小麦不完善粒的高光谱图像检测方法研究

为了实现高光谱图像处理技术对小麦不完善粒的快速准确鉴别,研究了一种基于小麦不完善粒高光谱图像的光谱和图像特征,结合多分类支持向量机的不完善粒的识别方法。实验采集小麦不完善粒的高光谱图像,对图像进行图像增强、阈值分割等处理后,提取7个纹理特征和5个形态特征作为分类器的输入,应用多分类支持向量机分别建立并比较基于光谱特征、基于图像特征以及基于光谱和图像特征组合的不完善粒识别模型的分类精度。基于光谱特征建立的4分类模型总识别率达94.73%,黑胚粒与正常粒的识别率分别为100%、98.63%,效果较好,但虫蚀粒与破损粒的识别精度均低于90%;基于图像特征的不完善粒识别率相对较低;融合光谱与图像特征建立的4分类支持向量机模型总识别率达97.89%,其中虫蚀粒识别率从89.79%提高到95.91%,破损粒识别率从84%提高到94%,识别效果最佳。实验结果表明,高光谱成像技术可以快速、无损鉴别单籽粒小麦不完善粒,该技术在小麦种子质量快速、高通量、无损检测领域具有的应用潜力。     

基于LDA和ELM的高光谱图像降维与分类方法研究

高光谱图像具有波段多、波段间相关性强的特点,导致高光谱图像信息冗余,造成维数灾难、难以分类的问题,为此提出了一种基于线性判别分析(LDA)和极限学习机结合的高光谱图像降维分类方法。该方法首先通过LDA对高光谱数据进行降维处理,克服高光谱图像信息冗余等问题的同时,尽可能保留图像的特征信息;降低光谱图像维度后,采用极限学习机(ELM)对高光谱遥感图像进行分类识别。所提方法应用于Pavia University和Salinas高光谱图像处理,分类精度分别达到了98.78%和99.94%,有效提升了高光谱图像的地物分类性能,具有较强的实用性。     

基于卷积神经网络的光伏阵列污染报警系统

针对依靠人工检查光伏阵列是否需要清洗的效率低,机器人定期清洗又会造成资源浪费的问题,文章提出一种基于卷积神经网络(Convolution Neural Network,CNN)的光伏阵列污染报警系统。该系统通过采集受污染和未受污染的光伏阵列图像作为训练集训练CNN神经网络,将训练好的模型嵌入网站后端,再定期采集光伏阵列图像,通过CNN神经网络模型识别是否受到污染,当光伏阵列受到污染时由前端显示报警信息。实验结果表明:该系统识别精度达97.6%,系统工作稳定,具有较强的实用价值。     

图像双分割与小波域多特征融合的高压输电线路典型小目标故障识别

为准确、快速地识别高压输电线路关键部件典型小目标故障,提出一种基于图像双分割与HSV空间颜色和HELM3纹理融合特征的高压输电线路典型小目标故障识别方法。该方法以航拍高压输电线路关键部件故障图像为原始数据,其中包括线夹偏移、绝缘子破损、引流线松股、链接金具锈蚀、铁塔杂物等典型小目标故障,以双分割后图像为研究对象,提取色度,饱和度,数值(hue,saturation,value,HSV)空间9个颜色特征、3层小波分解高频协方差矩阵与低频低阶矩(high frequency covariance matrix eigenvalues and lowfrequencylowerordermomentsin3-layerwavelet domain,HELM3)的18个不变纹理特征,进行支持向量机(supportvectormachine,SVM)的输电线路典型小目标故障分类识别。试验结果表明:在SVM识别模型下对高压输电线路典型小目标故障进行分类,该文的HSV和HELM3特征融合方法,相比于二者单独进行识别,平均识别率分别提高了10.89%和10.19%,达到92.64%;在不同分类模式下,该文SVM分类器的识别率比贝叶斯分类器、K近邻算法(K-nearest neighbor,KNN)分类器平均识别率提高了至少10个百分点,有明显的识别优势。     

双通道卷积神经网络模型电力设备图像识别方法

针对传统电力设备图像识别方法精度低、处理能力差的不足,提出一种基于双通道卷积神经网络(CNN)模型和随机森林分类的电力设备图像识别方法。在特征提取方面,双通道CNN模型通过两个独立的CNN模型来提取电力设备的特征;在识别算法方面,借鉴传统机器学习方法的优势,结合随机森林的优点,提出了结合深度学习的随机森林分类方法。最后,利用所提出的双通道CNN模型和随机森林分类方法对各类电力设备的图像进行了分类,实验表明所提出的方法可以有效地应用于各类电力设备的图像识别,并大大改善电力设备图像识别的识别率。     

双通道卷积神经网络模型电力设备图像识别

针对传统电力设备图像识别方法精度低、处理能力差的不足,提出一种基于双通道卷积神经网络(CNN)模型和随机森林分类的电力设备图像识别方法。在特征提取方面,双通道CNN模型通过两个独立的CNN模型来提取电力设备的特征;在识别算法方面,借鉴传统机器学习方法的优势,结合随机森林的优点,提出了结合深度学习的随机森林分类方法。最后,利用所提出的双通道CNN模型和随机森林分类方法对各类电力设备的图像进行了分类,实验表明所提出的方法可以有效地应用于各类电力设备的图像识别,并大大改善电力设备图像识别的识别率。     

基于深度学习的动态手势识别方法

为了提高动态手势的识别准确率,并避免动态手势的数据预分割和后输出处理过程,设计了一种融合卷积神经网络(CNN)和双向长短时记忆(BiLSTM),引入连接主义时间分类(CTC)作为损失函数的串联型网络模型。使用CTC训练网络来判断输入流中的类标签,以完成动态手势的识别工作。在公开视频手势数据集Jester和通过Kinect自建的包含9个动态手势的数据集上进行了实验验证,结果表明提出的串联型融合网络模型在Jester上能得到较高的识别率,并且引入CTC算法用于手势识别领域是可行的,该方法高效且具有很高的识别率,对9个动态手势最好识别正确率可达98.11%。     

基于特征融合的调制识别增强与迁移演化

针对调制识别中单一图像的特征信息不足,区分度不够高,识别范围受限的问题。本文提出了一种基于时频图和星座图特征融合的调制识别特征增强方法,利用深度学习神经网络提取信号图像的特征,构建特征空间,通过多维特征融合,挖掘和整合不同特征的优势,增强模型算法的鲁棒性。此外运用了模型迁移的方法,仅需对分类器进行训练,大幅节约了训练时间和资源,具有很强的实时性和实用性。仿真结果显示,在0db左右的条件下,相比于单一特征图像,采用特征融合增强的方法能将信号的平均识别率提高约25%,通过模型迁移,省去了卷积神经网络的训练,所需的训练时间约为迁移前的9.6%,消耗内存约为迁移前的7.3%,同时模型的识别率损失控制在了5%以内。     

基于时频谱图和自适应动态权重PSO-CNN的外破振动信号识别

为避免地下电缆遭受破坏，提高振动监测系统对外力破坏的预警能力，提出一种基于时频谱图和自适应动态权重粒子群算法-卷积神经网络(PSO-CNN)的外破振动信号识别方法。首先，将振动传感系统获取的3 000组外破振动信号转化生成为时频谱图数据集，在图像预处理阶段，采用直方图均衡化和二维主成分分析(2D-PCA)算法来增强灰度图像特征并实现图像数据的降维；然后，将图像数据集的70%作为CNN模型的训练集，并在网络训练过程中引入自适应动态惯性权重PSO对CNN模型的卷积层、池化层相关参数进行迭代寻优，从而获得优化PSO-CNN分类模型；最后，利用测试集图像数据对优化PSO-CNN模型的识别性能进行验证，并与其他分类模型进行了对比。结果表明，所提方法对6种常见外破振动信号的识别准确率达到98.33%,平均每张图像的识别时间仅为0.24 s,与其他分类算法相比具有更高的分类精度和更快速的识别速度，为快速准确地识别外力破坏事件类型提供了一种可行方案。     

基于电子舌与MAML-CNN模型的大豆产地溯源快速检测

根据不同产地大豆成分特征含量的差异,提出了一种基于电子舌结合元学习(meta-learning)-卷积神经网络(convolution neural networks, CNN)组合模型实现对大豆产地溯源的快速检测的方法。采用一维卷积神经网络对电子舌信号进行特征提取和分类识别,针对CNN模型难以适应新任务,依赖大量数据训练等问题,采用模型无关元学习算法(model-agnostic meta-learning, MAML)在预训练数据集上对CNN进行预训练,为CNN获得一个全局最优初始化参数。在此基础上,利用微调策略实现对新类别少量样本的快速适应与学习,最后通过模型实现查询样本的分类预测。实验结果表明,模型测试的准确率、召回率、精确率、F1-Score分别达到93.6%、93.8%、93.6%、0.937。研究为大豆产地溯源检测提供了一种快速的检测方法,并为仿生智能感官技术在农产品检测领域提供新的研究思路。     

基于电子舌和 WGAN-CNN 模型的小麦贮存 年限快速检测

为了实现对不同贮存年限陈化小麦的快速检测,提出一种伏安电子舌结合卷积神经网络(convolutional neural network, CNN)和基于Wasserstein距离的生成对抗网络(wasserstein generative adversarial nets, WGAN)组合的模式识别模型。使用伏安电子舌对6种不同贮存时间小麦采集电子舌信号。针对电子舌信号信息量大、特征提取困难等问题,设计了一种基于CNN结构的电子舌信号特征自动提取和分类识别模型。为解决CNN模型因训练样本不足而导致泛化能力差等问题,使用WGAN构建电子舌信号样本集,通过对生成信号集的学习,提高了CNN模型对电子舌信号的识别能力。实验结果表明,与AlexNet、VGG16等深度学习模型和随机森林(RM)、极限学习机(ELM)等传统机器学习模型相比,WGAN-CNN模型对电子舌信号的分辨能力更强,其测试集准确率、精确率、召回率和F1-Score分别达到0.98、0.98、0.977和0.988。研究表明电子舌结合WGAN-CNN模型可实现对小麦贮存年限的快速检测,该研究为基于人工智能的感官识别技术提供了一种新的研究思路。     

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 AG-CNN 的轻量级调制识别方法

针对传统卷积神经网络在调制方式盲识别过程中,存在模型体积大、运算量高、无法部署至移动端等问题,提出了一种基于双注意力机制与Ghost模块的轻量级CNN模型AG-CNN(attention and Ghost convolution neural network)调制识别方法,该方法首先将调制信号映射至复空间,并根据归一化点密度对映射点进行颜色处理,得到高阶特征密度星座图;将该特征作为AG-CNN模型的输入进行学习训练,最后使用训练好的模型对接收端接收到的未知信号进行识别。实验表明,AG-CNN模型对散点为10 000的密度星座图识别率在99.95%以上,与相同层数的CNN模型相比,卷积层参数量压缩6.01倍,计算量压缩6.76倍,且相较于VGG-16、InceptionV3、ResNet-50、Shufflenet、Efficientnet等卷积网络模型,参数量与浮点数运算数下降明显,且在大幅节省学习参数量、降低模型复杂度的情况下,表现出优秀的分类性能。     

多工况下基于EEMD-ICNN的输油管道泄漏识别

针对多工况下管道泄漏信号预处理繁琐、误报率高的问题，提出了一种集合经验模态分解(EEMD)结合改进卷积神经网络(ICNN)的泄漏识别模型。所用识别方法采用EEMD将泄漏信号分解成若干个具有稳态性能的固有模态分量(IMF),通过相关系数划分出噪声主导向量并予以去除实现信号重构；提取重构信号的一系列指标特征作为ICNN模型的输入进行特征提取，实现管道多工况分类；ICNN在每个卷积层和池化层之间加入批量归一化层，以此加快网络训练速度。结果表明：所提模型能够快速准确识别出停泵、调阀、泄漏、正常工况，且在较少训练数据下平均识别准确率可达98.25%。与未改进的CNN和SVM分类识别模型相比，该方法有效提高了识别准确率。     

基于CNN时-空卷积优化的EM-EEG识别方法研究

针对当前情绪脑电信号(emotion electroencephalogram, EM-EEG)识别研究中时间域信息的时间尺度难以把握和空间域信息易被忽视致使辨识率停滞不前,以及采集EM-EEG时通道过多导致信息冗余和信息处理成本增加等问题,提出了基于CNN的时-空卷积优化融合网络进行EM-EEG识别研究。该融合网络由提取EM-EEG时域信息的长卷积(long convolution, L-Conv)CNN和提取EM-EEG空域信息的CNN并联组成,在CNN模型时-空优化中使用粒子群算法(particle swarm optimization, PSO)对时域CNN中的L-Conv尺度进行了优化,并使用短时功率谱(short time power spectrum, STPS)的相关分析方法进行空域CNN模型通道数目优化,深层且有效地提取了EEG中的时间域和空间域特征。结果表明,提出的时-空卷积优化融合CNN在SEED IV数据集上对平和、悲伤、恐惧、高兴4种情绪最终准确率可以达到90.13%,相比传统单一CNN的识别准确率提高了4.76%,并且通道数目由62路降低至33路,缩减了46...     

基于卷积神经网络的变压器有载分接开关故障识别

为进一步提高变压器有载分接开关(OLTC)故障识别的精度,从OLTC切换过程中振动信号递归图的纹理特征出发,提出了一种基于卷积神经网络(CNN)的变压器OLTC故障识别方法。首先根据OLTC振动信号的相空间分布,基于相点距离映射构建了OLTC振动信号的距离映射递归图(DMRP),然后通过合理选取CNN的网络层数、卷积核尺寸等结构超参数和对卷积核进行降维处理,提出了基于CNN的OLTC故障识别模型。对某CM型OLTC正常与典型故障下振动信号的计算结果表明,DMRP能自适应地对振动信号的相空间相点分布进行描述,所提出的识别模型对OLTC的典型故障均具有良好的识别性能,尤其在轻微故障的识别上相比于现有方法准确率提升了至少10%。     

基于卷积长短时深度神经网络行为识别方法

传统的人员行为识别中,通过人工特征对人员行为进行分类。 这些方法仅能够利用较浅层次的特征,其识别准确率有 限。 提出通过卷积长短时深度神经网络(convolutional long short-term deep neural networks, CLDNN)进行人员行为识别,并用新 的 GRU 门控单元代替传统的 LSTM 门控单元提高网络效率。 利用该网络结构,既可提取惯性数据中多层次特征,也可充分利 用时间序列相关性。 通过开源数据集的实验证明,该方法相比于传统的卷积网络和基于 LSTM 门控循环神经网络的识别准确 率分别提高了约 3%和 7%;用 GRU 门控单元代替 LSTM 单元后,所需的训练时间和前向的识别时间分别下降了 14%和 10%。     

航拍绝缘子卷积神经网络检测及自爆识别研究

无人机巡检通过搭载的高清相机和图传设备可获取大量详实的巡检影像。绝缘子是输电线路中极其重要且用量庞大的部件,在图像视频中快速准确地检测出绝缘子可为无人机贴近铁塔和输电线路进行细节巡视的测距和避障飞行提供可靠的依据;同时绝缘子为故障多发元件严重威胁电网的安全,需充分利计算机技术对其进行故障诊断。通过搭建卷积神经网络,在由5个卷积池化模块和2个全连接模块组成的经典架构的基础上,对网络进行改进,实现在复杂航拍背景中绝缘子检测。同时在训练的网络模型中抽取绝缘子的特征融入自组织特征映射网络中实现显著性检测,结合超像素分割和轮廓检测等图像处理方法对绝缘子进行数学建模,提出一种针对绝缘子自爆故障的识别算法,取代人工分析,降低由人为经验判断可能造成的误差。经测试,复杂航拍背景下的绝缘子检测精度达90%以上,自爆识别准确率达到85%以上,均满足工程需求,有效提升巡检的效率和智能化水平。     

Compressed sampling reconstruction of hyperspectral images based on spectral prediction

With increasing amounts of hyperspectral images (HSI) and the limitations of the memory requirements, compressive techniques for hyperspectral images have attracted extensive research efforts in recent years. The main difficulty of applying compressed sampling (CS) theory to compression and reconstruction of hyperspectral images lies in using the spatial correlation and spectral correlation of hyperspectral images. In this paper, a reconstruction algorithm of hyperspectral images taking advantage of two‐dimensional compressed sampling (2DCS) and two‐dimensional total variation (2DTV) incorporating spectral prediction (SP) is investigated. In the sampling process, the hyperspectral images are divided into reference bands and common bands, and all bands are sampled using 2DCS independently. In the reconstruction process, the reference bands are reconstructed by 2DTV first. In order to improve the reconstruction quality of common bands, spectral prediction utilizing the spectral correlation between reference bands and common bands is conducted. Then the spectral compensation is computed by using a combination of the prediction value and the initial approximation for the common bands. The residual between the compensation value and the original value is obtained to revise the approximation for the common bands. The algorithm is implemented in an iterative manner to enhance the performance. Experimental results on popular hyperspectral datasets reveal that the proposed algorithm exploiting spectral prediction outperforms the algorithm 2DCS‐2DTV, which does not use spectral correlation, as well as the state‐of‐the‐art algorithms in terms of peak signal‐to‐noise ratio (PSNR). In particular, when the sampling rate of the reference bands is higher than that of the common bands, the proposed algorithm would improve the reconstruction quality dramatically. © 2015 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.