段的精细目标分割。网络结构上,SRLN和SOSN采用共享特征提取网络的方式简化模型和减少参数量,同时针对该两阶段检测框架提出了一种分治的训练策略。在公开的显著性目标检测数据集上的实验结果表明,无论是简单或复杂场景的图像,该算法能够快速有效的剔除干扰信息,获得准确的显著性目标检测结果,并且检测速度达到了实时性能。在行人检测数据集上的检测结果表明本算法在其他实际应用问题上也具有较强的泛化能力。     

红外道路场景下车辆与行人检测算法

针对现有算法模型在红外道路场景下,对小尺寸车辆与行人的检测存在精度低和漏检的问题,提出改进YOLOv5s的红外道路检测算法。首先,借鉴Focal-Loss的计算思想引入一种新的动态缩放(focal and complete IOU,Focal-CIoU)损失函数,提高检测精度;其次,引入改进坐标信息嵌入中激活函数为自适应模式的坐标注意力机制(adaptive coordinate attention, Ada-CA),提高准确定位目标的能力;最后,改进C3模块为具有多尺度特征信息的MultiS-C3,提高模型识别能力。通过实验对比可知,改进的目标检测算法较原网络模型准确性提高2.0%,召回率提高7.3%、平均精度提高6.6%,可以有效检测出红外背景下的车辆与行人。     

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...     

基于红外图像目标检测与温度特征提取的变压器套管发热缺陷识别

针对变压器套管发热缺陷人工检测方法效率低下的问题，设计基于红外图像目标检测与温度特征提取的变压器套管发热缺陷诊断系统，以实现发热缺陷的自动诊断。首先，采用YOLOX目标检测模型对红外图像中不同电压等级套管进行分类识别，使用结合Mish激活函数的快速空间金字塔池化(spatial pyramid pooling-fast, SPPF)结构替换主干特征提取网络的空间金字塔池化(spatial pyramid pooling, SPP)结构，并在特征融合网络中添加高效通道注意力(efficient channel attention, ECA)模块以提高检测准确率；其次，设定所检测套管电压等级类别，根据预测框信息对同电压等级套管进行定位裁剪；最后对套管图像做加权均值法灰度化处理并进行区域划分，提取不同区域温度特征信息进行发热缺陷诊断，并以报表形式展示。实验结果表明：目标检测模型识别准确率达到98.41%,模型对图像的平均检测速度达到46.80帧/s,所设计系统能准确诊断出变压器套管发热缺陷，提高缺陷检测效率。     

基于Bi-LSTM算法的非侵入式负荷监测模型

随着深度学习技术的发展,基于深度学习的非侵入式负荷辨识算法成为了研究热点。本文首次将双向长短期记忆网络(bilateral long-term and short-term memory network,Bi-LSTM)用于负荷辨识,提出了基于Bi-LSTM的非侵入式负荷辨识算法,通过定位负荷事件发生时刻,将负荷运行状态始末的稳态信息(有功功率、无功功率和15次奇偶电流谐波)进行组合作为训练后Bi-LSTM的输入,并使用精确度、召回率、准确率和F1值作为评价指标,实验结果显示该方法能够对小功率和多状态电器进行辨识,相较于长短期记忆网络(long-term and short-term memory network,LSTM)和循环神经网络(recurrent neural netw ork,RNN),Bi-LSTM体现出更强的辨识能力。此外,针对一个时间段存在多个电器运行的情况,提出基于负荷运行状态起止特征匹配的方法,并通过实验证明了该算法的可行性。     

基于红外图像检测和改进YOLOv4的高压套管故障识别方法

红外检测是高压外绝缘设备状态在线检测的主要方法之一，为了提高高压套管发热故障红外图像检测的准确率，解决因故障样本较少引起的漏检问题，文中提出了一种基于改进型YOLOv4的故障识别方法，可实现对套管发热区域的高效定位与识别，具有很好的工程应用前景。对YOLOv4算法进行的改进主要包括：首先，将通道注意力机制SE(Squeeze and Excitation)模块插入特征提取网络中的残差模块中，以加强网络对特征信息的提取；其次，分别使用EIoU Loss和Focal Loss取代原模型的边界框回归损失与置信度损失，以提高损失函数的回归精度以及对数据集中困难样本的识别准确率，从而有效减少漏检发生的概率。实验与测试结果表明，所提方法与改进前相比平均精度提高了5.61%，对数据集中更难被识别的故障样本的精确度提升了8.57%。     

基于改进深度自注意力网络的变压器及其部件高分辨率图像识别技术

本文中作者提出了改进的深度自注意力网络,该模型包含基础网络、区域候选网络、目标区域提取和分割模块和预测网络四部分。相较于其他同类型模型,本文所提方法将部件定位和识别过程分开,即使用低分辨率图像定位再利用高分辨率图像识别,且基于深度自注意力网络的预测分支额外考虑了图像的语义信息,因此识别效果大幅提升。     

基于深度混合注意力网络的窃电检测

窃电检测旨在识别和检测非法或未经授权的电力使用行为。在智能电网技术高速发展的背景下,如何实现准确的窃电行为检测,是学术界和工业界广泛关注的一个重要问题。针对已有方法依赖人工特征设计以及低层特征提取能力不足的问题,提出了一种基于深度混合注意力网络的窃电检测方法,将通道注意力和自相关注意力机制相结合,在不同层次和空间范围内捕捉数据中的时间依赖性和周期性等复杂特征。所提模型在低层使用通道注意力网络来增强低层特征的表达能力,在中间层使用自相关注意力来捕捉全局上下文信息,并利用自监督方法来学习注意力参数,从而提取出更具表达力和判别力的特征表示。在中国国家电网数据集上进行实验所获得的结果表明,所提出的方法在AUC以及F1等性能指标上取得了更好的效果。     

基于SE-CNN模型的窃电检测方法研究

针对传统电网现有窃电检测仅用单一电量且实际数据集下检测准确度低的问题,提出一种基于通道注意力网络改进卷积神经网络模型的窃电行为检测方法。首先建立一种包含用电量趋势、线损增长率、终端告警多源数据融合的窃电评价指标体系,以此构建用户用电特征集。然后,基于通道注意力挤压激励网络(squeeze and excitation networks, SENet)优化卷积神经网络(convolutional neural network, CNN)模型,据此构建自适应通道注意力网络改进卷积神经网络模型的窃电检测方法。最后,利用南方电网数据集对提出方法的有效性与准确性进行验证。实测结果表明,所提方法能有效实现实际电网情况下各类窃电行为准确检测,建立的评价指标体系可更明显表征窃电行为规律。构建的窃电检测模型可自适应对特征通道重要程度调整,提升通道利用率。相比现有检测方法,其具有更高准确度和更优泛化性能。     

基于二阶段目标增强网络的低照度复杂环境下绝缘子故障检测方法

从低照度户外环境中航拍采集的绝缘子影像,存在照度低、背景复杂、绝缘子故障目标小等缺陷,严重影响低照度环境下绝缘子故障检测准确性。为解决上述问题,文章提出一种基于TOE-Net的低照度复杂环境下绝缘子故障检测方法,提出TOE-Net进行图像预处理方法,再使用YOLOv7-OL作为故障检测模块检测小目标绝缘子故障。在二阶段目标增强网络(two-stage object enhancement network,TOE-Net)中,设计零目标图像增强损失函数实现预增强网络(preparationenhancementnetwork,PreEnNet)和深度增强网络(deep enhancement network,DeepEnNet)的无监督学习;使用信道级注意力模块跳跃式通道注意力机制(skip squeeze excitationnetwort,Skip＿SENet)和跳跃式通道注意力机制(skip convolutional block attention module,Skip＿CBAM)模块改进原始小目标特征增强单次多框检测算法(smallobject detectionenhanc...     

连续小波变换和具有注意力机制的深度残差收缩网络在低压串联电弧故障检测中的应用

当室内配电系统发生串联电弧故障时，电弧燃烧温度可高达数千摄氏度，从而导致电气火灾的发生。而低压配电网中负载类型复杂，利用一般的电流信号时频分析，很难对串联电弧故障进行有效识别。针对这一问题，文章利用深度学习强大的计算机视觉能力，提出了一种基于注意力机制和深度残差收缩网络(attention mechanism and deep residual shrinkage network,Attention-DRSN)的故障检测方法。首先，使用连续小波变换提取电流信号特征信息，并转化为图像特征。其次，对提取到的图像特征进行数据增强和灰度化处理，并利用主成分分析方法(principal component analysis,PCA)对特征图像进行了重构。最后，构建了Attention-DRSN电弧故障检测模型，并采用K-折交叉验证方法对数据集进行划分，验证了所提方法的有效性。实验结果表明，该检测方法对串联电弧故障具有较高的检测精度，平均检测准确率为98.52%，对未来电弧故障检测装置设计具有重要的借鉴意义。     

融合前景注意力的轻量级交通标志检测网络

针对目标检测算法模型在交通标志检测上容易出现错检和漏检等问题,提出一种融合前景注意力的轻量级交通标志检测网络YOLOT。首先引入SiLU激活函数,提升模型检测的准确率;其次设计了一种基于鬼影模块的轻量级骨干网络,有效提取目标物特征;接着引入前景注意力感知模块,抑制背景噪声;然后改进路径聚合网络,加入残差结构,充分学习底层特征信息;最后使用VariFocalLoss和GIoU,分别计算目标的分类损失和目标间的相似度,使目标的分类和定位更加准确。在多个数据集上进行了大量实验,结果表明,本文方法的精度优于目前最先进方法,在CCTSDB数据集上进行消融实验,最终精度达到98.50%,与基线模型相比,准确率提升1.32%,同时模型仅4.7 MB,实时检测帧率达到44 FPS。     

改进 YOLOv5s算法的电动车头盔检测研究

针对电动车头盔佩戴检测存在遮挡、车辆密集以及一车多人的复杂场景下出现的漏检、误检问题,在 YOLOv5s 的基 础上,提出了一种应用于电动车头盔佩戴检测的改进算法。设计了一种由递归门控卷积改进的 GBC3 模块,替换网络主干和 特征融合层(feature pyramid networks,FPN)中的 C3 模块,加强邻间特征的空间信息交互,提高网络的特征提取和特征融合 能力;其次在主干和特征融合网络添加无参注意力机制(SimAM), 以调整特征图中不同区域的注意力权重,对重要目标施加 更多关注;最后引入调整超参后的 WIOU 损失函数,优化预测框回归,提高模型的目标定位能力。在自制电动车头盔数据集 上的实验结果表明,改进模型在仅增加较少参数的前提下,其平均精度均值(mAP) 达到97.3%,较 YOLOv5s 提高了3 . 2%, 并且检测速度为87.1fps,改善了误检和漏检的问题,同时仍具有较高的实时性,更适用于电动车驾乘者的头盔佩戴检测。     

基于改进YOLOv5s的煤矿电力设备缺陷检测

针对煤矿电力设备缺陷检测精度低的问题，提出了一种基于改进YOLOv5s的煤矿电力设备缺陷检测的方法。该方法主要包括3个方面的改进：首先，提出了一种多分支的坐标注意力模块，增强了模型获得缺陷区域信息的能力；其次，提出了一种特征融合网络模块，通过将主干网络和颈部网络之间非相邻的特征信息进行跨层连接，进一步增强了模型的特征表达及融合能力；最后，提出了一种快速空间金字塔池化平均池化模块，并将其嵌入颈部网络的路径融合网络之间，以提升网络浅层定位信息传递到深层的能力。实验结果表明，改进YOLOv5s模型的mAP@0.5提升了3.1%,F₁分值提升了3%,满足煤矿电力设备缺陷的检测需求且具有更高的检测精度。     

改进型CenterNet的高铁无砟轨道板表面裂缝检测算法

针对传统的高铁无砟轨道板表面裂缝检测方法存在检测精度低、速度慢的问题，提出一种改进型CenterNet的高铁无砟轨道板表面裂缝检测算法。该算法在编解码网络之间加入空洞空间金字塔池化模块(ASPP)，以此扩大特征图的感受野，充分提取不同尺度的上下文信息；然后在特征提取网络中加入多光谱通道注意力模块（MCA），使网络可以更好学习每个通道的权重，捕获图像丰富的输入特征信息；最后使用α IoU损失函数来提高边界框预测的准确度。实验结果表明，本算法平均检测精度(mAP)达到8412%，相比传统算法平均检测精度提升了337%，对于轨道板表面裂缝具有较好的检测效果。     

基于数据增强和深度学习的水电站告警事件诊断

针对水电告警事件传统诊断方法存在效率低下、准确率不足等缺陷，设计了一种融合先验知识的数据增强方法和基于双向简单循环单元网络的层级注意力深度学习框架。针对水电告警规则不完善的问题，采用隐含狄利克雷分布-序列推理增强模型构建告警信号与告警特征间的映射机制；结合该水电告警先验知识提出改进隐含狄利克雷分布方法增强样本数据，最终由层级注意力模型学习样本特征并输出诊断结果。测试算例为某水电集控中心的实际告警数据，测试结果表明，所提方法可在低资源训练环境下实现快速和高准确率的水电告警事件诊断。