红外道路场景下车辆与行人检测算法

针对现有算法模型在红外道路场景下,对小尺寸车辆与行人的检测存在精度低和漏检的问题,提出改进YOLOv5s的红外道路检测算法。首先,借鉴Focal-Loss的计算思想引入一种新的动态缩放(focal and complete IOU,Focal-CIoU)损失函数,提高检测精度;其次,引入改进坐标信息嵌入中激活函数为自适应模式的坐标注意力机制(adaptive coordinate attention, Ada-CA),提高准确定位目标的能力;最后,改进C3模块为具有多尺度特征信息的MultiS-C3,提高模型识别能力。通过实验对比可知,改进的目标检测算法较原网络模型准确性提高2.0%,召回率提高7.3%、平均精度提高6.6%,可以有效检测出红外背景下的车辆与行人。     

计及时间演变和空间相关的多风电场短期功率预测

针对多风电场站和多时间步的日前风电功率预测问题,提出了同时计及单风场功率时间演变和多风电场间空间相关的深度时空融合多风电场短期功率预测模型。它由门控循环单元、多核卷积层和时变模式注意力机制共同构成。首先通过门控循环单元和多核卷积层分别提取各风电场历史风电数据的时序和多周期特征;然后引入时变模式注意力机制对多风电场时变特征的演变模式赋予相关性权重,同时实现对多风电场功率时间演变规律的纵向追踪与横向对比。中国北方某风电基地实际算例结果表明,所提预测模型能有效利用风电功率时空特性,与现有多种预测模型相比具有更高的预测精度和更强的风功率时变模式学习能力。     

基于软打分机制——多模态融合的真实开关柜局部放电模式识别方法

局部放电类型与开关柜早期绝缘劣化程度密切相关,准确识别开关柜局部放电类型是改善开关柜运行状态,保障电网安全的重要手段。文中设计了真实开关柜中易产生的尖端放电、悬浮电位放电、强垂直分量沿面和弱垂直分量沿面放电4种局部放电类型。利用特高频传感器、暂态地电波传感器、超声传感器和高频电流线圈对开关柜的局部放电进行多模态融合检测,分析了同一缺陷下不同传感器的检测灵敏度以及不同缺陷类型的谱图特性。提取谱图的放电密度分布特征参量为正负峰值差Dpn、边沿积分差值Dei、前端均值差Dav、前端放电数占比Pfd和相位横向跨度Tr。提取谱图的轮廓特征参量为与缺陷标准轮廓的相关系数r。将所提取的特征参量融合得到表征开关柜局部放电模式的新特征体系,并提出了一种基于软打分机制的开关柜局部放电模式识别方法。该方法解决了传统识别方法谱图特征单一、识别准确率低、识别类型不精准的问题,为开关柜设备的在线监测和故障诊断提供了理论依据。     

ALO优化下1DCNN-BiLSTM-Attention锂电池SOH预测

锂电池因具有质量轻、寿命长、功率承受力高、自放电率低等优点,在绿色能源汽车制造、航空航天等领域得到了广泛应用。为了进一步提高锂电池健康状态(SOH)的预测精度,提出了一种基于一维卷积神经网络(1DCNN)和双向长短时记忆网络(BiLSTM)的锂电池SOH预测方法。1DCNN用于提取老化特征,BiLSTM用于特征分析。利用1DCNN参数少、抑制过拟合性能高的优点,并结合BiLSTM能充分考虑样本之间的关联性及有效结合数据过去和未来的状态等优势,模型能够在实现高预测精度的基础上兼具高计算速度。通过引入蚁狮优化算法(ALO)对模型的超参数进行优化,在减少耗时的基础上有效避免了人工调参的不确定性。同时引入注意力机制,通过对输入数据赋予不同权重,提高神经网络对重要信息的捕捉能力。以NASA锂电池数据集的电池参数为依据进行验证,结果表明该模型在B0005、B0006、B0007 3种锂电池单体上估计SOH的MAE均值为0.0064,相对于1DCNN-LSTM(0.0111)、CNN-LSTM&GRU(0.0197)模型分别降低了42.34%、67.51%,且在各方面评价指标上均优于其消融模...     

多尺度注意力机制的电子元器件深度迁移识别方法

电子元器件的识别对于现代电子产品的智能生产和制造具有重要的作用,为了进一步获取电子元器件图像的关键特征,提升图像细粒度表达能力,提出一种基于多尺度注意力机制深度迁移识别方法。以Xception为主干网络架构,引入多尺度池化通道注意力和多尺度空间注意力模块,结合空间金字塔池化的思想,对特征图的每个通道进行不同尺度的最大池化和均值池化,获取通道方向上不同尺度的特征信息;在空间层面上进行不同尺度的空洞卷积,增大特征图的感受野,获取更加全面的空间特征信息;通过深度迁移学习,实现特征参数共享,进一步提高模型的泛化能力。在5种常见的电子元器件数据集上进行实验,结果表明,所提方法能有效获取图像不同尺度的显著特征信息,提升识别效果。     

基于改进U-Net的低剂量CT图像重建方法

针对低剂量CT图像重建会产生噪声和伪影的问题,在U-Net神经网络基础上引入残差学习和空间注意力机制,在编解码过程中嵌入跳跃连接为上采样增加多尺度信息,使用AAPM公开数据集CT影像进行模型训练和测试。选取峰值信噪比（PSNR）、结构相似性（SSIM）和均方根误差（RMSE）作为图像性能评价指标。在CT重建结果的测试中,与未处理的图像相比,网络模型处理后图像的PSNR、SSIM和RMSE指标平均值分别提升21.699%、2.263%和40.833%。实验结果表明,改进的U-Net神经网络模型能够减少噪声和伪影,保留了更多的纹理细节,对低剂量CT重建图像质量的提高有一定效果。     

结合多尺度特征和注意力机制的公路裂缝检测

由于航拍公路裂缝数据缺乏并且裂缝图像存在目标小、分布复杂的特点,导致语义分割模型在航拍公路裂缝检测中效果差,影响模型在实际场景的应用,为此提出基于改进DeeplabV3+的公路裂缝检测方法。构建语义分割模型,选定DeeplabV3+模型并作如下优化：由于低级特征包含更多裂缝细节信息,增加了提取低级特征的路径,从ASPP模块输出的特征为高级特征,高级特征包含更多语义信息,将两者信息进行融合能保证模型不丢失裂缝的细节信息;在网络中嵌入SCSE注意力模块抑制对其他无关信息的响应,改善模型在裂缝数据集检测效果差的问题。实验结果表明,改进DeeplabV3+算法可以有效解决模型对小目标裂缝分割时效果差的问题,模型的检测精度提高了2.59%,具有较强的应用价值,可以为实际公路裂缝检测提供参考。     

一种基于时间敏感网络的变电站确定性网络架构优化方法

新型智能变电站网络基于传统以太网尽力而为转发机制,在突发大流量时难以保证敏感流量可靠传输。文中提出一种基于TSN（时间敏感网络）的变电站网络架构优化方法,根据敏感SV报文的传输特性,采用TSN协议簇中IEEE802.1Qbv、IEEE 802.1AS结合的时间门控调度机制,在敏感流量到来的时隙开辟专用通道保证其以最佳时延通过;采用TSN协议簇中IEEE 802.1Qci技术对网络所有流量进行过滤管理,保障敏感流量能进入专用通道并阻挡其他流量误入。经模拟变电站实际场景组网验证表明,相对于传统以太网,时间敏感网络能确保网络拥塞时敏感流量能够以最大时延2.17μs、平均抖动0.16μs的最佳时延抖动传输。     

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%。     

BLAC:注意力机制时序网络流量异常检测模型

入侵检测的难点之一是如何准确识别流量数据的异常特征。文中提出一个基于卷积神经网络（CNN）、双向长短期记忆网络（Bi-LSTM）和注意力（Attention）的时序流量异常检测模型,即BLAC。为提高BLAC模型的特征提取准确度,使用CNN提取流量数据中的空间特征,利用Bi-LSTM提取流量数据的完整时间特征,解决Attention难以对复杂时间序列数据位置信息进行编码的问题。通过对Attention权重的可视化分析,推测出异常在窗口中发生的时间点。使用雅虎的Webscope S5数据集进行对比试验,结果表明,BLAC模型的性能优于其他SOTA模型,其中关键指标召回率高达98.69%,表示二分类精确度的F1得分达到97.73%。