混凝土坝面交叉作业安全风险智能识别方法

为快速准确识别混凝土坝面作业风险，针对坝面交叉作业复杂场景特征，基于YOLOv8网络，提出了一种混凝土坝面交叉作业安全风险智能识别方法（YOLO-CDSRI）。首先，采用跨阶段局部网络（CSPNet）和快速空间金字塔池化模块（SPPF）构建主干网络，提高模型对图像中安全风险的态势感知能力。其次，针对小目标安全风险的误识别、漏识别问题，引入双向特征金字塔网络（Bi FPN），经双向跨尺度连接和加权特征融合，增强风险特征间的信息耦合，提升模型对小目标安全风险的关注度。最后，以Wise-IoU为边界框回归损失函数，结合动态非单调聚焦机制，利用“离群度”评估锚框质量，避免标注框几何因素对模型的过度影响。研究表明：经500次迭代训练，YOLO-CDSRI的综合性能优于YOLOv5s、SSD和Faster-RCNN模型，可为智能识别混凝土坝面交叉作业安全风险提供技术支撑。     

面向混凝土坝施工管理的知识图谱智能构建

混凝土坝施工管理知识多以文本的形式记录存储,具有数据量大、碎片化严重、层次性差等特点。本文从非结构化文本数据中智能挖掘施工知识,理清知识间的逻辑关系,提升知识的应用效率是混凝土坝施工管理面临的重要问题。本文提出一种混凝土坝施工管理知识图谱智能生成方法,将海量文本数据转化为可直接利用的知识。融合字词向量、BiLSTM-CRF(Bi-directional Long Short-Term Memory-Conditional Random Field)网络、Attention机制,建立混凝土坝施工管理实体智能识别模型,强化施工实体特征,获取混凝土坝施工管理文本中的实体词语。结合已识别的施工实体,定义实体间关系类型,利用互信息提取实体关系,组合形成施工知识链,构建混凝土坝施工管理知识图谱。该方法应用于实际混凝土坝施工管理文本分析中,经过计算得到混凝土坝施工管理实体智能识别模型的F1值为92.48%,优于其他实体识别模型;利用已识别实体间的关联关系,建立了混凝土坝施工管理知识图谱,形成基于知识图谱的施工知识检索机制,实现施工知识的快速提取,提高了施工知识的应用效率。     

基于改进 ResNet18 的干香菇等级识别

为解决干香菇等级识别技术复杂及识别精度不高的问题,提出了一种基于残差神经网络ResNet18的干香菇等级识别方法。首先将传统的ResNet18中Stem的7×7卷积层替换为3个3×3卷积层串联,保证在感受野保持不变的情况下进一步减小计算量;其次针对残差块中线性变换和非线性变换不足的问题,引入融合非对称卷积和h-swish激活函数,增加了模型的复杂性,使其能够进行更深层次的特征学习;最后在ResNet18骨干网络中引入高效通道注意力机制,加强模型提取特征的能力。实验结果表明,改进后的ResNet18网络模型准确度达97.04%,相比ResNet18网络模型方法提升了4.81%,且性能优于VGG16、MobileNetV2、DenseNet121、ResNet34等网络模型方法,可提高干香菇等级的识别精度,单幅图像的检测时间为5.91 ms,对干香菇智能分拣过程中的等级识别具有借鉴意义。     

基于CS-YOLOv5s的无人机航拍图像小目标检测

无人机航拍图像存在小目标分布密集且目标尺度变化大等检测难点,本文提出一种面向无人机航拍图像小目标的跨尺度目标检测模型—CS-YOLOv5s。首先,在YOLOv5s基础上,引入小目标检测器,提高模型对小目标的捕捉能力;进一步,将最大池化分支嵌入上下文增强模块,提取并增强骨干网络尾部的深层特征,再注入PANet,实现深浅层特征有效融合和模型跨尺度检测能力的提升;同时采用SPDConv模块替换下采样卷积模块,实现无人机航拍图像中密集目标高效检测。实验表明,CS-YOLOv5s在数据集VisDrone2019达到42.0% mAP0.5,较基准模型提升9.8%,有效增强网络模型对无人机航拍图像小目标的识别能力,为无人机目标智能识别提供支撑。     

碾压混凝土坝仓面压实质量5D可视化馈控研究

为满足碾压混凝土坝施工质量精细化控制要求，研发了碾压混凝土坝仓面压实质量5D（三维位置、时间和质量参数等5维）可视化馈控系统。首先，提出基于AutoCAD/OpenGL的施工期3D快速建模方法，方便施工一线技术人员构建坝体施工单元3D信息模型，可精确表现随仓面施工进度推移而叠加演变的坝体形态，并有效显示施工阶段坝体实体信息；其次，基于仓面实时获取的碾压工艺参数，建立了基于BP-ANN的碾压层压实度计算模型，给出碾压混凝土坝压实质量全仓面智能评价方法，远程3D模型上可实时显示碾压层施工质量数字可视化云图，并形成Web在线碾压质量报告，实时指导施工人员针对欠碾区域及时补碾修复和再评价，实现了智慧施工。研发系统应用于工程实际，验证了其可靠实用性。     

混凝土坝施工文档实体知识智能挖掘方法

混凝土坝施工信息多以文档文本的形式呈现,其体量大、分布广、内在关系复杂,人工操作难以准确、高效地提取信息知识内容,理清错综复杂的施工信息关系.在自然语言处理技术中,命名实体是文本信息知识的载体,实现精确快速的实体识别是施工知识挖掘的重要前提.本文提出一种融合深度学习与关联规则技术的混凝土坝施工文档知识智能识别及挖掘分析...     

面向电力系统现场作业的安全风险管控智能检测算法

针对电力现场作业下的安全管控存在场景复杂、目标多样且部分遮挡而导致智能安全监测困难的问题，提出一种基于YOLOv7-Tiny的改进算法。首先，搭建了YOLOv7-Tiny检测网络，并在该算法框架中融合通道重组的注意力机制，从而有效提升通道之间的交互能力，增强复杂场景下目标区域的显著度；其次，在特征融合阶段，构建基于残差跳连的多尺度特征融合结构Res-PANet(Residual Path-Aggregation Network)来有效融合多尺度目标，提升场景中的多目标检测能力；同时，在模型的输出检测头中结合Swin-Transformer模块，提升模型的感受野，增强模型对特征图的全局感知，提高模型在部分遮挡情况下的检测能力；接着，在训练时采取改进的Mosaic数据增强方式，提升小目标的分布数量，达到丰富目标场景、提高模型泛化能力的目的；最后，以电力人员安全帽及安全服的穿戴、电力围栏以及电力警示牌为安全作业的监测对象进行改进算法的验证，同时采取基于Score-CAM的热力图分析进一步验证模型改进的有效性。实验结果表明：融合改进模型的平均检测精度达90.1%，图像检测速度为46帧/s，在嵌...     

基于边缘智能的输电线路异常目标高效检测方法研究

输电线路异常目标所导致的故障已经成为造成输电线路停运的主要原因,对社会造成极大的经济损失。然而由于输电线路边缘侧设备算力、供电、通信资源受限,仍需将图像定时(如间隔30min)发送至数据中心进行处理,导致数据中心负荷重,检测漏报率高,应急处理能力严重不足。为此,文章构建了基于边缘智能的输电线路异常目标检测架构,并提出一种针对输电线路场景复杂背景复杂形状的异常目标检测模型,该模型基于改进型MobileNetv3网络精细化提取异常目标特征信息,然后利用多尺度目标检测网络YOLOv3融合高低维特征信息提升识别精度。进一步地,针对资源受限的边缘终端,基于贡献度感知通道剪枝策略,实现模型轻量化压缩,得到轻量化输电线路异常目标检测模型。最后,为了验证文章所提模型性能,与系列典型边缘侧模型进行对比实验,实验结果表明文章模型识别精度、推理速度均取得优异表现,并具备良好的泛化性和鲁棒性,实现了输电线路异常目标边缘侧高效检测。     

基于改进ResNet34网络的变电站设备巡检图像分类识别的方法

针对变电站设备巡检图像识别领域中存在的图像规模有限和识别准确率低等问题,提出了一种基于改进ResNet34网络的图像分类识别方法。采用Seam Carving算法对图像中的低能量区域进行压缩以保留关键特征;同时使用弹性变换、高斯噪声等6种图像增强技术来增强图像的多样性。将基础ResNet34网络与卷积注意力模块结合,增强模型对设备巡检图像关键特征的提取能力。使用在ImageNet数据集上的预训练模型作为迁移学习的特征提取器来解决样本数量不足的问题。在Adam优化器中引入余弦退火策略来动态调整学习率使改进的ResNet34网络更快收敛至最优解。试验结果表明所提方法比基础ResNet34网络的准确率提升了0.073 3,损失率降低了0.201 9,为变电站设备巡检图像识别领域提供了一种可靠的解决方案。     

面向多尺度多方向螺栓的检测算法

在工业建设中,螺栓零件是关键的连接件之一,通常用于连接大型机器设备和构件,如钢结构、桥梁、高速公路、建筑、石 油管道等。 其安装状况的优劣将直接关系到整个设备或结构的稳定性和可靠性。 然而,螺栓的安装位置常常处于狭窄、复杂的 环境中,利用人工检测不仅难度大,效率低,而且容易出现误判和漏检的情况。 为此本文以 Faster R-CNN 为基础开展螺栓零件 的识别研究。 针对螺栓零件检测的难点,提出了一种基于多尺度多方向螺栓的检测算法。 首先对采集到的图像进行扩增,以提 高数据集的多样性;其次,通过改变主干网络增强模型对特征信息的敏感程度,再利用多尺度融合模块加强模型对小目标的检 测;在预测框生成阶段,提出自适应旋转区域建议网络,以获取最优预测框;最后,针对多方向检测中出现的边界不连续的问题, 通过 Gaussian Wasserstein 距离和焦点损失作为损失函数来代替传统的 Smooth L1 损失函数。 螺栓零件的识别实验结果表明,改 进后的 Faster R-CNN 模型 mAP 值能达到 87. 4%,相比于原始 Faster R-CNN 模型 mAP 值提升了 7. 6%。 通过消融实验可以得 出,改进后的 ResNet50 网络相较于原始 ResNet50 网络的 AP 值提升了 0. 2%。 与其他旋转检测模型在相同数据集上进行比对 得出,本文提出的模型 AP 值更高,鲁棒性更好。 本文所提出的模型可以解决螺栓零件在识别任务中因拍摄角度和复杂环境出 现的问题,缓解了因图像尺度和旋转边界不连续带来的问题。     

融合通道与位置信息的ResNet细粒度图像识别

在细粒度视觉识别(FGVR)领域,由于高度近似的类别之间差异细微,因此图像细微特征的精确提取对识别的准确率有着至关重要的影响。针对该问题,提出了融合通道与位置信息的残差网络(ResNet)细粒度图像识别算法。首先,通过引入超轻量化空间与位置感知注意力模块(ULSLAM)改进的ResNet细粒度图像特征提取网络,提高了细粒度图像特征尺度丰富性与多样性且有效增强了上下文特征非线性依关系;其次,使用融合通道与位置信息特征学习网络,利用权重方差度量获得特征提取网络显著特征以馈送到识别器进行最终有效识别,而后通过抑制因子抑制显著特征用于下阶段特征提取网络对细微特征进行提取。实验结果表明,该算法在数据集CUB-200-211上达到89.60%的top1准确率、98.65%的top5准确率;在数据集Stanford Cars上达到94.93%的top1准确率、98.93%的top5准确率;在FGVC-Aircraft数据集上达到93.80%的top1准确率、98.20%的top5准确率。     

基于融合注意力机制的小样本遥感场景分类方法

针对遥感场景图像样本获取困难，数据量受限以及遥感图像目标对象和背景高度混杂的问题，提出一种基于融合注意力机制的小样本遥感场景分类方法。该方法采用RepVGG作为基准模型，并利用ECANet网络的ECA通道注意力机制改进RepVGG网络的RepVGGBlock模块，使得网络有效过滤无用信息并聚焦于关键场景区域，从而增强模型的特征判别能力，并确保在不增加模型参数的情况下提高分类准确率；同时通过随机数据增强方法在线增强训练数据，在不占用额外内存的情况下增加模型训练数据量，使得训练数据更多样化，提高模型的泛化能力。在UC Merced LandUse数据集上分类平均准确率为94.52%,相较于ResNet50、RepVGG-B1-SE网络，准确率分别提高4.52%和2.93%。实验结果表明，该方法能有效聚焦关键场景区域并提升小样本遥感场景分类的准确率，对实现遥感影像快速分类具有一定的参考意义。     

基于SE-ResNet34的红火蚁巢穴判别模型

红火蚁是近年来侵害我国南方的主要外来入侵物种之一,精确识别红火蚁巢穴是防控红火蚁的关键所在。为解决传统红火蚁防控依赖人工巡视、高危险、效率低的问题,降本增效实现红火蚁巢穴的智能检视,提出了一种基于ResNet34改进的红火蚁巢穴判别模型。该模型借助采集于不同地貌特征下的红火蚁巢穴图像,结合数据增强技术进行训练,通过在ResNet34的第1层卷积层之后和全连接层之前加入SE注意力机制模块,提升网络的自适应选择和通道权值调整能力,以提取红火蚁巢穴表面局部非线性的纹理特征。经过K折交叉验证试验和超参数探究消融试验,将SE-ResNet34与AlexNet、VGG-16、ResNet18、ResNet34、ResNet50进行对比,分析得出SE-ResNet34的峰值准确率达到了98.76%,比ResNet34的准确率提高了2.17%,较其他测试模型有训练时间短、识别精度高的特点,同时展现出较强的鲁棒性和稳定性。该方法在减少人工成本的同时可降低杀虫剂的使用,为红火蚁巢穴判别提供了一种便捷高效的解决方案。     

用于红外与可见光图像融合的注意力残差密集融合网络

为了解决当前红外与可见光图像融合算法中易出现场景信息缺失、目标区域细节模糊、融合图像不自然等问题,提出一 种用于红外与可见光图像融合的注意力残差密集融合网络(ARDFusion)。 本文整体架构是一种自编码器网络,首先,利用存在 最大池化层的编码器对源图像进行多尺度特征提取,然后,利用注意力残差密集融合网络分别对多个尺度的特征图进行融合, 网络中的残差密集块可以连续存储特征并且最大程度地保留各层特征信息,注意力机制可以突出目标信息并获取更多与目标、 场景有关的细节信息。 最后,将融合后的特征输入到解码器中,通过上采样和卷积层对特征进行重构,得到融合图像。 本文提 出了一种用于红外与可见光图像融合的注意力残差密集融合网络,实验结果表明,较已有文献的其他典型融合算法,具有较好 的融合效果,能够更好地保留可见光图像中的光谱特性且红外目标显著,并在主观评价和客观评价方面都取得了较好的融合 性能。     

基于改进YOLOv5的输电线路绝缘子 识别方法

针对输电线路绝缘子识别准确率低、识别花费时间长的问题,提出一种改进的YOLOv5绝缘子识别方法。首先,通过引入超分辨率卷积网络提升数据集中图像样本质量;其次,通过引入k3-Ghost结构替换原始网络BCSP模块中的普通卷积,减少模型主干网络参数量,在主干网络尾部引入SENet注意力模块,加强模型对于通道信息的关注提升目标检测性能;在颈部网络引入DC-BiFPN结构替换原始结构,对不同尺度特征赋予不同权重以使多尺度特征进行更好的融合,提升绝缘子识别效果。最后,使用CIOU作为回归损失函数,加快网络收敛速度。实验结果表明：本文提出的方法在保证绝缘子识别准确率的同时拥有更高的识别速度,检测准确率达到89.5%,检测速度达到35.7FPS,验证了改进方法的有效性。     

复杂地质条件下沥青混凝土心墙坝风险识别方法

针对复杂地质条件下沥青心墙坝风险识别问题,本文从“三高一深”复杂地质条件、沥青混凝土心墙和传统土石坝三个风险维度,系统建立沥青混凝土心墙坝风险指标体系。针对主客观信息融合不充分问题,本文采用三角模糊层次分析法（TFAHP）确定风险指标主观权重,通过指标重要性评价法（CRITIC）确定其客观权重,并利用博弈论法（GT）计算最优组合权重,构建基于TFAHP-CRITIC-GT组合赋权模型的沥青心墙坝风险智能识别方法。实例分析表明,新疆奴尔沥青心墙坝工程复杂地质条件风险指标权重占比0.516,是该工程的重要风险因素。综合考虑复杂地质条件风险对于准确识别沥青心墙坝风险因素具有重要工程意义,本文提出的指标体系及识别方法对于西部地区复杂地质条件大坝风险识别及评价研究具有推广价值。     

基于Faster R-CNN的绝缘子识别探索和应用

基于可见光图像的绝缘子识别是电网智能巡检设备识别的最重要的任务之一。电网智能巡检采集的图片存在着有效样本稀缺及场景多样性等问题,极大地限制了深度学习等技术在电网设备智能识别上的应用。本文基于深度学习对轻量级的多来源图像样本数据进行了绝缘子识别的探索和应用。首先,阐述了基于深度学习的目标识别算法发展过程,并着重介绍和对比了区域卷积神经网络(region-convolutional neural network,R-CNN)、快速区域卷积神经网络(fast region-convolutional neural network,Fast R-CNN)和更快区域卷积神经网络(faster region-convolutional neural netw ork,Faster R-CNN) 3种用于目标识别的深度学习模型。然后,通过对来源于不同场景的百量级绝缘子图像进行实验,验证了Faster R-CNN模型在百量级图像中和可用性和鲁棒性。本文的研究和实验为深度学习技术在电网各类设备图像目标识别上的推广和应用探索了一条有效路径。     

基于改进YOLOv7的输电线路绝缘子设备及其缺陷检测算法

针对输电线路无人机巡检中绝缘子设备及缺陷图像检测过程中存在的绝缘子目标尺寸变化大、缺陷目标尺寸小、背景复杂干扰多和难易样本不平衡等问题,提出一种基于改进YOLOv7的绝缘子设备及缺陷检测算法：1）针对绝缘子缺陷目标尺寸小问题,在YOLOv7特征提取网络浅层引入卷积注意力机制,聚焦缺陷;2）针对绝缘子目标尺度变化大问题,在YOLOv7特征提取网络底部引入感受野增强模块,提取不同尺度目标特征;3）针对背景干扰问题,改进YOLOv7特征融合网络,在顶部引入显示视觉中心模块,同时关注全局信息与局部信息;4）针对难易样本不平衡问题,使用Focal-EIoU损失替换YOLOv7坐标回归损失。在合并的绝缘子及其缺陷无人机图像公开数据集上,该算法的多类目标检测精度均值达到了97.36%。     

基于改进的残差网络面部表情识别

为了解决人脸表情识别中存在的对关键信息获取能力不足、识别率偏低、模型容易出现过拟合等问题，以ResNet18作为基本网络进行改进得到一个新的表情识别模型(IERNet)。IERNet通过引入ECA注意力机制构建出两种不同的注意力残差单元，并组成注意力残差模块，从而增强对深层的表情关键特征的提取能力；又引入Iception模块来提取图像的多尺度浅层信息，通过同时引入这两个模块的方式增强了网络的鲁棒性、提升了模型的识别率；最后使用全局平均池化结合Dropout技术取代全连接层，可以有效防止模型的过拟合问题同时还能简化模型。通过实验数据可知，在公开表情数据集CK+和FER2013上取得了不错的成绩，准确率分别达到了97.778%和73.558%。     

稠密电力场景中的双目复空间立体定位与识别方法

为解决数字孪生三维运检中小尺度、复杂多目标电力设备的精准定位、语义关联及类型识别问题,构建了二维平面视觉三基色和深度维(three primary colors and depth dimension,RGB-D)的复数空间融合模型。通过提取稠密电力场景下二维图像三基色、纹理和双目立体三维图像深度等多要素的像素灰度值特征,在RGB-D复空间中对小尺度、遮挡及倾斜设备的3个特征要素进行了表征。采用要素线性叠加融合的方式实现目标体空间结构表达,并利用复空间要素归一均衡化增强了目标体的深度特征,从而达到小尺寸、复杂多目标体的空间定位量化目的。在此基础上,基于优化非极大值抑制(optimizednon-maximum suppression,NMS)算法对目标定位映射结果进行了优化筛选,经过鲁棒分析得知,该方法具有较强的抗遮挡鲁棒性。以隔离开关、断路器等设备为对象的实验结果表明:该方法相对于传统目标检测方法不仅在目标的定位与识别准确率方面得到显著提高,且在应对稠密电力场景中设备复杂遮挡解决方面具备较大优势,可有力促进电力数字孪生化的理论和技术发展。