基于深度学习的无人机自组网分层入侵检测方法

针对无人机自组网携带重要信息却容易受到各种攻击的问题,提出了一种分层检测响应的方案。首先采用端节点误 用检测方法,监测无人机行为并报告规则验证的结果。接着,地面站利用深度神经网络分类算法进一步优化验证结果。为抵 御如干扰、黑洞、灰洞等不同类型网络攻击提供了新的解决方案。最后,与 BRUIDS方案和分布式检测方案进行模拟分析和 实验对比。结果表明,相较于另外两种方案,方法在检测率方面的下降率均保持在10%以内,检测率高达93%以上。误报率 提升了1.2%,在检测攻击延迟方面与分布式方案相差无几,通信开销减少了约53.5KBps,且对未知攻击检测问题有显著 改善。     

基于特征增强YOLOv4的无人机检测算法研究

现有基于深度学习的目标检测方法在面对空中消费级无人机时,存在鲁棒性差、准确率不足等问题。 对此,提出一种基 于特征增强的 YOLOv4 目标检测方法—FEM-YOLOv4。 首先,针对无人机低、小、慢等特点,改进骨干网络,降低下采样倍数,充 分利用包含细粒度信息的浅层特征;其次,加入特征增强模块(feature enhancement module),通过使用不同空洞率的多分支卷积 层结构,综合不同深度的语义信息和空间信息,增强小尺度无人机的细节语义特征;另外,利用多尺度融合的特征金字塔结构, 突出特征图包含的细节信息和语义信息,提升模型对无人机目标的预测能力;最后,采用 K-means++算法对无人机目标候选框 的尺寸进行聚类分析。 与 6 种目标检算法进行对比,实验结果表明,FEM-YOLOv4 算法的 mAP 和 Recall 分别达到 89. 48%、 97. 4%,优于其他算法,且平均检测速度为 0. 042 s。     

对MIMO雷达角度欺骗干扰研究

根据MIMO雷达比幅法测角原理,提出了一种对MIMO雷达进行角度欺骗干扰的方法.此方法是在两点源相干干扰的基础上,根据MIMO雷达测角特点做出修正而成.在MIMO雷达相邻波束内布置2个干扰站接收雷达信号,进行调幅和调相后作为干扰信号转发出去,通过控制干扰信号的幅度和相位,使雷达测量的目标角度偏离真实角度,从而达到角度欺骗干扰的目的.理论分析和仿真结果验证了此方法的有效性.     

基于生成对抗网络的自爆绝缘子检测模型设计

随着输电线路的持续建设,无人机逐步代替人工成为巡线工作的主要工作方式。绝缘子在输电线路中具有重要作用,然而,因自爆绝缘子导致的事故尤为频繁,从大量的航拍图像中识别自爆绝缘子,是一个亟待解决的任务。在航拍图像中,大部分绝缘子数据均是无损绝缘子,自爆绝缘子数量较少,因而无法满足识别算法的训练要求。针对现有输电线路无人机巡检中自爆绝缘子数据量稀缺的问题,该文提出了一种基于生成对抗网络的自爆绝缘子检测模型。通过生成器和鉴别器的对抗训练,该模型仅使用无损绝缘子数据训练即能完成对自爆绝缘子的检测。在此基础上,该文优化了生成对抗网络的训练过程。通过引入指导网络,解决了生成对抗网络的模式崩塌问题,提高了对自爆绝缘子检测的召回率;通过对鉴别器的输入添加扰动,解决了生成对抗网络中的样本不均衡问题,提高了对自爆绝缘子检测的精确度。通过与其他异常检测算法的对比实验,证明了该文方法的可靠性。并通过对模型各部分的消融实验,证明了该文方法各部分的可靠性。实验结果证明,该生成对抗网络模型有效避免了传统生成对抗网络中的缺陷,完成了对自爆绝缘子的高效自动检测。     

基于深度学习的无人机巡检架空输电线路金具锈蚀缺陷检测方法

为了提升架空线路无人机巡检效率,提高架空线路金具锈蚀缺陷智能检测效率,提出了一种基于深度学习的巡检架空线路销钉缺陷检测方法。由于架空输电线路的金具锈蚀缺陷智能检测存在环境背景大、目标小、拍摄角度和拍摄光线差异大等特点,采用图像预处理算法拓充数据集,将MobileNet替换YOLO的主干特征提取网络来提升算法的泛化能力和鲁棒性,并用实际巡检图像进行实验测试。测试集验证中,当置信度阈值取0.5时,P为0.92、R为0.84、A_P为91.34%。结果表明,此方法对架空线路金具锈蚀缺陷有较好的检测效果,可以给设备健康状态评估提供参考。     

YOLOX-IM:一种无人机航拍视频的轻量化交通参数提取模型

在无人机航拍的过程中,背景更广阔,目标的尺寸更小,种类更复杂。提出一种基于YOLOX-s的轻量化无人机航拍目标检测算法YOLOX-IM。首先,为了提高该模型检测小目标的性能,通过使用切片辅助推理(slicing aided hyper inference, SAHI)算法以及坐标修正矩阵对训练集进行预处理和数据增强。然后,在路径聚合网络(path aggregation network, PAN)中引入一个浅层特征图以及超轻量级子空间注意模块,并添加一个检测头对小物体进行检测;最后,对边界回归的损失函数进行了优化。在VisDrone2019数据集的消融实验结果表明,所提出的模型检测精度与基础YOLOX-s相比高了8.13%;模型体积4.55 MB,相较于原模型下降67.14%。利用该模型在中国天津市渌水道进行实地交通监测的交通参数提取实验,在设定的场景中,当无人机航拍高度为50 m时,该模型的交通提取参数精度最高,达到96.14%。     

基于改进SSD 模型的无人机失效自启动寻找

无人机工作地形复杂多变,定位难度较高,如何有效提取无人机失效自启动寻找数据并进行异常数据的故 障诊断成为亟待解决的技术问题.针对该问题,设计了一种无人机定位技术方案,采用ARM＋DSP双核处理器实现 工程调查位置的定位,其中ARM 嵌入式处理器为ARM Cortex应用处理器,反应速度较快, 通过行波定位模块和 GPS模块实现工程异常信息的地理位置双重定位,在遇到障碍或异常情况时,通过行波定位模块实现故障特定目标定 位.试验结果表明,该方法定位能力好,故障分析误差小.     

基于深度学习的无人机电网巡检缺陷检测研究

由于无人机电网巡检存在检测区域面积小、背景复杂、计算量大等特点,导致深度学习算法的准确率和实时性难以实现。为实现无人机电网巡检的准确、快速识别,分析了各类深度学习算法在复杂环境下对绝缘子的检测效果,提出了一种基于YOLO v3的目标检测算法。首先选用ResNet18作为主干网络结构,然后构建一个多尺度特征金字塔,将其与主干网络进行融合,形成深度融合的电网巡检绝缘子检测模型,可在提高检测准确率的同时,满足实时性的检测要求。实验结果表明,YOLO v3网络的均值平均精度(mAP)达98.10%,相比于Faster R-CNN提高了6.71%;其每秒检测帧数高达47.52帧,分别是R-CNN和Faster R-CNN的25倍和12倍。所提的YOLO v3网络具有更优的识别精度和检测速度。     

基于卷积块注意模型的YOLOv3输电线路故障检测方法

针对航拍巡检图像中待检测目标易受复杂背景和部分遮挡影响而造成传统算法难以准确检测的问题,提出一种基于卷积块注意模型的YOLOv3输电线路故障检测方法.首先,在YOLOv3算法框架中融合卷积块注意模型来提升图像中故障目标区域的显著度;然后,通过引入高斯函数对非极大值抑制方法进行改进,降低存在部分遮挡目标的漏检率;其次,采...     

四旋翼无人机俯拍视角下的行人检测与轨迹追踪

针对无人机拥有更宽广拍摄视角和更灵活拍摄姿态的优势,为了实现并定量地评估现有的目标检测算法在无人机俯拍视角下行人检测和轨迹追踪的应用,构建了一种四旋翼无人机俯拍视角下的行人检测与行人轨迹追踪算法。该算法采用YOLOv5作为目标检测模型,使用四旋翼无人机实时采集的视频数据作为分析测试数据。检测中首先训练YOLOv5,通过对检测结果的统计,对无人机拍摄时的水平距离、垂直高度、行人运动姿态等参量进行定量分析验证,并在该算法绘制锚框的基础上勾勒出行人运动的轨迹曲线,从而实现了视频画面中行人运动的路径追踪。对实际拍摄的视频数据进行行人检测与轨迹追踪的结果表明,该算法在实际应用时对无人机俯拍具有15~20 m的截止高度arctan3至arctan4的截止角度和约20 m的截止距离要求,但受行人运动姿态的影响较小。该算法与其他常规目标检测算法相比性能较优,能有望用于对拍摄视角要求更宽广和拍摄姿态要求更灵活的场合。因此,本文基于YOLOv5实现了无人机俯拍视角下的行人检测和运动路径追踪,并定量分析计算出该算法在行人检测时的截止高度和截止距离要求,这对于实际中应用该算法开展无人机侦测或救援工作有指导意义。     

基于Visual Studio的无人机地面配置及检测平台设计

针对无人机飞控系统的参数配置及检测需求,在Microsoft.NET平台下,采用Visual Studio作为开发工具,设计了一种无人机地面配置及检测平台。实现了参数配置与检测一体化,并能动态测试和故障分析,促进了检测技术研究的深入。多次飞行结果表明,该平台运行可靠稳定、人机界面友好且操作方便,具有一定的实用性和推广价值。     

一种基于LSTM模型的电力负荷辨识方法

文中针对非侵入式负荷检测技术,提出了一种基于LSTM网络深度学习模型的负荷辨识方法。在该方法中,为避免电压、电流等信号的干扰,提出一种基于高斯窗移动变点寻优算法监测负荷事件,提取谐波分量作为负荷特征标签作为LSTM模型的输入,进而建立起内在信息间的映射关系,并依次进行模型的离线训练与负荷数据的在线辨识,实现对用电设备类型及其运行状态的精准辨识。经实验数据证明所提出的方法能准确完成对用电设备状态的辨识。     

基于改进的SSD模型手机违规使用目标检测*

针对某些对手机使用有特殊规定的场所时常面临难以准确、高效地识别手机违规使用的问题,提出了一种基于改进的SSD模型来检测手机的违规使用.利用SSD模型获取初次目标位置及区域分类,并利用改进的DenseNet模型对初次目标框进行判定,从而获得精确的手机检测边界框.为改进数据预处理流程,采用了数据扩增与图像质量改善相结合的策...     

一种基于图像融合的测井电成像动态图像生成方法

针对测井电成像仪器采集的地层电导率数据在动态图像生成过程中,相邻窗口之间的过渡区域出现明显台阶的问题,设计了基于拉普拉斯金字塔的图像融合方法,在台阶处上下灰度图像生成和逆向扩展等预处理步骤的基础上,采用OpenMP并行架构,并行地执行整个井段上多个台阶处上下扩展后的图像混合。在不同地质类型的四口井电成像数据上的实验结果为动态图像的台阶现象得到了有效消除,图像过渡更加自然,且运算速度较串行计算提升了约4倍。结果表明,相比于基于网格变形的二维图像渐变方法,所提方法更加简单、高效,具有更大的推广应用价值,为电成像数据的后期解释处理提供了保障,使电成像测井仪器更好地服务于油田的勘探开发。     

基于改进自注意力机制生成对抗网络的智能电网GPS欺骗攻击防御方法

为了避免全球定位系统欺骗攻击(GSA)对相量测量装置造成的危害,提出了一种基于改进自注意力机制生成对抗网络(SAGAN)的智能电网GSA防御方法.首先,通过引入深度学习参数,构建了改进网络-物理模型,利用历史数据计算得到当前时刻的量测值.然后,在SAGAN的生成器和判别器网络中分别融入一个时间注意力模块,提出了一种用于实现网络-物理模型的改进SAGAN防御方法.通过训练改进SAGAN,得到一对判别器和生成器,利用判别器检测采集的量测值是否遭受GSA,当检测到攻击时,利用生成器生成的数据替换欺骗数据,从而实现智能电网对GSA的主动防御.最后,基于IEEE 14节点和IEEE 118节点系统进行仿真测试,结果验证了所提方法的可行性和有效性.     

基于改进EfficientDet的药丸检测算法

针对药剂师在药丸分拣过程中因疲劳而出错的问题,本文提出了一种基于改进EfficientDet的药丸检测算法。首先,引入Mosaic数据增强技术来提高采样数据的复杂度;然后,对主干网络EfficientNet进行改进优化,嵌入了CBMA模块的特征融合层,通过增强学习特征提高对药丸关键特征的提取能力;最后,对BiFPN特征融合部分增加了下层到上层的跨级数据流,通过充分利用多级数据,提高了不同层次的多尺度特征融合效率。实验表明,改进后的EfficientDet算法在测试中mAP值达到99.84%,相比较原始EfficientDet算法提高了0.65%,同时也比YOLOv3,YOLOv4和YOLOv4-Tiny等性能较好的目标检测网络具有更高的准确率和更好的实际应用性。     

无人机巡线的紫外放电检测研究

针对无人机巡线中输电设施放电问题,推导了紫外放电检测链路模型并使用光电倍增管设计了紫外放电检测系统。使用紫外放电检测系统进行放电检测实验,实验结果表明,系统探测信号与放电信号高度重合,系统探测信号强度与放电信号的强度呈现良好的线性相关;同一探测距离不同探测位置探测得到的信号峰值与探测平均值的相对误差小于3%,即探测信号强弱与探测距离有关,与探测位置无关;不同探测距离下模型计算的理论值与实际探测值具有一致性,之间的相对误差最大为15.7%,验证了模型的正确性。该成果对无人机巡线时的紫外放电检测有一定的指导意义。     

基于深度学习的目标检测算法综述

传统的目标检测算法及策略已经难以满足目标检测中数据处理的效率、性能、速度和智能化等各个方面要求.深度学习通过对大脑认知能力的研究和模仿以实现对数据特征的分析处理,具有强大的视觉目标检测能力,成为了当前目标检测的主流算法.首先回顾了传统目标检测的发展以及存在的问题;其次介绍以R-CNN为代表的结合region proposal和卷积神经网络(CNN)分类的目标检测框架(R-CNN、SPP-NET、Fast R-CNN、Faster R-CNN);然后介绍以YOLO算法为代表的将目标检测转换为回归问题的目标检测框架(YOLO、SSD);最后对深度学习的目标检测算法存在的问题做出总结,以及未来的发展方向.