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。     

基于轻量AlexNet的电容型电压互感器故障诊断

电容型电压互感器（CVT）是重要的一次侧电压监测元件。针对环境温度、湿度以及元件老化等因素造成的电容型电压互感器一次侧电容上下臂击穿或互感器二次侧短路等故障,提出了一种基于轻量AlexNet的电容型电压互感器故障诊断方法。该方法利用Matlab建立了CVT电路模型,分别对高压臂电容击穿、低压臂电容击穿以及互感器二次侧短路3种典型的故障进行仿真。采集CVT二次侧电压数据,利用马尔可夫变迁场将其转化为特征矩阵,最后使用轻量化的AlexNet神经网络对电压特征矩阵进行故障分类。仿真实验证明,所提方法在不拆除CVT的情况下,能准确检测出CVT的故障类型。