隧道围岩沉降自适应实时识别及测量

针对传统隧道围岩沉降监测方法鲁棒性较差、难以及时有效的监测隧道围岩沉降值的问题,提出将坐标注意力结合目标检测算法的隧道围岩沉降自适应识别测量算法。利用工业相机拍摄不同环境靶标图像建立数据集,训练具有坐标注意力的目标检测模型,在测试集中验证模型预测精度为97.9%。使用图像中靶标的数字以及LED灯点的像素坐标标定测量算法模型并计算沉降值。结果表明在25 m范围内测量误差小于1 cm,在10 m范围内的靶标测量误差小于5 mm。     

基于混合通道注意力的类别级物体六自由度位姿估计

针对有光照变化、距离变化、背景杂乱、遮挡等干扰的场景下物体六自由度位姿估计精度低的问题,提出了一种结合多尺度特征融合和注意力机制的混合通道注意力模块(mixed channel attention, MCA)。在MCA基础上进一步构建了类别级物体六自由度位姿估计方法(MCA6D),其关键步骤包括物体的实例分割,特征提取与基于MCA的特征优化,基于先验形状的物体模型重建,及基于点云配准的位姿估计。本文方法在公共数据集CAMERA和REAL分别取得86.3%(5°2 cm)、73.4%(5°5 cm)和39.2%(5°2 cm)、43.3%(5°5 cm)的均值平均精度,领先于NOCS、SPD、SGPA等主流方法;同时实物实验表明本文方法在存在光照变化、距离变化、背景杂乱、遮挡等干扰的场景可准确估计物体六自由度位姿。     

基于双解码路径DD-UNet的脑肿瘤图像分割算法

针对医学图像中病灶区域尺度不一、边界模糊和周围组织强度不均匀所导致的分割精度降低问题,提出了一种基于双解码器的脑肿瘤图像分割模型。为了增强特征的表征力,提出了高阶微分残差模块并使用不同空洞率的扩张卷积用于提取特征编码,提高了网络模型的分割性能;引入上下文语义信息感知模块(multi scale dilation, MSD),从不同的目标尺度中提取更多的精细信息,提高了对结构细节信息的捕获能力,同时减少了编解码器之间的特征差异;在空间解码路径中使用选择性聚合空间注意力模块(spatial aggregation attention module, SAAM),增加了对有效空间特征的权重比例,减少了无效的特征干扰。在脑肿瘤数据集上进行了实验验证,实验结果表明,所提算法的Dice系数、平均交并比、敏感性、特异性、准确率等指标分别为：93.35%、90.71%、91.15%、99.94%、96.75%。     

基于自注意力机制和CycleGAN的高分三号ScanSAR图像的扇贝效应抑制

高分三号卫星是我国首颗分辨率达到1 m的C波段 多极化合成孔径雷达(synthetic aperture radar,SAR) 卫星,其中扫描 式合成孔径雷达(scan synthetic aperture radar,ScanSAR)模式是高分三号卫星重要的工 作模式之一,由于该模式的工作机制导致生成的图像可能发生扇贝效应,一般呈现为明暗相 间的条纹。本文针对高分三号卫星ScanSAR模式下存在的扇贝效应,提出自注意力机制与循 环一致对抗网络(cycle-consistent adversarial networks,CycleGAN)结合的模型对Scan S AR图像进行处理,从而抑制扇贝效应产生的条纹现象。本文所示方法与传统扇贝效应抑制方 法和深度学习相关算法进行比较,并通过亮度均值、平均梯度等指标进行分析。实验结果表 明,本文方法可以对高分三号ScanSAR图像存在的扇贝效应进行较好的处理,有效抑制图像 的条纹现象,使得图像质量得到提升,具有较大的实用意义。     

基于改进YOLOv5的输电线路鸟巢检测方法研究

输电线路上的鸟巢会对电力设备的安全运行构成威胁,甚至影响整个电力系统的稳定性。针对复杂场景下输电线路鸟巢检测方法适用性较差的问题,提出一种基于改进YOLOv5的输电线路鸟巢检测方法。该方法结合通道注意机制和空间注意机制设计特征平衡网络,以通道权值和空间权值作为引导,实现检测网络不同层次特征之间语义信息和空间信息的平衡。同时,为了避免因网络层数增加导致特征信息不断被弱化的问题,设计特征增强模块以捕获与鸟巢相关的通道关系和位置信息。最后,利用输电线路无人机巡检图像建立鸟巢数据集进行训练和测试。实验结果表明,所提出的输电线路鸟巢检测方法具有较强的泛化能力和适用性,同时也为电力图像缺陷检测提供技术参考。     

基于一致性的综合能源系统低碳经济调度

综合能源系统(integrated energy system, IES)是解决能源损耗和环境污染问题的有效途径。为提高IES的经济性和环保性,提出了一种基于一致性的IES低碳经济调度策略。首先,在IES中引入阶梯式碳交易机制,在碳交易成本函数构造中,提出一种随着碳排区间而递增的成本系数,通过成本的非线性递增来限制碳排放量。其次,综合考虑能量传输过程中的损耗问题,构建一种结合用能需求和传输损耗的供需平衡约束条件。然后,将电、热、气供能单元的增量成本作为一致性变量,利用领导一致性算法对IES进行分布式调度,进而实现各单元的供能最优输出。最后,结合不同的实验案例验证了所提低碳经济调度策略的有效性。     

参与多元耦合市场的电-气综合能源系统低碳经济调度

为进一步提升综合能源系统（IES）绿电消纳水平,减少CO2排放量及降低系统运行成本,提出一种计及绿证交易与碳交易交互机制下的IES低碳经济调度模型及其求解方法。首先,对传统阶梯式碳交易机制进行改进,并根据绿色证书碳减排原理,提出一种绿证-碳交易交互机制,即通过冗余绿色证书联动碳交易与绿证交易的耦合市场机制;然后,以系统总成本最小为目标,结合低碳技术,构建绿证-碳交易交互机制下计及碳捕集、利用与封存（CCUS）技术的电-气互联综合能源系统优化调度模型;最后,以IEEE39节点电网、比利时20节点气网构成的电-气互联综合能源系统为例进行仿真研究,结果表明所提方法在提高风电消纳的同时,可显著减少CO2排放。     

一种新型MMC并联双端口子模块及其三阶段故障电流阻断机理

为使模块化多电平换流器(modular multilevel converter,?MMC)具备直流故障自清除能力和电容电压均衡能力,提出了一种新型并联双端口子模块：钳位双全桥子模块(clamp double full bridge submodule,?CD-FBSM)。该子模块器件成本和运行损耗较低,正常工作时相邻子模块之间具有多种协同运行模式,通过特有的并联模式可提高电容电压均衡度。故障闭锁时,模块内部电容并联、模块之间电容串联且反向接入电路,能够可靠阻断故障电流并均衡电容电压,有利于系统快速重启。此外,提出了三阶段故障电流阻断机理分析方法,对CD-FBSM的故障电流阻断过程进行了研究。通过Matlab/Simulink的仿真结果表明,所提子模块电容电压均衡度较高,可快速阻断故障电流,且故障电流阻断过程与理论分析一致。     

考虑供需双侧响应和碳交易的氢能综合能源系统鲁棒调度

双碳”背景下,为促进可再生能源消纳,约束园区碳排放和应对可再生能源的随机性,构建了含可逆固体氧化物电池(reversible solid oxide cell, RSOC)的园区氢能综合能源系统,并提出考虑供需双侧响应、阶梯碳交易机制和可再生能源出力不确定的鲁棒调度模型。首先,采用RSOC和储氢罐消纳可再生能源富余出力。其次,引入有机朗肯循环(organic Rankine cycle, ORC)余热发电和综合需求响应构成供需双侧响应优化热电运行。然后,通过鲁棒优化理论处理可再生能源的不确定性。接着以系统购能成本、碳交易成本、弃风光惩罚成本和需求响应成本之和最小为目标构建鲁棒调度模型,并采用CPLEX求解。最后通过算例仿真结果验证了模型的有效性。     

Few-shot object segmentation with a new feature aggregation module

The success of convolutional neural network for object segmentation depends on a large amount of training data and high-quality samples. But annotating such high-quality training data for pixel-wise segmentation is labor-intensive. To reduce the massive labor work, few-shot learning has been introduced to segment objects, which uses a few samples for training without compromising the performance. However, the current few-shot models are biased towards the seen classes rather than being class-irrelevant due to lack of global context prior attention. Therefore, this study aims at proposing a few-shot object segmentation model with a new feature aggregation module. Specifically, the proposed work develops a detail-aware module to enhance the discrimination of details with diversified attributes. To enhance the semantics of each pixel, we propose a global attention module to aggregate detailed features containing semantic information. Furthermore, to improve the performance of the proposed model, the model uses support samples that represents class-specific prototype obtained by respective category prototype block. Next, the proposed model predicts label of each pixel of query sample by estimating the distance between the pixel and prototypes. Experiments on standard datasets demonstrate significance of the proposed model over SOTA in terms of segmentation with a few training samples.