数字乳腺层析图像纹理特征联合提取与识别

为提高乳腺组织图像特征提取的正确率,结合灰度共生矩阵纹理特征与Tamura纹理特征,给出一种联合提取与识别算法。采用双边滤波、受约束限制自适应直方图均衡和L0梯度滤波,对数字乳腺层析图像进行预处理,滤除其噪声并提高对比度;同时考虑灰度共生矩阵与Tamura纹理特征,通过增加特征值维度,将两者融合入一个矩阵之中,并依据特征选择规则提取最适特征;用支持向量机对特征向量分类。与仅依赖其中一种纹理特征的提取算法相比,所给算法可提高特征提取与识别正确率,从而更好地实现图像分类。     

基于特征识别的变电站消防监控图像处理方法

为了能够在较短时间识别变电站火灾并发出报警,提出了一种基于特征识别的K-means聚类图像处理方法。通过远程传输获得变电站消防监控图像并提取HSI特征,采用欧氏距离法对HSI特征进行K-means聚类并分割图像子集。通过样本熵信号处理算法识别火灾子集和类火灾子集熵值,实现变电站火灾的精准辨别。结果表明：T_PR为100%,F_RP为4.44%,火灾识别并报警时间为15.21 s。该方法不但规避了漏检风险且具有较强鲁棒性,能够迅速、精准地识别变电站火灾,有效提高了变电站消防安全的管理能力。     

车辆图像稀疏特征表示及其监控视频应用

针对传统车辆图像特征在复杂场景下响鲁棒性和泛化能力低的问题,提出了车辆图像稀疏特征表示方法,并实现了基于稀疏特征的车辆图像支持向量机线性分类器,构建了基于稀疏特征和背景建模的监控车辆分类识别应用框架。与传统方法相比,该方法将车辆图像表示成字典集的低维稀疏线性组合,提高了特征表示泛化能力,能适应实时性监控视频分析的需求。实验结果表明,基于稀疏特征的车辆识别准确率比传统方法明显提升,并在低分辨率、阴影、遮挡等复杂场景下有较好的鲁棒性。     

基于YOLOv5s和Android部署的电气设备识别

针对变电站多种电气设备实时检测的需求,提出了一种基于改进YOLOv5s的电气设备识别方法,并设计基于Android部署的电气设备识别APP,以便对电气设备进行识别与学习。以电力变压器、绝缘子串等6种常见变电站电气设备为例构建图像数据集。数据集进行图像预处理后对YOLOv5s算法进行改进。通过引入C2f模块提高小目标检测精度,采用Soft-NMS提高检测框筛选能力,减少漏检和误检的情况,使用改进后的算法对数据集进行模型训练。将训练好的识别网络模型通过TensorFlow Lite框架进行模型部署,设计电气设备识别APP。经验证,改进后的变电站电气设备识别网络模型mAP稳定在91.6%,与原模型相比提高了3.3百分点。部署后的APP具有设备识别和设备介绍等界面,使用移动端进行识别时每张图片识别时间都小于1 s,具有较快的识别速度和较高的识别精度,可以高效地实现变电站电气设备的实时检测与设备学习。     

基于空谱联合的医学图像分类方法

为有效提高显微高光谱数据的利用率,提高分类精度,提出了一种联合显微高光谱空间信息和光谱信息的分类方法。首先,提取图像空间特征,包括Gabor特征等;其次,将空间特征和光谱信息联合,并使用短时傅里叶变换将其转化为二维图像;最后,使用卷积神经网络来提取空谱联合特征,实现分类。实验采用血细胞的显微高光谱图像作为数据集进行测试。实验结果表明,总体的分类精度可达98%,Kappa系数为0.973。相比于传统利用光谱信息分类的算法,在分类精度上有较明显的提升,这将为医学图像分类识别提供新的思路。     

基于SOM的变压器绕组和铁芯故障诊断

为了实现变压器故障的直观分类和故障识别,在分析变压器振动机理的基础上,提出一种基于自组织特征映射(SOM)神经网络的变压器故障检测方法。首先利用集合经验模式分解(EEMD)方法提取变压器不同运行状态下振动信号的特征矢量,以其表示变压器运行状态,降低故障分类和识别时运算量。然后通过采用SOM网络自组织学习算法,不断学习样本的特征矢量确定故障隶属函数,从而可以快速有效地诊断变压器的故障类型。试验结果表明,该方法可实现对变压器正常状态、绕组轴向变形、绕组径向变形、铁芯故障4种状态分类,并对测试样本进行快速的模式识别。     

基于SOM神经网络的变电站设备红外热像诊断研究

提出了基于自组织神经网络(SOM)判别变电站设备热故障类型的红外图像诊断方法.采用了最大类间差法(OTSU)对电力设备红外热像进行了分割处理,从中提取出包括设备红外热像的温度特征值、Zernike不变矩等12个参数,以此作为设备状态识别的信息输入量,将设备的状态分类信息作为输出向量.通过训练56组红外热像数据,确定了SOM神经网络识别模型中的参数值.试验结果表明:该方法可用于变电站设备状态诊断,相对于传统的神经网络方法的诊断结果,该方法对设备运行状态评估的准确率高达85.7%,如将诊断模型产生的可疑状态列入故障状态,则故障的诊断率可达到95%以上.     

RGB-D图像三维特征点的保结构检测方法

针对颜色-深度图像(RGB-D)特征融合困难、联合识别效率低的问题,提出了一种三维特征点的保结构检测方法,为图像配准、三维重建、目标识别与分类等问题提供稳定特征点.该方法利用透视投影在二维像平面上描述物点,建立了物点的三维保结构模型.基于扩散方程和尺度空间的联系,利用有限差分法将深度信息融入尺度空间中,给出了RGB-D尺度空间的一种表示方法.依据特征点与高斯拉普拉斯函数极值的对应关系,在RGB-D尺度空间上检测极值,获取了图像的保结构三维特征点.实验结果表明,与二维尺度不变特征转换(Scale-Invariant Feature Transform,SIFT)方法相比,RGB-D图像三维特征点的保结构检测方法有效融合了物体表面的颜色和结构信息,能够检测并匹配更多的图像特征点.     

基于Mask R-CNN与改进BP神经网络联合算法的变压器套管红外热故障诊断

为解决传统图像类算法在变压器套管状态诊断时存在的效率低、准确度不高以及复杂背景下变电设备目标识别困难等问题，提出了将Mask R-CNN与改进BP神经网络相结合的套管红外图像状态诊断方法。首先，利用Mask R-CNN解决套管红外图像背景复杂时分割困难的问题；其次，基于灰度特征的特征量提取方案，实现对红外伪彩图特征量的提取；最后，引入粒子群优化BP神经网络（PSO-BP）算法对变压器套管特征进行分类识别。实验结果表明，该方法对红外图像中套管的运行状态具有较好的检测效果，对套管中介质损耗故障、接头故障和漏油故障的故障诊断准确率分别可达100.0%、88.9%和96.3%，平均准确率达到93.518%，优于传统BP算法和支撑向量机（SVM）算法。     

模式分类中的特征融合方法

特征融合方法是模式识别领域的一种重要方法.计算机视觉领域的图像识别问题作为一种特殊的模式分类问题,仍然存在很多挑战.特征融合方法能够综合利用多种图像特征,实现多特征的优势互补,获得更加鲁棒和准确的识别结果.笔者基于信息融合理论分析了特征融合方法的原理,介绍了特征融合方法的研究现状,讨论了特征融合与3类主流基础理论相结合的方法,其中基于贝叶斯理论的特征融合算法可以实现多特征的融合决策,基于稀疏表示理论的特征融合算法能够得到多特征的联合稀疏表示,基于深度学习理论的特征融合算法能够强化深度神经网络模型的特征学习过程.     

基于ReliefF的时频联合特征及随机森林的配电网电缆故障识别方法

提出一种基于ReliefF算法的时频联合特征及随机森林的配电网电缆故障识别方法. 针对零序电压,从时域和频域构造23个故障敏感特征,采用ReliefF算法进行特征选择,得到最具分类能力的特征子集. 将特征子集作为基于随机森林的输入进行训练,得到最终的分类模型,实现了电缆故障类型识别. 所提方法与基于单一特征的方法相比,能够更加充分地挖据数据潜力,同时由于采用ReliefF算法筛除了无关特征,提高了算法效率. 最后采用Matlab软件进行仿真,并与决策树、KNN、SVM等算法进行比较,仿真结果验证了所提方法的可行性和高准确性.     

Petri网理论在变电站故障诊断中的应用

为提高变电站故障诊断的效率,本文以Petri网络模型中的库所表示变压器、开关、继电器等电力设备,以Petri网络模型中的变迁表示开关、继电保护等的动作情况,对应实际生产中的具体设备,整个诊断过程通过矩阵运算实现,使得诊断结果更有针对性,实际运算速度更快,诊断正确率有所提高,从而对故障信号具有更强的识别能力。     

赤潮藻显微图像自动识别方法

利用藻种细胞生物形态差异进行图像分析是浮游生物显微图像识别的一种有效方法,但存在藻种库单一、局部生理特征难以形式化描述等难题。为了克服以上难题,将赤潮藻显微图像识别分解为精确分割、特征提取、特征降维和分类诊断四个渐进识别过程。采用多方向投影积分的方法定位分割出细胞目标,进一步对顶刺和横沟细节区域实现了精细分割;将藻种生理特征与机器识别特征一一对应,依次对形状、不变矩、纹理和局部形态两级特征进行了有效地特征提取和描述;采用支持向量机多类别分类模型进行分类识别。研究结果表明,该方法能准确分割目标,可对不同角度拍摄的15类藻种细胞显微图像完成快速分类。     

基于骨架提取的航拍绝缘子图像分步识别方法

在无人机电网巡线的研究中,为提高绝缘子识别的正确率,结合航拍图像和绝缘子串的特点,提出了一种粗细定位相结合的航拍绝缘子图像分步识别方法。利用灰度化和图像增强对绝缘子图像进行预处理,基于形态学算法和连通域思想改进传统最大类间方差(OTSU)阈值分割算法并分割图像背景;提取绝缘子图像骨架,针对绝缘子串骨架为一条近似直线的特点及与其他输电设备(如杆塔等)骨架的差异,通过检测直线进行绝缘子串粗定位;计算粗定位区域不变矩特征,运用由Ada Boost算法训练的分类器进行对粗定位区域遍历识别,实现绝缘子串细定位。实验结果表明,基于骨架提取的绝缘子分步识别方法能够有效地识别出航拍图像中的绝缘子串,与单独利用图像特征和分类算法直接识别绝缘子的方法相比,其表现得更稳定,正确率有显著提高,更适用于无人机电网巡线。     

基于改进SSD神经网络和点云配准算法的变电站三维模型快速建立方法

为提高变电站三维建模的效率,提出了一种改进SSD(single shot detection)目标检测算法和ICP(iterative closest point)点云配准算法结合的变电站三维模型快速建立方法。该方法针对变电设备点云训练样本数量不足造成的设备识别准确率低这一问题,将三维模型快速建模转换为设备类型、型号识别和点云导入。首先利用改进SSD目标检测算法对变电设备类型进行初步识别,然后运用ICP配准算法对变电设备进行型号识别,2种方法的结合实现了变电设备点云的准确识别,最后根据配准得到的设备在变电站点云场景中的实际位姿,将模型库中配准的标准模型导入变电站三维点云场景,极大地提高了变电站三维模型的建模效率。该方法已在某变电站三维建模中得到应用,结果表明,不同变电设备型号识别准确率较高,设备建模平均时间为32 s,效率远远高于人工建模。     

基于多特征融合的交通标志分类

为有效提高交通标志分类的准确度,提出一种融合全局特征和局部特征的多特征交通标志分类方法。首先提取能够描述标志图像内部纹理信息的局部二值模式(local binary pattern, LBP)特征,再提取能够表示标志图像形状信息的方向梯度直方图(histogram of oriented gradient, HOG)特征和描述图像粗略轮廓信息的全局Gist特征,然后采用线性组合方式,实现特征融合互补,并通过主成分分析(principal components analysis, PCA)法进行数据降维,最后采用支持向量机(support vector machine, SVM)分类器进行交通标志训练与识别。试验结果表明:相对于单一特征的交通标志分类方法,基于多特征融合的算法获得了更高的分类精确度,同时也满足实时性要求。     

基于声振联合特征熵的断路器故障诊断方法

针对断路器机械故障复杂、诊断困难的现状,提出了一种基于声振联合分析的断路器故障诊断方法。利用小波包和特征熵理论对采集到的振动和声音信号进行分解和特征提取,故障状态与正常状态之间的差异由特征熵矩阵之间的偏差来反映。将形成的特征熵矩阵作为支持向量机的输入特征向量,对断路器的卡涩和螺丝松动故障进行了分类识别,并与传统的单一信号故障诊断方法进行了比较。结果表明:以声振联合特征熵矩阵作为输入的支持向量机,在分类的效果上明显优于单信号,更适合在断路器故障识别中应用。     

交警手势的图像处理与识别

提出了一种基于交警手势识别的交通灯控制方法．该方法首先对彩色摄影机采集的交警手势图像进行预处理。包括彩色图像平滑、彩色图像增强;其次利用边缘检测和图像分割方法对目标图像进行分割,由于图像受噪声干扰严重,采用Sobel算子消除噪声;再次将分割得到的目标轮廓进行表示与描述,为图像的识别作好准备;最后结合图像的轮廓特征对图像进行识别,采用了模糊模式识别方法．试验结果表明。该方法能够实现对交警手势准确的识别．     

一种快速识别飞机仪表参数的算法

提出了一种快速识别阿拉伯数字０～９的算法,用于飞机仪表参数的识别。这种算法基于二值图像,先从二值图像中找出各数字的特征,然后再用决策树对这些数字进行分类。该方法不需对图像进行如细化、轮廓跟踪等处理,节省了大量图像处理时间,具有较高的识别速度,因而可用于实时识别。     

一种快速识别飞机仪表参数的算法

提出了一种快速识别阿拉伯数字０￣９的算法,用于飞机仪表参数的识别。这种算法基于二值图像,先从二值图像中找出各数字的特征,然后再用决策树对这些数字进行分类。该方法不需对图像进行如细化、轮廓跟踪等处理,节省了大量图像处理时间,具有较高的识别速度,因而可用于实时识别。