基于多尺度特征融合的绝缘子缺陷检测

绝缘子缺陷检测对于保障电网安全稳定运行具有重要意义。由于绝缘子缺陷区域的像素信息少、形状尺寸不一,造成识别效果不佳问题。为解决此问题,提出了一种基于多尺度特征融合的绝缘子缺陷检测网络（MSD2Net）。在该网络中,采用残差注意力网络用于获取不同分辨率的绝缘子缺陷特征,设计了基于反卷积和多分支检测的多尺度特征融合网络将深层特征图与浅层特征图逐步融合,生成更加丰富的图像语义信息,用于实现目标的分类与位置回归,并结合Focal损失和高斯非极大抑制方法进一步提升检测效果。在变电站绝缘子缺陷数据集和输电线路CPLID公开数据集上进行测试,结果表明所提方法具有较好的检测性能与泛化能力。     

基于多特征融合的红外弱小目标检测

为解决红外弱小目标检测领域中基于单类先验知识的人类视觉系统检测方法检测准确率低、虚警率高以及显著图计算复杂等问题,提出一种在复杂背景条件下对红外弱小目标多种特性进行融合处理的检测方法。通过融合红外弱小目标的局部灰度值大、自身灰度信息符合二维高斯分布以及与邻域相似度低的三大特性,利用协方差检测和相似度对比计算得到显著图,对显著图进行简单阈值分割得到真实目标。对不同复杂背景和不同数据类型的红外源图像进行弱小目标检测实验,结果表明:与基线算法相比本文所提算法检测结果背景抑制因子和信杂比增益均提高2~3倍,交并比为HVS类方法最优,ROC曲线在较低虚警率时获得最高检测准确率。本文方法将红外源图像中弱小目标多个特性进行有效融合,提高检测精度的同时降低了显著图计算复杂度,在不同复杂背景和杂波干扰的情况下仍能取得较好的目标定位和背景抑制效果。     

基于多特征融合的云平台异常点检测方法研究

针对传统云平台异常点检测方法存在准确率低和运算速度慢的问题,提出基于多特征融合的云平台异常点检测方法,构建云平台不同子系统的特征空间优化模型,实现不同子系统之间的特征自动融合.首先设计基于多特征融合的云平台异常点检测算法,对模型约束进行监测分析;然后通过试验验证方法不仅能够进行云平台异常点检测,而且比其他传统方法有更高的准确率和更快的计算速度.     

基于多尺度特征融合的输电线路关键部件检测

针对输电线路无人机实时巡检过程中,通用目标检测算法在移动端运行速度过慢或无法运行的问题,提出一种将多尺度特征融合方法与输电线路关键部件的检测相结合的算法MSFF-KCD(Multi-Scale Feature Fusion in Key Component Detection)。该算法结合关键部件的特征,使用深度可分离卷积设计了特征提取网络DPNets,提高了算法在具有边缘计算能力的移动端ARM设备上的运行速度,同时采用多尺度特征融合方法,将分辨率低的特征图与分辨率高的特征图进行融合,使用多个特征融合后的特征图进行分类与检测,提高了算法的平均精度。选取了绝缘子、悬垂线夹、防震锤三类关键部件进行实验,结果表明,该算法在ARM设备上可达到每张66 ms的检测速度和86%的准确率,适用于移动端关键部件检测。     

基于ASM的多特征融合驾驶员疲劳检测方法

为了提高对驾驶员疲劳程度检测的准确性与鲁棒性,提出了一种基于主动形状模型的多个特征融合疲劳检测算法。首先利用简单类Haar特征的级联Adaboost算法快速检测出人脸位置,然后对检测到的人脸进行基于主动形状模型(active shape model,ASM)的特征点定位,利用12个ASM特征标记点,得出眼睛、嘴部和头部的状态参数,再相应地计算出PERCLOS(percentage of eyelid closure over the pupil over time)、AECS(average eye closure speed)、哈欠频率、点头频率等4个疲劳特征,最后利用自适应神经模糊推理系统(adaptive network based fuzzy inference system,ANFIS)判决出驾驶员的3级疲劳程度(清醒、疲劳和严重疲劳)。实验结果表明,本方法对驾驶员疲劳检测准确率达93.3%,具有较高的准确性与鲁棒性。     

基于多特征融合的GIS局部放电状态检测方法

为了优化GIS局部放电状态检测效果,提高检测率,引入多特征融合方法原理,开展了基于多特征融合的GIS局部放电状态检测方法研究。首先,需要采集GIS设备的局部放电数据并对其进行预处理,为后续放电状态检测提供有力的数据支持。其次,提取GIS局部放电特征,包括时域特征与频域特征。在此基础上,融合提取到的时域特征和频域特征,根据融合处理后的GIS局部放电特征,检测GIS局部放电状态。实验结果表明,提出的方法应用后,4种不同类型的局部放电绝缘故障模型的放电状态检测率均达到了98%以上,能够更好地捕捉到GIS设备的局部放电特征,从而更准确地判断其放电状态。     

基于多传感器信号融合的数字滤波方法

针对两轮自平衡车运行过程中,车身姿态检测时,角速度信号存在随机漂移,角度信号存在动态误差且极易受外界噪声干扰的问题,应用卡尔曼滤波对其倾角与倾角速度进行信号的融合,通过时域上包含噪声的有限测量数据来获取系统的最优状态估计,对倾角信号进行有效的补偿并修正,以减小自平衡车姿态测量误差,提高运算精度。并采用陀螺仪检测角速度信号,加速度计检测角度信号,以MK60嵌入式系统为控制核心,实现了信号的融合,获得了较为理想的车身姿态检测信号。     

基于多尺度主元分析的磨煤机堵塞检测

劣质煤水分与灰分含量大,可磨性差,相同负荷下所需给煤量增加,针对近年由于火电机组掺烧劣质煤易造成磨煤机堵塞,对磨煤机安全稳定运行十分不利的问题,提出了一种多尺度主元分析方法。现场未堵磨时的数据经小波多尺度分解后在多个尺度上建立主元模型,再对实时信号分解从而对多个模型同时进行检测,判断磨煤机是否发生堵磨,并给出堵磨的主要原因。通过对某火电厂磨煤机堵塞状况的检测判断,结果表明:该方法是有效可行的,在经小波多尺度分解后对磨煤机堵磨判别更为全面,绘制实时数据贡献图可得出引起磨煤机堵磨的主要信号。     

基于多特征融合的人脸识别方法

为了改善人脸识别方法只基于一种特征、识别方法单一造成的识别率低的问题。使用多种特征融合进行人脸识别,可以有效改善单一特征因光照、角度以及尺度变化对识别的影响,提高识别率。经过试验证实,将LBPH、SIFT以及通过卷积神经网络提取的VIPLFaceNet特征按照一定的权重进行组合时,可以有效的结合3种特征的识别特点,获得比单一特征更好的识别率。当VIPLFaceNet、SIFT和LBPH3种特征以4∶1∶5的权重进行融合时,可以获得95.35%的识别率,识别率明显提升。     

基于多尺度特征融合与混合注意力的云检测算法

针对传统云检测方法对特殊场景识别效果较差而造成的边缘信息丢失和薄云、碎云误判等问题，提出了一种基于多尺度特征融合与混合注意力的高精度云检测MSHA-DeepLab算法。首先，在原始DeepLabV3+算法的基础上引入注意力模块，提高重要特征权重，增强网络对局部特征的感受能力。其次，使用深度可分离卷积提取不同尺度的语义信息，减少网络参数量。最后，进行逐级上采样和特征融合，减少特征信息丢失。选择多种方法与改进算法对比，使用不同场景、不同波段组合的数据集进行测试。结果表明，改进后算法的精确率达到了86.376 9%,召回率达到了85.895 9%,特异性达到了96.915 6%,交并比达到了82.846 7%,精确度达到了94.600 8%,相比原始算法和其他方法有明显提高。验证了提出算法能在不同条件下实现高精度的云检测。     

面部多特征融合的驾驶员疲劳检测方法

为了监测驾驶员的疲劳状态,提出了一种基于面部多种疲劳参数的驾驶员状态检测算法。首先利用Gabor滤波和梯度信息增强眼睛和嘴部的边缘信息以进行准确定位,然后采用一种旋转不变的LBP金字塔特征对眼睛进行特征描述,训练线性SVM分类器判别眼睛的开闭状态;并根据嘴部的张开面积及宽高比判断嘴部的开闭状态,同时通过统计眼睛在垂直方向上的运动确定头部位置的变化。最后基于眼睛和嘴部的状态、头部的位置,计算出4个能够描述驾驶员状态的疲劳参数,利用模糊系统推理得出驾驶员最终的疲劳状态。实验结果证明检测和状态判别的算法都有较高的准确率,其中眼睛状态的识别率平均在97%,嘴部状态的识别率也能达到92%;模糊系统的合理性也在实验中得以验证。     

基于多特征相似性融合的隶属度函数研究

针对传统隶属度函数在变量个数和类型选择两方面存在的不足,在分析人脑对事物特征相似性的判定机理基础上,定义了模糊集合代表元素和基于多维特征向量的标准评价距离,提出了基于多特征相似性融合的隶属度函数确定方法.针对电池模糊均衡管理的实验结果表明,在电池有效容量降低情况下,采用该方法确定电压模糊集合的电池管理系统将均衡效率提高...     

基于Radon-TVAR的多分量Chirp信号检测

基于基函数向量矩阵的二维离散余弦变换(2D-DCT),本文提出了一种改进的时变自回归(TVAR)模型辨识算法.然后用改进的TVAR模型对多分量Chirp信号进行建模,结合Radon变换和逐次消去技术,提出一种称为Radon-TVAR的新算法,用于多分量Chirp信号的检测和参数估计.仿真结果表明新算法能有效检测多分量Chirp信号,性能优越于传统方法.     

基于自适应多尺度特征融合网络的金属齿轮端面缺陷检测方法研究

针对目前金属齿轮端面结构复杂,导致缺陷的小目标占比度高和尺度变化大引起的检测准确度低,难以满足企业实时 在线检测需求等问题。 本文基于 YOLOv5s 网络提出了一种基于自适应多尺度特征融合网络的金属齿轮端面缺陷检测方法 (YOLO-Gear)。 首先,搭建了一个齿轮端面缺陷检测试验台,并制作了齿轮端面缺陷数据集。 然后,提出了自适应卷积注意力 模块(convolutional block attention module-C3,CBAM-C3),CBAM-C3 通过将通道注意力(channel attention module,CAM)和空间注 意力(spartial attention module,SAM)相结合加强了对金属齿轮缺陷小目标缺陷自适应的特征学习与特征提取,及时对模型中的 权重参数进行学习和优化,提高了模型对小目标缺陷的检测准确度;最后,提出了重复加权双向特征金字塔网络( bidirectional feature pyramid network,BiFPN),通过自适应控制不同尺度的特征图之间的融合程度,提高了模型对缺陷多尺度检测能力。 试 验表明,YOLO-Gear 模型在齿轮端面缺陷测试集上的平均精度达到了 99. 2%,F1 值为 0. 99,FPS 值为 33。 相较于其他深度学习 模型,本文提出的 YOLO-Gear 模型提高了检测的精度和效率,能够满足企业的实时在线检测需求。     

基于特征融合的自适应多尺度无锚框目标检测算法

为了提高 CenterNet 无锚框目标检测网络的目标检测能力,提出一种基于注意力特征融合和多尺度特征提取网络的改 进 CenterNet 目标检测网络。 首先,为了提升网络对多尺度目标的表达能力,设计了自适应多尺度特征提取网络,利用空洞卷积 对特征图进行重采样获取多尺度特征信息,并在空间维度上进行融合;其次,为了更好地融合语义和尺度不一致的特征,提出了 一种基于通道局部注意力的特征融合模块,自适应地学习浅层特征和深层特征之间的融合权重,保留不同感受域的关键特征信 息。 最后,通过在 VOC 2007 测试集上对本文算法进行验证,实验结果表明,最终算法的检测精度达到 80. 94%,相较于基线算法 CenterNet 提升了 3. 82%,有效提升了无锚框目标检测算法的最终性能     

基于组合核多特征融合的GIS局部放电检测与识别

GIS局部放电模式识别是其绝缘状态评估的重要部分,搭建了252k V GIS局部放电实验仿真平台,采用超高频和超声波检测法对4种典型绝缘故障进行局部放电检测,得到了相应的放电信号,并根据信号特点获取了相应的统计参数图谱,提取了相应的特征参数;采用K-折交叉验证和粒子群算法对组合核参数法进行了核函数参数优化,然后采用优化后的算法融合了超高频和超声波特征参数,分别将融合后的参数和单一的超高频及超声波参数输入到分类器中进行放电模式识别。结果表明,多特征参数融合后的识别率要高于单一特征的识别率,融合后的识别率可达92%。     

基于轻量化网络与增强多尺度特征融合的绝缘子缺陷检测

随着无人机搭载目标检测算法在输电杆塔绝缘子巡检领域的发展,针对绝缘子缺陷检测速度较低,网络复杂度高且缺陷小目标难以准确检测的问题,提出一种基于轻量化网络与增强多尺度特征融合的YOLOv5-3S-4PH模型进行绝缘子缺陷实时检测。首先将重构的ShuffleNetV2-Stem-SPP(3S)网络作为YOLOv5的主干网络,显著减小了网络的参数量和计算量;其次引入针对小目标的增强多尺度特征融合网络以及4个预测头,来增强网络对绝缘子缺陷的感知能力,并结合Mosaic-9数据增强、CIoU损失函数进一步补偿轻量化导致的检测精度损失;最后将其应用到自制绝缘子数据集进行验证。实验结果表明,该文所提出的模型相对于未改进的YOLOv5,全类平均精度提高了3%,检测速度提高了81.8%,参数量、计算量分别压缩了82.4%、67%。因此,所提出的模型更适合部署在无人机平台上进行绝缘子缺陷的实时监测。     

基于振动信号多特征值的电力变压器故障检测研究

在基于振动的电力变压器故障检测领域，现有研究大多是针对某一特定型号或电压等级变压器开展的纵向比较，由此形成的诊断算法泛用性较差。为解决上述问题，该文提出了一种基于振动信号多特征值的电力变压器故障检测方法，搜集整理了不同电压等级、不同型号变压器正常与典型故障下的振动信号，统计了振动主频分布情况，改进了100Hz占比、总谐波畸变率的计算式，分别将两特征值的分类效果提高了79%、76%。提出了两段式故障诊断流程，利用截断正态分布拟合方法与合成少数类过采样技术（SMOTE）对故障数据进行扩充，进一步提高了分类精度。测试结果表明，算法对正常、故障变压器的识别准确度达到92.6%，适用于多变压器的横向诊断和对不同测点、不同工作状态下数据的分类。     

基于SSD的多因素融合的驾驶疲劳检测研究

为了降低因疲劳驾驶而导致的事故发生率,提出一种利用卷积神经网络与人脸特征点、疲劳判定指标相融合的方法,共同构建疲劳驾驶检测模型。首先利用SSD（Single Shot MultiBox Detector）网络定位驾驶员的眼睛与嘴巴区域,VGG16 网络学习这两个区域所包含的疲劳特征;同时再结合人脸68特征点、眼睛纵横比（Eye Aspect Ratio, EAR）和嘴巴纵横比（Mouth Aspect Ratio, MAR）共同判定驾驶疲劳状态。最后,在相同测试集下分别计算SSD算法和Faster-RCNN算法的平均精度均值mAP;在YawDD数据集上应用此模型;并通过模拟驾车环境来验证此模型的可行性。实验结果表明,SSD算法要优于Faster-RCNN算法,并且此模型在YawDD数据集上的检测准确率约达97.2%,摄像头也能对驾驶员的状态进行实时检测。此模型对疲劳状态的检测十分有效,可在一定程度上降低因疲劳驾驶而导致的事故发生率。