多模型融合动作识别研究

提出了一种多模型结融合的动作识别方法,目的是利用大数据时代下数据形态的多样性并结合已有模型,以提高识别准确率。该方法使用视频或图像序列与骨架序列对整个模型进行训练。对于骨架序列提取其关键帧,然后使用长短时记忆（LSTM）编码器对骨架序列进行特征提取得到骨架特征。接着使用卷积神经网络得到RGB视频或者图像序列的特征,进一步经过循环神经网络提取特征,得到RGB特征。网络的损失函数方程组由分类误差与上述两种特征的L2范数组成。使用混合最速下降进行网络优化。该方法使用关键帧训练LSTM编码器,大大缩短了训练时间。结合手工提取的关键帧与非监督方式获取的卷积特征,提高识别准确率。在Florence和MSR3D数据集上的实验结果表明,该方法对动作识别具有良好的分类效果。     

GIS局部放电时域波形图像的模式识别方法

气体绝缘组合电器(GIS)现场局部放电检测得到的大量数据是时域波形图像数据,传统的局部放电模式识别方法无法对该图像数据直接进行缺陷分类。针对局部放电时域波形图像,首先利用图像分割、图像灰度化、图像二值化、图像增强、图像压缩等技术对其进行预处理。通过变电站现场带电检测,建立了局部放电缺陷类型的图像数据集。对预处理得到的仅含局部放电脉冲电压的图像,选择支持向量机模型,使用径向基函数作为核函数,通过SMO优化方法训练得到有向无环图(DAG)分类器,直接进行模式识别。实验中支持向量机模型对局部放电6种缺陷类型的识别率超过85%,优于反向传播神经网络模型。实验结果表明,该方法无需人工提取特征,具有更高识别率。     

基于TensorFlow的高压输电线路异物识别

针对传统异物识别准确率较低的问题,提出一种基于TensorFlow的深度卷积神经网络的异物识别模型。将巡检图像进行图像灰度化和尺寸压缩等预处理,并采用三维块匹配滤波(BM3D)算法进行图像去噪得到实验所需的训练数据。提出基于TensorFlow的深度卷积神经网络框架,通过使用框架中的TensorBoard模块设计深度卷积神经网络模型结构与优选模型参数,并针对ReLU激活函数与特征权重进行理论分析。实验结果表明,经过15次迭代训练后,深度卷积神经网络比传统的支持向量机(SVM)、极限学习机(ELM)和BP神经网络算法具有更强的巡检图像识别能力;与经典的LeNet-5和VGGNet模型以及相关文献中的模型相比,所提模型更具有优越性。     

基于注意力机制优化组合神经网络的电力缺陷等级确定方法

为解决电力缺陷描述专业词汇较多分词准确率不佳以及单一神经网络模型自身存在不足的问题,提出了基于注意力机制优化组合神经网络的电力缺陷等级确定方法。该方法首先使用分布式字向量对电力缺陷描述进行表示,然后使用由卷积神经网络和双向长短时记忆网络组成的卷积循环神经网络对电力缺陷描述的局部特征和序列特征进行特征提取,最后采用注意力机制对组合神经网络得到的语义特征进行权重分配,减少关键特征的丢失,进一步增强关键信息对分类结果的影响。以云南电网公司2014-2019年间11万条缺陷描述数据作为实验对象,文中所提方法的Acc、MF1值和WF1值分别为0.927 5、0.911 2和0.927 5,验证了本方法在电力缺陷等级确定中的有效性和可行性,为电网的智能化运行提供帮助。     

基于 EfficientDet 的风机叶片缺陷检测方法

受工作环境恶劣等原因影响,风机叶片常会出现裂纹、凹坑等缺陷。针对当前常用目标检测算法对风机叶片小尺寸缺陷检测准确率低的问题,提出一种基于EfficientDet算法的风机叶片缺陷检测方法。首先采集图像数据并建立Pascal VOC格式的风机叶片缺陷图像数据集,然后对EfficientDet算法中的主干特征提取网络进行改进,减少向下采样次数并调整有效特征层从而增强主干特征提取网络对小尺寸缺陷的检测能力,同时为特征融合网络增加融合路径提升算法的多尺度特征融合能力,选用FReLU作为激活函数实现像素级空间信息建模,并通过Mosaic数据增强和Focal Loss损失函数增加小尺寸缺陷样本对于检测器的贡献。在建立的风机叶片缺陷图像数据集上的测试结果表明改进后的算法模型平均类别精度达到了96.15%,相较于原版的EfficientDet提升了3.77%,对小目标的检测性能有明显提升。     

基于粒子群算法优化核极限学习机的磨煤机故障诊断

磨煤机是火电厂的重要设备,其性能好坏会直接影响火电厂的运行。提出一种基于核极限学习机的磨煤机故障诊断方法,采用核函数代替极限学习机隐含层节点的特征映射,从而无需设置隐含层节点数。该方法通过核极限学习机建立故障诊断模型,然后利用粒子群算法对核极限学习机的参数进行优化。实例分析表明,与BP神经网络、SVM等方法相比,该方法的故障诊断准确率高,而且具有更短的训练时间和更好的泛化能力。     

基于迁移学习和特征融合的复合绝缘子憎水性等级判别方法

为实现复合绝缘子憎水性等级自动、准确判别,提出一种基于迁移学习和特征融合的复合绝缘子憎水性等级判别方法。该方法以深度学习为基础,针对传统方法憎水性图像特征表述能力不足的缺点,基于VGG-19卷积神经网络构建了憎水性图像深度特征提取模型,并基于迁移学习理论,通过共享ImageNet集深度特征,提取模型卷积层及网络层参数,实现了训练样本数量受限背景下憎水性图像深度特征提取模型网络优化。针对现场实测环境光照条件多变,深度特征易受影响的缺点,基于局部二值模式提取了憎水性图像局部特征,并以VGG-19网络为基础,通过融合深度特征及局部特征,构建了基于迁移学习和特征融合的复合绝缘子憎水性等级判别模型。算例验证结果表明:所提方法提取的特征含量丰富,有效提高了憎水性等级判别效果,并可改善光照条件变化对憎水性等级判别结果不利影响。     

基于一维CNN的时域超声信号识别技术研究

超声检测缺陷是一种主流的缺陷识别手段,二维卷积神经网络一直是该领域的主要技术,一般从二维C扫、D扫等图像中提取属性特征来进行识别分类,这些研究主要采用二维卷积层,会产生较大的资源消耗。在所有类型的缺陷识别方法中,超声回波信号分析是最主要和有用的工具之一,本研究从原始时域超声信号中提取特征,首先使用来自实验室的JPR-600C空气耦合超声波无损检测系统采集数据;然后通过使用不同的超参数进行实验、t-sne可视化等手段构建并优化一维CNN网络模型;最后实现超声信号缺陷识别分类。实验结果表明,所提出的CNN模型的性能令人满意,缺陷识别准确率为97.57%,高于其他机器学习方法,为实现缺陷识别自动化的需要提供辅助。     

融合迁移学习的绝缘子缺陷分级检测方法

针对Faster R-CNN算法对复杂环境下的小样本绝缘子缺陷检测精度不高的问题，本文提出了一种融合迁移学习和主体局部的绝缘子缺陷分级检测方法。整个方法使用融合残差模块和特征金字塔结构的卷积神经网络作为骨干网络进行特征提取，用于适应不同尺度的缺陷目标，保留更多有效信息。首先使用迁移学习的方法改善对缺陷所在绝缘子主体的检测效果；然后对检测出的绝缘子主体进行自动裁剪来改善复杂背景对缺陷区域检测的影响，使得模型能够更有效地挖掘出缺陷特征；最后将裁剪后的缺陷绝缘子局部图像送入第二阶段进行训练，进一步提高模型准确率。通过对无人机航拍采集的绝缘子缺陷图像进行检测实验。结果表明，本文方法相较于Faster R-CNN基线模型平均精度提高了37.5%，达到了89.6%。在对自爆和破损检测上，精度分别提高了34.9%和60.2%。     

基于融合极限学习机的局部放电模式识别

局部放电(PD)是配电设备绝缘故障早期的主要表现形式,放电类型的模式识别对于设备绝缘性能的判定具有重要意义。考虑到极限学习机(ELM)法结构简单、训练速度快,但初始参数选取随机性大,算法稳定性不够的特点,提出一种基于融合ELM算法的PD模式识别方法,综合考虑不同特征判断准确率的差异,采用自适应权值分配对子分类器输出结果实现决策级融合。文中设计了4种放电物理模型来模拟典型的设备绝缘缺陷,采用高频电流法对PD信号波形和相位-幅值谱图(PRPD)进行采集,获得足够样本的实验数据,提取时频域及统计特征值进行分类。结果表明融合ELM算法在保证训练速度的同时,在识别正确率和稳定性上均优于传统ELM算法和反向传播(BP)神经网络。     

一种基于可见光巡检图像的杂草智能识别方法

目前电力巡检主要是采用无人机巡检的方式,针对无人机巡检获取的图像识别过程中,电力设备旁的杂草可能会造成安全隐患,需要对图像中的杂草进行识别。针对电力巡检的场景,提出了一种基于可见光巡检图像的杂草智能识别方法,以可见光巡检图像中杂草的特征为基础,结合卷积神经网络方法,解决可见光巡检图像中电力设备附近的杂草识别问题。通过对图像进行样本数据增广和预处理,接着引入区域生成网络,再对图像提取固定个数候选框的图像特征,和改进的图像分类网络连接在一起,得到最终的卷积神经网络模型。实验表明其准确率可以达到97.98%,检测一幅600×600大小图像需要花费的平均时间约为0.256 s,在保证了准确率的同时达到了高效识别的要求。     

PSO_SVM算法在太阳能电池板裂缝缺陷检测研究

针对太阳能电池板在生产过程中出现的裂缝问题,在太阳能电池板缺陷数据集有限的条件下,提出应用粒子群算法(particle swarm optimization,PSO)优化支持向量机(support vector machines,SVM)的太阳能电池板裂缝缺陷检测算法。首先,为减少图像采集过程中由电致发光(electroluminescence,EL)检测产生的光照分布不均影响,对太阳能电池板组件图像进行Retinex增强处理;其次,在频域上利用Gabor变换对图像进行纹理特征提取,以获取裂缝特征;最后,将各个太阳能电池板组件的纹理特征经主成分分析法(principal component analysis,PCA)降维后输入到PSOSVM系统中进行分类识别。应用该方法对600幅太阳能电池板EL图像进行实验,仅有1幅出现误检,分类识别准确率为99.33%。将该算法与决策树分类、极限学习机、卷积神经网络及SVM算法进行对比实验,PSOSVM获得最高识别准确率。     

基于 3D 视觉的风电塔筒焊缝检测系统设计

为满足风电机组塔筒行业对焊缝外观质量缺陷检测高效性、精确性的需求,采用3D机器视觉技术研制了基于风电塔筒焊缝外观质量缺陷检测系统。首先,通过点云滤波、点云分割、点云精简对采集的点云数据进行预处理,确保后期缺陷评判的准确性;其次,对三维数据进行轮廓切片化处理以及断点拟合处理,得到轮廓特性;再次,采用递归粗提取改进算法提取特征点,进行缺陷评判,获得焊缝外观缺陷检测结果;最后,根据系统焊缝缺陷评判流程及标准,选取典型的焊缝样板进行焊缝宽度、焊缝错边以及焊缝直线度测试,焊缝检测精度可达0.001 mm,速度为当前人工检测速度的3倍,检测结果表明,系统具备高准确性、高速度和高精度特性,能代替人工检测,具有良好的应用前景。     

衬胶管道脱粘缺陷超声检测与识别方法研究

针对目前对在役衬胶管道脱粘缺陷缺乏有效检测手段,且检测效率和准确率较低的问题,基于超声脉冲回波法的基本原理,设计了适用于圆柱形衬胶管道超声检测的扫查和探头夹持装置,建立了相应的超声检测试验系统。分析了实际应用中多种干扰因素对超声回波信号的影响,构建了基于一维CNN的超声回波信号二分类模型。通过试验和与传统超声检测缺陷识别方法进行对比,结果表明利用所建立的超声检测系统及一维CNN模型能够在多种干扰因素存在的情况下实现对脱粘缺陷较精确的识别,识别准确率达到96.22%,为在役衬胶管道脱粘缺陷的自动化检测和识别提供了一种有效的方法和手段。     

融合Hough直线检测和Grab-cut的风机叶片自适应分割方法

完整的边缘信息对风力发电机叶片的边缘缺陷检测至关重要,但由于户外采集的风机叶片图像背景复杂多样,现有图像分割算法的分割精度不足,无法保证边缘缺陷的完整性.因此,提出一种基于图像边缘特征与颜色信息的自适应图像分割方法实现风机叶片边缘检测.首先,使用Hough直线检测初步定位叶片直线边缘;然后,在目标区域应用基于Otus阈...     

基于实例分割+CCTV排水管道缺陷检测方法研究

当前排水管道检测普遍采用CCTV管道闭路电视检测系统,但系统在缺陷判断过程存在人工参与度高,检测效率低、主观误差大等问题。本文提出一种基于实例分割算法结合CCTV排水管道缺陷检测方法,采用CCTV检测系统采集管道图像,基于Mask R-CNN卷积神经网络排水管道缺陷实例分割检测,对破裂、变形、腐蚀、沉积、障碍物、树根缺陷进行检测分类,并对其中破裂缺陷进行检测评级。实验结果表明,本文方法现场实验缺陷检测准确率达到了100%,现场实验破裂缺陷检测高阶分类准确度达到100%,表现出较好检测性能。     

基于CWD谱图和改进CNN的无线电调制分类

针对频率随时间的变化规律是不同调制信号之间最重要的区别，提出一种结合崔 威廉斯分布和改进卷积神经网络模型的无线电调制分类识别方法。在信号预处理阶段，为了更好保留信号的时频特征，引入崔-威廉斯变换将原始时间序列转换成时频图像，进而将调制信号分类问题转化成图像识别问题。在信号识别阶段，通过在卷积神经网络模型中引入残差密集块和全局平均池化层，以克服卷积神经网络模型泛化能力差和训练时间久等缺点。实验结果表明，所提方法可以有效解决梯度消失问题，具有识别率高、泛化能力强等优点。尤其是在低信噪比情况下，表现更为优异，在信噪比为-4 dB时，8种信号的分类精度便可达到100%。     

基于 FCN 的阀门内泄漏声发射信号识别方法

针对石化工业中输气管道阀门的内泄漏故障,将声发射检测技术与深度学习技术相结合,提出了一种基于全卷积神经 网络(FCN)的阀门内泄漏声发射信号识别方法。 该方法利用声发射技术采集阀门内泄漏的声发射信号,基于 FCN 搭建阀门内 泄漏分类诊断模型,充分发挥了声发射技术在阀门内泄漏检测领域的优越性,以及 FCN 在时间序列分类任务上的高性能。 该 方法相较于传统的识别方法,无需对原始采集数据进行特征提取或繁重复杂的预处理,而是将特征提取的任务也交于神经网络 模型来学习和完成,可实现端到端的阀门内泄漏声发射信号分类识别。 搭建阀门内泄漏检测实验平台,采集并制作阀门内泄漏 声发射信号数据集,建立了基于 FCN 的阀门内泄漏声发射信号的二分类模型,实验结果表明,该模型的分类识别准确率可达 98. 72%,相比较于其他先进的分类模型在数据集上表现出了更加优越的分类识别性能和训练效率,同时对环境噪声具有良好 的抗干扰性能。     

基于卷积神经网络的电力操作票文字识别方法

为提升电力操作票文字识别的准确度,提出了一种CBTR(基于卷积神经网络的文字识别)方法。首先,基于卷积神经网络学习得到非线性映射函数,提升操作票图像的PSNR(峰值信噪比);然后,基于假想笔画、路径签名与8方向特征构建集成卷积神经网络模型,使用简单平均法计算分类结果,克服手写字体识别难题。最后,选择DLQDF, MCDNN, DeepCNet作为基准方法,使用实际运维检修中操作票图像样本集进行算法验证。结果表明CBTR方法能准确识别操作票图像文字,具有显著的性能优势。     

基于预筛选和局部单应性的风电叶片图像匹配方法

将动态摄影测量方法应用到风电叶片动态监测中,对于优化风电系统设计、保证系统安全可靠运行具有重要意义。图像特征点自动匹配是动态摄影测量系统中的关键技术,匹配方法的优劣直接影响最终的测量精度。在实际风电叶片动态摄影测量中,叶片运行时的摆振会加剧叶片的非平面性,使得直接采用极线或单应性匹配技术匹配双目图像特征变得更加困难,因此提出一种基于预筛选和局部单应性的双目图像匹配方法,可用于风电叶片平缓连续曲面测量场。首先,通过双目摄影测量系统获取叶片像点图,对左相机采集到的像点图通过极线约束筛选出各个点在右像面中的候选匹配点集;其次对当前待匹配点及其候选匹配点集中的每个点分别抽取一个以该点为中心的局部近平面区域并做相应组合;之后针对每一组近平面区域分别采用改进的随机抽样一致算法估计相应的最佳单应性矩阵模型;最后通过局部单应性变换及合理的误差阈值在多个候选点中确定当前待匹配点的最终匹配点。该方法已成功应用于风电叶片的摆振测量实验,像点匹配率不低于96%且匹配准确率不低于97%,能够满足实际风电叶片图像匹配精度的要求。