深度语义分割网络的遥感影像水体提取

为探究深度语义分割网络在水体提取中的潜能,分别构建PSPNet、U-Net、DeepLabv3语义分割水体提取模型。使用哨兵二号影像作为数据源,首先利用水体指数作辅助创建水体标签数据,并建立水体语义分割数据集,然后构建PSPNet、U-Net、DeepLabv3网络模型并进行训练,从而获得最优的水体提取模型。选择归一化差异水体指数、最大似然法、支持向量机、随机森林与3个语义分割网络模型在相同的测试集下进行比较,结果表明：PSPNet、U-Net、DeepLabv3方法精度分别达到93.50%、95.00%、96.00%,相比其他提取方法,水体错分、漏分现象减少,水体提取精度提高,验证了语义分割网络在水体提取方面的有效性,其中DeepLabv3的适用性最好。     

基于深度学习的绝缘子缺失检测方法研究

绝缘子缺陷严重影响输电线路安全,航拍图像绝缘子缺失的有效识别是无人机线路巡检。提出一种轻量级网络的绝缘子缺失检测模型,使用轻量级网络MobileNetV3替换YOLOv4模型的CSPDarknet53网络。以分割性能和计算速度为判据,综合分析比较了YOLOv4模型和使用轻量型网络对其主干网络替换后的模型在绝缘子缺失检测上的性能,实验结果表明：筛选的YOLOv4-MobileNetV3轻量级网络绝缘子缺失检测模型能够准确定位图像中单、多目标绝缘子;改进后YOLOv4-MobileNetV3检测模型比原模型的体积减少了78%,FPS提升了4.85 f/s,而mAP仅降低0.6%。提出的绝缘子缺失检测方法能够满足无人机电力线路巡检的需求。     

基于UE-Net6的无人机遥感影像城市地表水提取方法

针对利用高分辨率、背景复杂、波段少的无人机遥感影像提取城市地表水的方法少且提取精度不高等问题，采用深度学习法，构建了不同深度的U-Net网络模型(5、6、7层)提取城市地表水，对比发现U-Net6模型效果最优；同时，为避免神经元失活和模型过拟合现象，采用ELU代替ReLU并引入Dropout正则化对U-Net6网络进行改进，进而提出了一种以ELU为激活函数、网络层数为6的基于无人机遥感影像的城市地表水自动提取方法—UE-Net6方法，从而实现了复杂背景下水体信息的精确提取。为验证所提方法的优越性，试验选取同样的训练集与测试集，分别对经典U-Net、SegNet、FCN及UE-Net6模型进行对比试验。结果表明，UE-Net6方法的水体提取精度明显优于其他模型的提取精度。     

基于LS-DCGAN的GCSE-DenseNet光伏组件缺陷识别方法

针对光伏组件样本不均衡及缺陷识别精度低问题，提出一种基于LS-DCGAN的GCSE-DenseNet光伏组件缺陷识别方法。首先，针对光伏组件样本的不均衡问题，构建最小二乘深度卷积生成对抗网络（LS-DCGAN），进行样本数据增强，以扩充数据集。其次，在传统DenseNet网络基础上引入分组卷积和注意力机制，提出一种基于分组卷积和注意力机制的改进GCSEDenseNet网络模型。改进模型仍采用密集连接机制，实现特征重用防止梯度消失；同时，采用分组卷积优化模型密集模块结构，以降低模型参数量；引入注意力机制加强有效特征、削弱无效特征，以增强模型特征学习能力。最后，对所提模型的有效性进行实验验证。实验表明，改进的GCSE-DenseNet网络模型能有效提高光伏组件缺陷识别精度。     

融合视觉特征的光伏组件语义分割模型研究

针对光伏组件红外图像的分割问题,使用MobileNetv2作为DeepLabv3+的主干特征提取网络并使用位置通道注意力模块减少背景干扰,引入混合条带池化对ASPP模块进行优化,帮助模型进一步捕获全局和上下文信息。针对检测困难的屋顶光伏组件设计DeepLabv3-T网络,在上述改进的基础上融入纹理信息进行选择性背景抑制,实现光伏组件的精确分割。在PV＿large和PV＿roof数据集上进行实验证明该文方法优于现有技术,DeepLabv3-T相较于DeepLabv3+,mIoU值分别提高了2.74%和10.53%。此外,设计消融实验表明各个改进模块的有效性。     

基于轻量级Mask RCNN的均压环歪斜检测

针对无人机获取的航拍图像样本量较多、航拍图像的背景噪声较大、样本中均压环歪斜数量较少等问题,文章提出一种改进的轻量级Mask RCNN特征提取网络,获得均压环与绝缘子的轮廓.在判断均压环歪斜时,提出将分割出的绝缘子串进行霍夫水平变换,然后计算均压环与绝缘子边缘两点的斜率,根据两点斜率的差值判断均压环是否歪斜.实验结果表...     

基于U2-Net+的透水混凝土CT影像孔隙分割

针对现阶段主流的透水混凝土CT影像孔隙分割方法存在的问题,提出了一种堆叠高效RSU模块的U²-Net+的图像分割方法。该方法通过堆叠高效的RSU模块,在网络中引入了更多的上采样节点和跳跃连接,还原了更多下采样阶段丢失的特征图细节;在编码阶段增加了一个可学习的下采样操作,进一步提升了网络对细节的捕获能力;简化了原网络的深度监督,避免了底层特征图对融合输出特征图的负面影响;将单一的标准二分类交叉熵损失函数改为Focal loss和IoU loss组成的混合损失函数,提升了网络对高噪声孔隙的关注度;最后由于数据集的特点加网络改进的提升,原网络中各模块的中间通道数得以进一步缩减,减小了网络体积。试验结果表明,U²-Net+相比U²-Net^?在保证轻量化和快速性的同时,平均交并比、精确度、F1得分由94.12%、88.89%、93.28%分别提升至94.24%、91.15%、94.29%;U²-Net+综合指标优于U-Net、U-Net++、U-Net3+、U²-N...     

基于改进Canny算子的绝缘子裂纹检测研究

为解决绝缘子图像中由于背景的复杂性导致边缘检测存在噪声及伪目标问题,提出了基于二维阈值分割的Canny算子边缘优化法.首先,在HSI颜色空间通过对S分量进行强化,有效弱化背景,突出绝缘子目标;其次,针对传统canny算子在提取绝缘子边缘时由于部分噪点突出导致检测裂纹的精度较低,提出对Canny算子中的阈值选取进行改进,...     

融合空间信息的多尺度残差卷积开关柜异物检测算法研究

检查开关柜中有无异物以确保设备安全运行是配网建设的基本任务。针对开关柜中背景复杂且目标遮挡严重的问题,文章提出一种融合空间信息的多尺度残差卷积检测算法。首先,利用多尺度残差卷积,降低目标遮挡导致特征提取不全的影响,再设置残差连接解决过拟合问题;然后,在深层特征图间增加改进的注意力机制,降低网络过深导致细节信息丢失影响,提高检测效果。最后,搭建自制开关柜异物数据集实验平台,实验结果表明,改进模型检测速度下降11FPS(frames per second),为72FPS,平均精度AP50为91.26%,AP@50:5:95为76.04%,分别提高2.59%和3.69%。并在输电线路异物与缺陷绝缘子数据集验证普适性算法,实验结果表明,改进模型检测精度均高于原始模型。     

基于深度学习的输电线路巡检图像绝缘子识别

绝缘子是输电线路无人机巡检的重要目标。为了快速准确识别巡检图像中的绝缘子,通过采集巡检图像,构造绝缘子数据集,提出了一种基于深度学习单阶图像识别框架（YOLOV3-SPP）的绝缘子在线识别模型。该网络模型在YOLOV3的模型上加入了SPP模块。通过在Pytorch环境下的训练和测试,结果表明：加入SPP模块后提高了检测的精确度,并可以快速有效地完成绝缘子识别定位。     

一种高效双路径注意力太阳电池缺陷检测网络

针对多晶硅太阳电池片缺陷尺度不一、跨度大、表面纹理背景复杂、缺陷微小微弱的特性,基于Yolov4提出一种新型检测框架EDANet,构建两个新型的模块：跨尺度空间增强模块（CGSE）和自校准压缩-激励模块（SCSE）。CGSE模块作为空间注意力以多尺度的形式将特征进行融合、抑制背景、突出前景、重加权特征图,引导网络学习正确的前景背景特征分布;SCSE模块以通道注意力的形式对高层特征的每个空间位置建立长距离依赖关系,通过显式合并信息帮助网络生成更多的辨识性表示,以区分微小微弱缺陷。实验结果表明：该网络的均值平均精度（mAP）值达到92.07%,在多晶硅太阳电池缺陷检测精度上有明显提升。     

基于深度学习的输电线路绝缘子缺陷识别

传统的绝缘子缺陷识别为人工识别,效率低下,成本较高。为此,提出一种绝缘子缺陷自动识别方法。首先,采用随机森林分类法进行图像分割,实现绝缘子的目标识别;然后,采用卷积神经网络的方法实现绝缘子正常和缺陷状态的分类;最后,使用Faster R-CNN分类器实现自爆缺陷的定位。以无人机拍摄的大量绝缘子图片作为试验数据进行验证,结果表明,该方法可高效识别出绝缘子缺陷,识别率达到91.0%。研究结果可为输电线路绝缘子缺陷识别提供参考。     

基于改进Unet的分布式光伏建筑物高精度分割方法

针对屋顶光伏资源评估中难以准确高效地获取建筑物屋顶区域的问题，该文提出一种基于Unet的FPN＿AttentionUnet语义分割网络，用于实现建筑物屋顶的高精度自动提取。该网络融合Soft-Attention注意力机制和双层特征金字塔FPN以提取准确的语义信息，精细化分割结果。Soft-Attention注意力机制用于处理和连接编码部分与解码部分的特征图；双层特征金字塔FPN融合解码部分不同尺度的特征图来获取不同尺度的特征信息。采用无人机获取苏州某区域上空的建筑物数据集和武汉大学WHU公开数据集分别进行训练，训练结果表明：与Unet、AttentionUnet、FPNUnet网络相比，该文提出的FPN＿AttentionUnet在建筑物外轮廓提取中具有更高的精度，有效提高边缘提取效果。在自制数据集中类别像素准确率CPA达95.56%，平均交并比MIoU达91.10%，在WHU公开数据集中分割效果同样优于其他对比网络，所提算法能够有效提升建筑物外轮廓边缘的分割精度。最后以河海大学常州校区为例，利用提出的算法从无人机图像中分割建筑物，评估指定区域的光伏发电量与光伏组件安装潜力。     

基于油色谱时频域信息和残差注意网络的变压器故障诊断方法

提出了一种基于油色谱时频域数据和残差注意力的变电站故障分类模型。对收集到的油色谱数据,计算其频域分量和时频域分量的特征比值,将所有数据作为网络的输入来训练网络;残差注意力网络通过跨层连接的方式来堆叠注意力模块,以降低网络的过拟合影响并提升模型训练速度,同时注意力模块能够重点关注对结果影响大的信息,进一步提高对变电站故障分类的准确度。通过实际数据验证了所提方法的有效性和性能的优越性。     

复合绝缘子的表面电场仿真与泄露电流实验研究

为了研究复合绝缘子盐污和受潮对绝缘子表面电场分布的影响,分析了绝缘子污秽发生闪络放电的原理。通过有限元分析软件ANSYS建立复合绝缘子模型,分析绝缘子在敷盐和受潮时导致电场分布畸变以及表面电场分布不均匀的影响。并通过实验研究绝缘子闪络电压和泄露电流值及其波形,试验结果表明复合绝缘子水滴和盐污影响表面电场分布,盐密度和湿度的增加会加大泄露电流值增大。     

基于SAM-WGAN-GP的短期风电功率预测

针对风电功率预测精度低且模型不稳定的问题，提出基于双阶段注意力机制生成对抗网络（SAM-WGAN-GP）的短期风电功率预测模型。首先，在生成对抗网络的生成模型中引入自注意力机制和时间注意力机制，通过自注意力机制自适应的选择输入特征，并通过时间注意力机制捕获风电数据时间序列的长时间依赖性；判别模型采用卷积神经网络，提高模型的预测精度。其次，将SAM-WGAN-GP网络的生成器损失函数和均方根误差结合作为目标函数，以提高模型的稳定性，同时为解决判别器缓慢学习的问题，引入双时间尺度更新规则（TTUR）以平衡网络的训练过程。最后，以甘肃省酒泉市某风电场的实际运行数据为例，验证SAM-WGAN-GP模型不仅能自适应选择输入特征，而且可捕捉风电数据的长时间依赖性，并提高预测精度。     

基于改进DeepLabv3+的含噪声热红外图像光伏热斑检测方法

光伏组件表面钢化玻璃会导致采集的热红外图像中带有反光噪声，其与热斑的特征相似，热斑检测中常出现误检。该文提出一种多尺度融合注意力机制的轻量化DeepLabv3+语义分割模型LD-MA(lightweight DeepLabv3+with multi-scale integrated attention mechanism)用于热斑检测。LD-MA基于DeepLabv3+网络架构，首先引用MobileNetV2作为主干特征提取网络，减小网络参数量以提高训练效率。然后设计多尺度特征融合模块并引入CBAM注意力机制，保留多阶段目标特征且强化对热斑目标特征信息和位置信息的学习。在自建光伏热斑数据集进行热斑检测实验，结果表明LD-MA模型参数量大幅减少，同时有效避免误检和漏检，在测试集中平均交并比（mIoU）和类别平均像素准确率（mPA）分别达到90.82%和94.39%。     

FAGAN：一种基于模型迁移与注意力机制的太阳电池缺陷图像对抗生成方法

缺陷微小微弱、数据样本规模不足等是制约太阳电池质量检测技术快速发展的瓶颈问题。因此，该文提出一种用于生成太阳电池缺陷图像的生成对抗网络模型FAGAN。该方法先在源域公开道路数据集上进行模型预训练提取跨域底层视觉特征，以提升FAGAN在目标域生成缺陷形式的多样性；然后设计了有效通道空间注意力ECSA，在空间与通道两个维度对缺陷特征进行增强，以提升微小微弱缺陷生成样本的质量。实验结果表明：该文提出的方法所生成的太阳电池缺陷图像的性能评价指标FID优于现有的梯度惩罚Wasserstein距离生成对抗网络（WGAN-GP）、深度卷积生成对抗网络（DCGAN）、循环生成对抗网络（CycleGAN）和样式生成对抗网络（StyleGAN）。     

基于GNBR算法的BP网络对绝缘子 运行状态预测研究

电力系统输电线路绝缘子运行中受到空气环境的污染,绝缘子表面污秽主要有大气中的盐密和灰密成分,不同地区不同环境下盐密和灰密对对绝缘子闪络电压影响具有非线性关系,为了较好辨识此非线性关系,运用基于GNBR算法的BP神经网络诊断该非线性关系,BP网络中采用GNBR算法,使网络具有很好的收敛性和很高的辨识精度,解决了BP网络局部最优、训练速度慢和辨识精度低的问题。实验结果表明设计的基于GNBR算法的BP神经网络能够很好地辨识绝缘子污秽对闪络电压的影响关系。     

融合元学习和双路径注意力的太阳电池缺陷生成

针对太阳电池缺陷图像数据少导致深度学习模型过拟合，从而造成小样本缺陷检测困难的问题，该文提出一种融合元学习和双路径注意力的生成对抗网络（MAGAN）作为数据增强策略。所设计的元学习调参模块（MTM）优化生成器中权重参数；所设计的双路径注意力模块（DPAT）在特征提取过程中更关注图像中微小微弱缺陷特征；在改进网络构架的同时提出一种聚类约束损失函数解决训练过程中梯度消失问题。实验和研究结果表明，所提方法能够针对小样本缺陷生成有效目标数据集并优于其他生成对抗网络，最后通过分类准确率验证了该网络的有效性。