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,采用Focal Loss改进损失函数来提高检测网络的检测精度;最后,利用某供电局近3年无人机巡检视频制作训练样本和测试样本,并将提出的算法与4种经典目标检测算法进行比较。实验结果表明,相比于4种对比算法,该文算法能够在保证较高检测精度的同时具有较好的实时性。算法的平均检测精度可达94.6%,分辨率为1280'720的图像检测速度为40帧/s。     

基于聚合多尺度特征的图像轮廓增强超分辨率重建算法

为了提高超分辨率重构算法对图像边缘轮廓的修复能力,消除重构图像存在伪影的问题,提出一种基于聚合多尺度特征的图像轮廓增强超分辨重建生成对抗网络。将多尺度卷积与通道注意力机制相结合,使用一次性聚合多尺度特征结构,构建多级残差模块,让生成器网络能自适应地提取特征层中的潜在关键信息,同时完成不同特征层的信息融合。定义高斯滤波卷积核与不同方向的索贝尔卷积核,构建边缘损失函数,该损失函数能加强对图像边缘轮廓信息的修复;结合全变分损失函数,减少低分辨率图像噪声对重构图像的影响,进一步提高图像轮廓信息修复能力。为了提高判别器对不同特征的自适应学习能力,在判别器中使用自适应归一化层,增强网络的收敛能力。在Set5、Set14、BSD100数据集上进行图像重构,经实验结果表明,提出的算法使重构图像的轮廓进一步加强,整体视觉质量更好。同时所提算法与超分辨率生成对抗网络(SRGAN)对比,2倍超分辨重建图像的峰值信噪比平均提高了1.696dB,结构相似性指标平均提高了0.03;4倍超分辨重建图像的峰值信噪比平均提高了1.348dB,结构相似性指标平均提高了0.033。     

改进多阶段渐进式的受电弓碳滑板图像去模糊

针对高铁运行速度过快,容易导致受电弓碳滑板的监测图像出现运动模糊问题,提出了一种改进多阶段渐进式网络的图像去模糊方法。首先,引入混合膨胀卷积作为特征提取网络,在不改变计算量和特征图分辨率前提下,可以增大局部感受野,进而可获取高质量的图像纹理和细节信息;其次,引入像素点注意力机制,自适应地选择每个像素点的权重值,增强模型去模糊质量;再次,引入混合损失函数,提高模型对不同类型模糊的鲁棒性;最后,制作1 600对受电弓碳滑板监测图像合成数据集以供模型进行训练和测试。为了评估所提网络的去模糊效果,将训练所得模型在上述数据集上进行了测试,实验结果表明峰值信噪比达到了38.82 dB、结构相似性达到了0.972 3,在视觉上较另外7种经典方法能更好地复原图像的边缘轮廓和纹理细节信息。有效地提升了模型的鲁棒性。     

基于边缘计算和改进YOLOv5s算法的输电线路故障实时检测方法

随着输电线路无人机巡检工作的常态化,暴露出故障图像检测实时性、模糊目标检测精准性难以满足实际工作需求的问题。文章提出一种基于边缘计算和改进YOLOv5s算法的输电线路故障实时检测方法。以YOLOv5s为基础检测模型,基于Ghost轻量化模块重构模型获取数据特征的卷积操作过程,提高了模型的检测速度;采用基于KL散度分布的损失函数作为目标框定位损失函数,提升了模型对模糊图像检测的精度。将改进的YOLOv5s算法部署于华为Atlas 200 DK边缘模块中,对绝缘子自爆、防震锤脱落、鸟巢3类故障进行检测,其平均精度均值可达84.75%,检测速度为34 frame/s。结果表明,改进的算法在保证检测实时性的同时,能够提升对模糊故障目标图像的检测精度,满足无人机搭载边缘设备的输电线路巡检需求。     

基于Gabor小波和加权马氏距离的带钢表面缺陷检测

针对现有带钢表面缺陷检测方法检测率低,难以满足高质量带钢生产的需求。本文融合Gabor小波变换和加权马氏距离阈值化方法,提出了一种新的带钢缺陷检测算法。首先通过实验获取Gabor滤波器一组最优参数,对采集到的样本图像做Gabor模板卷积,得到边缘图像。然后对图像像素点进行加权处理,重新估计马氏距离的协方差矩阵,增大感兴趣区域像素点权重,得到任意灰度值样本与总体样本加权的马氏距离,增强了目标缺陷的边缘特征。最后利用连通区域标记法,搜索并标记带钢缺陷位置,完成了缺陷检测。实验对比表明本文提出的带钢缺陷检测新算法检测率为94.13%,漏检率为4.87%,验证了算法的有效性。     

基于改进的YOLOX血细胞检测算法研究

血细胞计数是一种常见的临床检验方法。针对血液显微镜图像中的血细胞种类不均匀、密集且相互遮挡导致现有血细胞检测方法准确率不高,提出了一种改进的YOLOX血细胞检测算法。该算法首先在损失函数中引入Focal loss以改善单阶段目标检测算法正负样本的不平衡和细胞种类不均匀的问题;接着在残差模块中引入混合注意力机制,减少了血细胞相互遮挡造成的漏检、错检的概率;然后在特征融合尾部引入自适应空间特征融合模块以提高特征表达能力;最后在残差模块中引入逆深度可分离卷积模块在减少模型参数的同时还略微提高检测精度。提出的算法在BCCD血细胞数据集进行了测试,改进后的YOLOX算法在血细胞数据集上的检测精度达到了92.5%,相比YOLOX算法提升了2.4%,且减少了8%的模型参数量;该算法在COCO2017通用数据集上的检测精度达到了41.7%,相对于原始YOLOX算法提升了1.2%。     

基于Transformer的车道线分割算法研究

车道线检测任务包含道路磨损、阴影遮挡和弯道等困难样本,这些样本中线条信息均有不同程度的缺失,使检测结果出现漏检或误检现象。基于深度学习的检测方案通过卷积操作提取特征信息。卷积操作摒弃人工设计滤波器等一系列传统图像处理的繁琐操作,得益于权重共享和归纳偏置大大减少了特征提取的工作量。该操作在缩小图像分辨率的同时获取长距离的信息,导致小分辨率的特征图损失区域边缘等细节,影响检测结果的质量。深度学习中分割模型比检测模型处理的信息更细致,本文在分割模型的基础上引入Transformer改进采样方式,改善卷积操作在获取全局信息上的不足。模型改进后在Tusimple上测试准确率提高0.4%,像素精准度提高0.3,乘法累加运算量增加36.09 G。结果表明Transformer特有的采样方式可以改善卷积操作采样的不足,改善语义分割网络对车道线困难样本识别漏检的情况。     

基于E-FCNN的电力巡检图像增强

为了解决无人机巡线、无人值守变电站机器人巡检中,由于距离过远或机器抖动造成的采集图像待检目标分辨率低、图像模糊等问题,提出一种边缘感知反馈卷积神经网络E-FCNN。该网络在传统超分辨率网络基础上增加了残差模块和反馈机制,实现细节特征的提取和强化,并通过边缘感知分支补充纹理信息,提升了图像的细节描述。通过测试集实验结果表明：提出的边缘感知反馈卷积神经网络无论在主观视觉质量,或是峰值信噪比等客观评价指标上,都明显优于其他相关算法。且在基于无人机巡检的绝缘子检测应用中能够有效提高绝缘子检测率。     

基于双判别生成对抗网络的壁画图像虚拟修复

针对现有算法在修复大面积破损区域的壁画图像时容易出现特征提取困难,上下文结构不一致等问题,提出一种基于双判别生成对抗网络的壁画图像虚拟修复。首先,将U-Net架构引入生成网络,结合扩张卷积与跳跃连接实现多尺度特征融合提取,利用重构损失初步构建修复模型。其次利用双重判别网络,保证图像全局一致性的同时,加强修复后的局部细节。最后交替训练生成网络和双重判别网络,加权重构损失和WGAN-GP损失,进一步优化网络模型,完成破损壁画图像的虚拟修复。根据创建的壁画数据集,进行训练测试,并与多组修复算法进行修复对比,结合主客观评价指标进行评价,结果表明,该算法修复的壁画图像质量更优,较好的完成了较大区域受损壁画图像的整体一致性修复。     

多尺度残差网络模型的研究及其应用

针对传统的卷积神经网络不能充分利用图像的多尺度信息,以及网络层数的增加导致优化参数增加的问题。提出多尺度残差网络模型通过多尺度跨通道的卷积融合提高图像的特征表征能力;然后把大的卷积核分解成小的非对称卷积核降低网络的参数计算;接着利用残差网络原理来降低深层网络的梯度消失问题;最后将提出的多尺度卷积模块嵌入到Lenet网络中。在Mnist数据集上的测试结果证明分类准确率比原始Lenet网络提高了0. 24%,在LFW数据集上的测试结果表明分类准确率优于Deep Face、Web Face等传统算法。     

基于改进YOLOv5的 SAR 图像飞机目标细粒度识别

针对合成孔径雷达(synthetic aperture radar,SAR)图像飞机目标细粒度识别中的小目标和多尺度检测问题,提出了 一种基于YOLOv5的改进SAR图像飞机目标识别算法。该方法首先对网络进行重构,加入小目标检测层,改善小目标的漏 检问题,提高目标定位精度。其次,在颈部网络中引入极化自注意力机制(polarized self attention,PSA),并使用双边特征金 字塔结构(bir-directional feature pyramid network,BiFPN)进行多层特征带权融合,提高对飞机目标散射信息的关注度和滤除 干扰信息。最后,使用SIoU(SCYLLA intersection over union)作为网络损失函数提高网络收敛速度和检测精度。利用SAR- AIRcraft-1.0数据集进行了算法有效性试验研究,实验结果表明,算法有效提升了飞机目标的检测精度,精确率、召回率、平均 精度均值分别达到92.6%、84.1%、90.1%。     

融合边缘检测的遥感图像超分辨率重建算法

针对基于生成对抗网络的遥感图像超分辨率重建存在训练不稳定,参数冗余,图片纹理细节不够清晰等问题。提出一种融合边缘检测的遥感图像超分辨率重建算法。首先,在生成器网络中引入改进后的Canny边缘检测算子用于低分辨率图像特征提取,通过在Canny算子边缘提取流程中利用双边滤波和3×3邻域梯度以检测图像的边缘信息,使网络能够更好的表达高频特征;其次,为降低网络参数和提高网络训练的稳定性,去除判别器网络中冗余的BN层,同时将Wasserstein距离定义为对抗损失以解决生成对抗网络训练出现的梯度消失现象。在NWPU RESISC45数据集上,所提方法的峰值信噪比与结构相似性较WDSR和CARN算法分别提升了1.22 dB、0.114和0.32 dB、0.013,且重建后的图像相比较WDSR、CARN等其他SR算法在图像纹理细节和主观视觉效果方面也均有提升。     

UAST-RCNN:遮挡行人的目标检测算法

为解决行人检测中对遮挡行人的检测度低,漏检率较高的问题,提出一种基于注意力机制的UAST-RCNN网络,其在Faster-RCNN网络的基础上进行改进。首先,选用Swin-Transformer作为骨干网络,通过采用一种窗口多头自注意力机制提升全局感受野;然后,通过层级重采样模块,改进特征金字塔提升特征样本的质量,并且引入渐进式焦点损失函数平衡正负样本;最后,在实验预处理阶段采用改进的数据预处理扩充City Persons数据集进行多尺度训练。实验结果表明该算法对比原模型在遮挡行人检测上有了明显提升,其中在检测精度(AP)提升了6.3%,漏检率(MR)下降了4.1%。验证了所提算法在行人检测的可行性,可满足遮挡行人场景的检测要求。     

基于多尺度Gabor滤波器的彩色图像边缘检测

为了更好实现对彩色图像进行边缘提取,并保证算法具有更好的稳定性,文章使用多尺度Gabor滤波器的方法,来提取彩色图像边缘和轮廓.构建了3个尺度、16个方向的Gabor滤波器.首先将彩色图像灰度化,利用多尺度Gabor虚部滤波器提取图像灰度变化信息.通过非极大值抑制,并通过高低阈值获取边缘像素点及其候选边缘,最后利用局部边缘连接获取图像边缘轮廓.并将本算法与常用边缘检测算法进行实验性能比较,实验结果表明:提出的算法既能获得较高的定位准确度,又具有很好的噪声鲁棒性,该算法与常用的Roberts等一系列算法相比,检测效果更好,稳定性更强.     

基于门控循环深度范围预测网络的多视角重建

针对三维重建技术难以处理高分辨率图像、重建后的点云图精度低、边界模糊的问题,本文提出基于门控循环单元的多阶段多尺度动态深度范围预测网络模型。首先,利用曲率引导的动态尺度卷积网络作为特征提取模块,通过计算图像上多个尺度的表面法曲率,得到图像最优像素的特征信息;然后,将精细的特征信息与一种新的深度范围估计模块相结合,动态估计下阶段的深度范围假设,从而更好的合并邻域像素的信息,实现参考图像和源图像之间的精确匹配。本文网络与其他10多种方法进行了比较,在DTU数据集上,整体性能比第2的网络提高2.2%。在Tank&Temple数据集上,Lighthouse、M60和Panther等场景的重建表现都有大幅提升。同时,本文进行了对比和消融实验,实验结果证明本文提出的动态深度预测网络,减小内存消耗的同时,显著提高了重建后点云图的精度和完整度。     

轮胎气泡边缘检测算法的研究

针对轮胎激光剪切散斑干涉图像背景中存在大量条纹的特点,为避免其对气泡边缘检测产生妨碍,主要对其边缘检测算法进行了研究.给出了对常用的几种算子进行边缘检测后的轮胎激光剪切散斑干涉图像,并分析了其在处理图像时的不适用性,设计出基于模糊理论的小波多尺度边缘检测算法.在多尺度边缘检测过程中,设计了适合的模糊算子,改善了轮胎气泡边缘检测的效果.由仿真结果可知:本文设计的算法与常用边缘检测算法相比,更好地标记出了轮胎气泡的边缘图像,滤除图像中的伪边缘.     

Research on High Altitude Remote Sensing Building Segmentation Based on Improved U-Net Algorithm

Building extraction from high resolution remote sensing image is a key technology of digital city construction[14]. In order to solve the problems of low efficiency and low precision of traditional remote sensing image segmentation, an improved U-Net network structure is adopted in this paper. Firstly, in order to extract efficient building characteristic information, FPN structure was introduced to improve the ability of integrating multi-scale information in U-Net model; Secondly, to solve the problem that feature information weakens with the deepening of network depth, an efficient residual block network is introduced; Finally, In order to better distinguish the target area and background area in the image and improve the precision of building target edge detection, the cross entropy loss and Dice loss were linearly combined and weighted. Experimental results show that the algorithm can improve the image segmentation effect and improve the image accuracy by 18%.     

基于Canny算子的多尺度小波变换图像边缘检测方法

图像边缘检测是图像处理中的重要一环,本文基于Canny边缘检测算法,提出了一种改进的Canny边缘检测算法。该算法采用新的基于多尺度小波变换边缘检测的设定方法,充分利用了不同的尺度变换可以得到不同边缘细节的特点,可以对低分辨率的边缘能够很好的提取,并能有效的抑制噪声,具有优于传统Canny算法的性能。经实验仿真,验证了该算法的有效性。     

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。     

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。