基于多尺度耦合的密集残差网络红外图像增强

为了提升非制冷红外热像仪的图像质量,满足低对比度弱小区域的观瞄与锁定的需求,提出了一种基于多尺度密集残差网络的红外图像超分辨重建模型,该模型的基本框架是通过级联多个残差特征进行学习,以粗到细的方式重建高分辨率图像。首先提出一种多尺度跨域融合模块,通过对不同感受野的分支结果进行融合,不仅可以融合不同感受野的互补信息,还可有助于提升梯度收敛和特征传输;然后叠加多个跨域融合模块,并采用残差特征学习进行优化,最终学习出高分辨率细节信息。仿真实验结果表明,所提出的超分辨模型能够较好的超分辨重建效果,在微弱结构保持和点目标保持上的性能也更加突出。所提的模型已经在海思嵌入式深度学习平台上实现了高质量的红外增强,具有较高的工程应用价值。     

基于红外成像技术的电气设备故障检测

以往电气设备故障检测所采用的信号处理方法为提取信号特征进行故障检测,无法实现故障的区域检测,缺乏故障等级的有效判断,检测结果具有检测准确度低、结果不稳定的缺点。因此,提出基于红外成像技术的电气设备故障检测方法,其通过红外摄像仪检测电气设备红外图像的温度值后,以灰度图像替代红外图像获得阈值的强度信息矩阵,提取电气设备红外图像的灰度值。根据温度与灰度的映射关系,采用相对温差法对红外图像高温区域进行提取。基于电气设备红外图像高温区域,进行故障区域面积与故障区域质心的计算,获得红外图像的故障区域特征,通过灰度和温度的对应关系,反推电气设备故障区域质心的温度,运用绝对温差法确定电气设备故障等级。实验结果说明:所提方法具有较高的检测准确度和稳定性。     

基于压缩感知的电力设备红外图像盲超分辨率方法

电力设备红外图像采集过程中出现的分辨率降低和模糊现象是影响红外诊断准确性的重要因素。然而现有超分辨率方法一般假设模糊核已知,但当假设核偏离真实核时方法性能会显著降低。该文针对这一问题,提出一种压缩感知盲超分辨率改进方法。以图像退化模型为基础,结合图像在变换域内稀疏为先验知识,实现图像的超分辨率重建。在重建过程中通过红外图像亮度分量的极值分布先验信息促进模糊核的优化求解以及重建图像反卷积去模糊运算,将传统的非盲超分辨率方法改进为盲超分辨率方法。在提高模型准确性的同时,提升了重建图像细节纹理的质量。并对压缩感知基础模型进行改进变形,以此为基础设计了高效求解算法,最终实现高分辨率图像的高质量重建,从而更好地适应工程应用需求。实验结果表明该文提出的盲超分辨率方法与已有方法相比,其重建得到的红外图像结果无论在主观视觉还是客观评价指标上,均有着一定优势,能够更好地适应现场采集到的低分辨率红外图像超分辨率重建需求。     

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USRNet与改进YOLOv5x的输电线路绝缘子故障检测方法

针对无人机输电线路巡检图像的复杂背景目标检测失准、故障小目标难以被准确检测的问题,提出一种基于深度展开超分网络(deep unfolding super-resolution network,USRNet)与改进YOLOv5x算法的输电线路绝缘子故障检测方法。首先,使用USRNet对原始图像进行超分辨率重建,以降低复杂背景干扰实现测试数据集优化;然后,以YOLOv5x检测模型为基础,利用K-means++对标记框进行聚类,生成匹配输电线路故障目标尺寸的锚框;同时,通过更改多尺度特征融合模块结构,在预测端引入一个包含更大特征图的检测头以检测故障小目标;最后,使用有效交并比损失(efficient intersection over union loss, EIOU＿Loss)函数优化模型整体性能,并设置对比实验对所提方法进行验证。结果表明,所提方法的均值平均精度(mean average precision, mAP)值达到98.8%,可使输电线路故障检测精度提高到95.4%,从而具有更好的复杂背景目标以及小目标检测性能。     

基于压缩感知的电力设备红外图像非盲自适应超分辨率方法

电力物联网建设过程中,红外传感技术应用越加广泛,然而受成本限制难以实现高精度红外传感器的大规模装设。因此文中提出了一种压缩感知自适应非盲超分辨率方法,以改善低成本红外传感器成像质量。该方法以压缩感知超分辨率模型为基础,结合图像去模糊先验信息,提出了压缩感知非盲超分辨率模型。并采用双先验二次估计的方式求解正则项惩罚参数,实现对约束项的自适应强度控制。求解过程中首先通过高斯先验对模糊图像进行初步反卷积重建,以阈值收缩的方式分离重建图像显著边缘,生成标签图像。之后根据图像内部像素点语义的不同,控制超拉普拉斯先验正则项强度,在提升重建图像清晰度的同时避免伪影振铃的产生。并针对所提模型设计了有效的求解算法。实验结果表明与现有经典非盲超分辨率方法相比,该方法重建得到的高分辨率红外图像无论在主观视觉还是客观评价指标上,均有着一定优势。且最终进行的红外图像识别对比实验,也证明了该方法重建的高分辨率红外图像能够更好地解决电力行业的实际问题。     

基于改进 U-Net 网络的眼底血管图像分割研究

针对眼底血管图像存在血管细小、视网膜病变而导致分割精度低的问题,提出了一种引入残差块、级联空洞卷积、嵌入注意力机制的U-Net视网膜血管图像分割模型.首先采用提高视网膜图像分辨率,以点噪声为中心、512为边长裁剪来扩增数据集,然后在U-Net模型中引入残差块,增加像素特征的利用率和避免深层网络的退化;并将U-Net网络的底部替换为级联空洞卷积模块,扩大特征图的感受野,提取更丰富的像素特征;最后在解码器中嵌入注意力机制,加重目标特征的权重,减缓无用信息的干扰.基于CHASE数据集的实验结果表明,所提模型的准确率达到了98.2％,灵敏度达到了81.72％,特异值达到了98.90％,与其他多尺度神经网络方法相比体现了更好的分割效果,充分验证了提出改进的U-Net网络模型能有效提高血管分割精度、辅助确诊血管病变.     

基于超分辨率重建与多尺度特征融合的 输电线路缺陷检测方法

针对输电线路巡检中可能存在拍摄图像质量不高的问题,以及线路缺陷目标小而分布密集而导致传统方法检测精度不高的问题,提出一种基于超分辨率重建与多尺度特征融合的输电线路缺陷检测方法。首先,使用超分辨率网络对巡检图像进行重建,提升清晰度,丰富图像中包含的特征信息;然后使用改进的YOLOX网络检测巡检图像中的缺陷,在主干网络中嵌入卷积块注意力机制,强化模型对重叠小目标的定位能力;为进一步提升小目标的检测能力,在YOLOX的特征融合网络中新增浅层检测尺度进行特征融合;最后,通过使用CIOU优化边界框损失函数提升模型收敛能力,降低缺陷目标的漏检率。实验结果表明,所提方法能在提升巡检图像质量的基础上对输电线路缺陷准确地检测,精度达到93.27%,相比SSD等经典模型,对小而密集的缺陷目标有着更强的提取能力和鲁棒性。     

基于YOLOv4模型的玻璃绝缘子自爆缺陷识别方法

绝缘子是输电线路的重要元件,绝缘子缺陷会增大输电线路的故障停运风险,因此,对绝缘子缺陷状况的早期判别十分重要.本文提出一种基于YOLOv4模型的玻璃绝缘子自爆缺陷辨识方法.首先,通过无人机采集及数据增强获取大量详实的现场绝缘子图像;其次,通过采用迁移学习的训练策略训练YOLOv4网络并改进网络的输入图像以提高辨识的准确性;最后,通过实验验证改进策略提高了网络性能.实验结果表明,所提的方法可准确、有效地实现对绝缘子缺陷的辨识.     

基于优化YOLOv4的主要电气设备智能检测及调参策略

基于无人机和巡检机器人搭载的多光谱成像检测是高压设备非接触检测的发展趋势,而主要电气设备的识别是其绝缘状态智能诊断的基础.该文建立了绝缘子、均压环、防振锤、套管和导线训练与测试数据库;基于YOLOv4,改进了Mosaic数据扩充算法,使网络误差降低了0.7,识别准确度提高到84.3％;研究了基于边界框回归的交并比(IoU)算法对不同尺度检测目标的影响,提出了对大、小目标分别采用CIoU和GIoU的训练策略;研究了K-means和分层聚类算法对自建数据库的标注值宽高数据聚类效果及检测结果的影响;基于误差、识别准确度和训练速度,研究并优化了YOLOv4的网络参数,改进后的模型训练误差降低了3％,识别准确度提高了0.8％,较好地实现了主要电气设备的识别.该研究可用于多光谱成像电气设备运行状态的现场诊断.