基于注意力机制学习的变电设备缺陷检测方法

针对现有的变电站缺陷图像检测识别算法鲁棒性弱问题,提出一种基于注意力机制学习的变电设备缺陷图像检测识别方法。所提方法以卷积神经网络作为缺陷图像特征提取的骨架网络,融合注意力机制原理,进一步提升缺陷图像特征的可辨识性。首先,构建注意力机制的卷积神经网络特征提取模型,提取不同注意力机制下变电站缺陷图像特征;其次,设计一种自适应特征学习函数,将不同注意力机制下的特征融合成为新的高质量变电缺陷图像特征;最后,将不同注意力机制下的缺陷图像特征输入到分类模型,实现变电站缺陷图像检测。所提方法增强了变电设备缺陷图像检测的准确性与鲁棒性,实验结果显示,所提方法的mAP达到了70.4%。     

融合金字塔差分特征的新增建筑物检测网络北大核心CSCD

针对当前使用孪生网络检测新增建筑物时,简单的通道合并不能有效突出影像变化特征这一问题,提出一种融合金字塔差分特征的网络,将孪生网络提取的特征图作差分来突出变化特征。为了减少参数量,孪生网络使用深度可分离卷积;在编码层深处,使用不同感受野的空洞卷积提取多尺度特征;解码阶段使用DUpsampling上采样来减少影像信息的丢失。利用武汉大学建筑物数据集进行实验,结果表明,网络在提取建筑物新增区域时可以有效抑制噪声的干扰和解决边界粗糙问题。相比于经典的变化检测网络,可以获得更高的检测精度,准确率达到91.33%,召回率达到88.31%,F1分数达到89.79%,总体精度达到96.64%。     

孪生注意力门控融合的遥感图像变化检测编解码网络

针对深度卷积神经网络中特征图分辨率降低，进而导致遥感图像小变化区域检测性能差以及难以有效区分外界干扰而产生伪变化等问题，提出了一种孪生注意力门控融合的遥感图像变化检测编解码网络。在编码部分引入了三重注意力网络模块，为进一步解决变化检测图中产生伪变化的问题，提出了注意力门控融合模块，从多个层次选择性地融合特征，在解码部分直接引入深度监督策略，增强了变化检测网络的特征提取能力。通过实验对本文所提网络的有效性进行了验证。     

基于双模型的输电线绝缘子自爆检测算法

针对输电线路无人机巡检图像中绝缘子自爆缺陷目标小而难以精准检测的问题,提出一种基于Faster R-CNN和改进的YOLO v3级联双模型的绝缘子自爆缺陷检测算法。首先,利用无人机巡检图像构建绝缘子串缺陷数据集,并对训练图像样本进行翻转预处理,增加样本数量,提高模型泛化能力,避免过拟合;然后,利用Faster R-CNN检测图像中的绝缘子串,再将检测到的绝缘子串图像送入改进的YOLO v3网络进行自爆缺陷的定位。改进的YOLO v3网络是在YOLO v3基础上借鉴FPN的思想,增加特征提取层并进行特征融合,充分利用深层特征和浅层特征;同时采用CIoU Loss函数作为损失函数,以解决边界框宽高比尺度信息。实验结果表明,本文算法在所构建的绝缘子缺陷数据集上的检测准确率达到91.2%,相比Faster R-CNN或YOLO v3等单模型检测算法提升了3.31个百分点以上,能有效实现无人机巡检中绝缘子自爆缺陷的检测,为输电线路智能化巡检故障诊断提供方法支持。     

基于尺度不变特征金字塔的输电线路缺陷检测

针对现有目标检测算法在高压电力复杂巡检场景下电力部件与巡检缺陷检测精度较低的问题,提出一种基于尺度不变特征金字塔的输电线路缺陷检测方法.将主流目标检测方法用于该场景,对比得出RepPoints v2网络模型的检测精度最高.针对RepPoints v2中FPN结构不能有效提取跨层次间语义信息及角点验证过程中忽略尺度归一化...     

基于模板卷积匹配的电气指针式仪表快速检测方法

在电力系统智能运维中,特别是在基于数字孪生的变电站智能机器人巡检中,由于受周围复杂环境以及网络信号屏蔽的影响,机器人存在检测精度不高和实时性差等问题,导致不能准确检测出设备目标。利用变电站有关先验信息,如仪器仪表已知位置信息,在机器人巡检过程中,通过对已知目标的图像特征分析,利用图像几何特征信息的约束,完成智能巡检机器人在巡检过程中实现设备的准确检测。利用变电站中电气设备柜上的仪表进行识别和检测,是完成智能巡检机器人实现目标快速检测的一个关键环节。提出一种基于模板卷积匹配的电气指针仪表检测方法,通过对仪表盘进行卷积模板匹配,实现电气柜上仪表盘的精确检测,为下一步智能巡检器人的位置自校准提供必要的先验信息。实验结果表明,提出的算法具有较高的目标识别和检测精度,由于不涉及复杂的图像抽象特征计算,具有较高的计算效率。     

基于梯度相关图的光照不变图像检索算法

针对现有图像光照不变特征提取算法存在特征矢量尺寸较大,且对于场景的尺度、平移及视角等变化鲁棒性较差的缺点,提出将相关图算法与光照不变导m1m2m3相结合的基于梯度相关图的特征提取算法。算法首先计算图像的光照不变导,去除光照对图像的影响,然后提取光照不变导梯度图像的相关图特征作为特征索引。实验结果表明该梯度相关图算法在存在光照影响时对图像的检索性能优于以往常用算法,且对于场景的尺度、平移、视角等变化具有很好的鲁棒性。     

基于生成对抗模型及光路分解的全局光照绘制

针对现有全局光照图像重建高频特征效果模糊的问题,提出一种基于生成对抗模型及光路分解的全局光照绘制网络,以各类图形辅助属性（法线、深度、粗糙度等）为主要输入,学习光照传输的抽象表示并编码,用于推理光照图像。第一,将光照解耦为漫反射和镜面反射两部分,设计独立的生成对抗网络端到端地学习和推理光照子图,避免混频光照的相互干扰,保证高频细节的清晰重现。第二,使用自编码器作为绘制网络的基本结构,添加多尺度特征融合模块用于不同感受野下的特征合成,以促进阴影、镜面反射等复杂特效的有效表达。第三,使用旋转损失和特征损失两种增强的对抗损失函数,增加网络训练的稳定性。实验结果表明,与现有降噪或图像生成模型相比,该方法能够有效地生成视觉上更逼真的全局光照图像,保留更多高频细节,PSNR指标提升8%～20%。     

一种适用于变电站巡检机器人的仪表识别算法

该文提出一种改进的适合智能变电站巡检机器人室外工作环境的变电站仪表设备的读数识别算法.首先针对各个不同种类的仪表设备图像,进行设备模板化处理,并在模板库中建立各仪表的min刻度和max刻度的位置信息.对于机器人实时采集的仪表设备图像,在后台服务中调取相应设备的模板图,利用尺度不变特征变换(SIFT)算法,在输入图像中匹配提取仪表表盘区域子图像.而后对表盘子图像进行二值化、仪表指针骨干化处理,利用快速霍夫变换(fast Hough transform)检测指针直线去除噪音干扰,定位指针精确位置和指向角度,完成指针读数.此算法经过国内某500 kV智能变电站巡检机器人实地测试,各种仪表综合识别率超过99.2％,对仪表的读数具有高精度高鲁棒性,完全满足该智能变电站推进无人值守的仪表设备读数自动检测识别的要求.     

基于注意力机制与多尺度特征融合的电极缺陷YOLO检测算法

为了满足锂离子电池电极缺陷检测精度与实时性的需求,解决电极图像背景噪声复杂、缺陷微小且对比度低等问题,提出一种基于注意力机制与多尺度特征融合的电极缺陷YOLO检测算法.在YOLOv4的基础上,首先,将SE(squeeze-and-excitation)注意力模块嵌入特征提取主干网络中,区分feature map中不同通道的重要性,强化目标区域的关键特征,提高网络的检测精度;其次,加入融合空洞卷积的池化金字塔(ASPP)结构,增大网络感受野的同时最大程度地保留多尺度特征信息,提高算法对小目标的检测性能;然后,设计一种多尺度稠密特征金字塔,在三尺度特征图的基础上增加一个浅层特征,采用稠密连接的方式融合特征,提升浅层细节特征与高级语义信息的融合能力,增强对微小缺陷特征的提取;最后,采用$ K $-means++算法聚类先验框,引入focal loss损失函数增大小目标样本的损失权重,有效提高网络学习的收敛速度.实验结果表明,所提算法较原YOLOv4模型的mAP值提升6.42%,较其他常用算法综合性能上有着较大的优势,可较好地满足实际工业生产的实时监测需求.     

基于电力大数据的变电主设备缺陷演化规律红外成像分析方法

针对目标区域与背景区域混杂,变电主设备缺陷缺陷演化规律不明的问题,提出了基于电力大数据的变电主设备缺陷演化规律红外成像分析方法。应用红外成像技术采集变电主设备红外图像后,使用Otsu算法分割变电主设备红外图像内目标区域和背景区域;以分割后的变电主设备红外图像和电力大数据作为输入,通过混合深度学习神经网络模型输出变电主设备缺陷检测结果;将变电主设备缺陷检测结果输入到RFPA2D软件内,分析变电主设备缺陷检测结果基元破裂情况,得到变电主设备缺陷演化规律分析结果。实验结果表明：该方法采集变电主设备图像与其实际图像吻合度较高;分割变电主设备红外图像目标区域与背景区域时,受对比度影响较小;可有效检测变电主设备缺陷类型和分析其缺陷演化规律。     

基于PU-Faster R-CNN的手机屏幕缺陷检测算法研究

手机屏幕缺陷检测是手机生产的重要环节,实现准确而高效的屏幕缺陷检测对于提高手机工业产能具有重要意义。在实际生产过程中,手机屏幕图像缺陷特征隐晦、缺陷尺寸差异大等问题,加大了手机屏幕缺陷检测的难度。为解决上述问题,提出了一种基于Preprocessing operations are combined with U-Net-Faster R-CNN（PU-Faster R-CNN）的手机屏幕缺陷检测模型。针对手机屏幕图像的特征信息隐晦的问题,提出多层特征增强模块,有效的对目标缺陷特征信息进行增强。构建多尺度特征提取网络,有效提取多尺度的缺陷特征信息。为了生成拟合性更好的Anchor box,提出了自适应区域建议网络,通过自迭代聚类算法生成尺寸更准确的Anchor box模板。实验结果表明,基于PU-Faster R-CNN的手机屏幕检测框架在手机屏幕数据集上优于主流的手机屏幕缺陷检测框架。     

基于改进YOLOv4的变电站缺陷检测

为提高变电站设备缺陷的检测精度, 保障变电站运行安全, 提出一种基于改进YOLOv4的缺陷检测算法. 不同于原始YOLOv4, 该算法使用一维卷积替代全连接来优化CBAM卷积注意力模块, 然后将其嵌入主干网络中以增强特征提取能力; 同时, 在特征融合中应用空洞卷积扩大感受野, 聚合更广的语义信息. 该算法在现场拍摄的样本集上进行测试, mAP可达到86.97%, 相比原始YOLOv4提高了2.78%. 实验结果表明, 本文提出的YOLOv4改进算法能够提升网络性能, 更好地应用于变电站设备缺陷检测任务.     

多时态BIT遥感图像建筑物的变化检测

针对来自相同地理空间的不同时刻遥感图像之间的季节性和光度变化(色差)等因素所引起的干扰, 提出了多时态-BIT遥感图像变化检测方法. 该方法引入了过去多个不同时刻的遥感图像, 融合当前遥感图像与过去时态遥感图像两两变化检测的结果, 该方法有助于排除季节性和光度变化引起的误报, 提高了变化检测的准确性; 并且利用过去多个不同时刻的遥感图像, 进一步消除非目标建筑变化的影响, 其变化点像素差值引入作为损失函数正则化项, 从而进一步提高变化检测的鲁棒性和可靠性. 本文以三时态(3个不同时刻的遥感图像)为例, 使用了遥感图像建筑物变化数据集进行了实验. 实验结果表明, 多时态-BIT方法相对于仅考虑两个时态的变化检测方法, 在遥感图像建筑物变化检测任务中表现出更好的效果.     

结合结构相似度的自适应多尺度SAR图像变化检测

目的 结合高斯核函数特有的性质,提出一种基于结构相似度的自适应多尺度SAR图像变化检测算法。方法 本文提出的算法包括差异图像获取、高斯多尺度分解、基于结构相似性的最优尺度选择、特征矢量构造以及模糊C均值分类。首先,通过对多时相SAR图像进行对数比运算获取差异图像,然后,利用基于图像的结构相似度估计高斯多尺度变换的最优尺度,继而在该最优尺度参数下逐像素构建变化检测特征矢量,最后通过模糊C均值聚类方法实现变化像素与未变化像素的分离,生成最终的变化检测结果图。结果 在两组真实的SAR图像数据上测试本文算法,正确检测率分别达到0.9952和0.9623,Kappa系数分别为0.8200和0.8540,相比传统算法有了较大的提高。结论 本文算法充分利用了尺度信息,对噪声的鲁棒性有所提高。实测SAR数据的实验结果表明,本文算法可以智能获取最优分解尺度,显著提高了SAR图像变化检测性能。     

Automatic defect detection of texture surface with an efficient texture removal network

Automated defect inspection of texture surface is still a challenging task in the industrial automation field due to the tremendous changes in the appearance of various surface textures. We present a simple but powerful image transformation network to remove textures and highlight defects at full resolution. The simple full convolution network consists only of 3 × 3 regular convolution and several dilated convolution blocks, which makes it compact and able to capture multi-scale features effectively. To further improve the ability of the network to suppress texture and highlight defects, a polynomial loss function combining perceptual loss, structural similarity loss and image gradient loss is proposed. In addition, a semi-automatic annotation method mainly composed of wavelet transform and relative total variation is designed to generate a data set of image pairs containing the original texture image and the desired texture removal image. We conducted experiments on a milled metal surface defect dataset and an open data set containing various textured backgrounds to evaluate the performance of our method. Compared with other convolutional neural network approaches, the results demonstrate the superiority of the proposed method. The method has been applied to the surface defect online detection system of an aluminum ingot milling production line, which effectively improves the surface inspection efficiency and product quality.     

基于轮廓线与特征融合的电网变电设备三维自动化运检方法

因工作环境的复杂性,变电设备成为智能电网中故障频率最高的装置之一,易发生设备接地故障、保险熔断故障、绝缘材料老化等问题,为提高电网变电设备三维自动化运检精度,提出基于轮廓线与特征融合的电网变电设备三维自动化运检方法研究。采集电网变电设备三维图像,获取电网变电设备三维图像初始轮廓点,筛选变电设备轮廓点,依照顺序连接提取出的关键轮廓点,得到变电设备三维图像轮廓线,结合形态学滤波算法,对图像进行开、闭运算,依据轮廓线的闭合情况,分割出目标图像与背景图像,提取包括HOG特征与LBP特征的变电设备目标图像特征,经过特征融合后,构造最优分类超平面,制定电网变电设备三维自动化运检规则,判定变电设备运维情况,最终实现变电设备的三维自动化运检。实验数据显示：该方法识别出变电设备的正常与异常状态,在不同实验工况背景下,应用提出方法获得的变电设备运检精度达到了96%。提高了变电设备的自动化运检的识别及运检精度,满足现今变电设备的运检需求。     

Automatic defect detection of metro tunnel surfaces using a vision-based inspection system

Due to the impact of the surrounding environment changes, train-induced vibration, and human interference, damage to metro tunnel surfaces frequently occurs. Therefore, accidents caused by the tunnel surface damage may happen at any time, since the lack of adequate and efficient maintenance. To our knowledge, effective maintenance heavily depends on the all-round and accurate defect inspection, which is a challenging task, due to the harsh environment (e.g., insufficient illumination, the limited time window for inspection, etc.). To address these problems, we design an automatic Metro Tunnel Surface Inspection System (MTSIS) for the efficient and accurate defect detection, which covers the design of hardware and software parts. For the hardware component, we devise a data collection system to capture tunnel surface images with high resolution at high speed. For the software part, we present a tunnel surface image pre-processing approach and a defect detection method to recognize defects with high accuracy. The image pre-processing approach includes image contrast enhancement and image stitching in a coarse-to-fine manner, which are employed to improve the quality of raw images and to avoid repeating detection for overlapped regions of the captured tunnel images respectively. To achieve automatic tunnel surface defect detection with high precision, we propose a multi-layer feature fusion network, based on the Faster Region-based Convolutional Neural Network (Faster RCNN). Our image pre-processing and the defect detection methods also promising performance in terms of recall and precision, which is demonstrated through a series of practical experimental results. Moreover, our MTSIS has been successfully applied on several metro lines.     

两级上下文卷积网络宽视场图像小目标检测方法

目标检测和识别已经在输电线路巡检中被广泛采用。由于图像数据量大,小目标分辨率低,现有的图像金字塔、特征金字塔和多异构特征融合等方法虽能准确地检测目标,却非常耗时,因而快速、准确地检测宽视场图像中小目标仍是一个挑战。此算法提出一个两个Faster-RCNs级联的上下文宽视场小目标检测卷积网络,首先,针对降分辨率的宽视场图像,利用一个Faster R-CNN来检测目标的上下文区域,然后,针对上下文区域对应的高分辨率原始图像,利用Faster R-CNN来检测来小目标。我们用航拍输电线路图像数据集进行了目标检测试验,试验结果表明,小目标检测方法达到了88%的检测精度,比单级Faster R-CNN检测方法具有更高的准确率。