基于改进Faster R CNN的光伏组件红外热斑检测算法

光伏故障检测对光伏电站智能运维具有重要意义。针对光伏组件红外图像中热斑目标小、难检测的问题,研究了基于改进Faster R CNN的光伏组件红外热斑故障检测模型。将Swin Transformer作为Faster R CNN模型中的特征提取模块,捕获图像的全局信息,建立特征之间的依赖关系,提高模型的建模能力;进一步利用BiFPN进行特征融合,改善了热斑故障由于目标小和特征不明显容易被模型忽略掉的问题;同时为了抑制光伏红外图像中背景和噪声的干扰,加入轻量级注意力模块CBAM,使模型更加关注重要通道和关键区域,提高对热斑故障检测精度。在自建光伏组件图像数据集上进行实验,热斑故障检测精度高达915,验证了本文模型对光伏组件热斑故障检测的有效性。     

改进视觉Transformer的人脸识别方法

目前大多数人脸识别方法依赖于卷积神经网络，通过级联的形式构建多层处理单元，利用卷积操作融合局部特征，忽略了人脸全局语义信息，缺乏对人脸重点区域的关注度。针对上述问题，提出一种基于改进视觉Transformer的人脸识别方法，引入Shuffle Transformer作为特征提取骨干网络，通过自注意力机制以及Shuffle操作捕捉特征图全局信息，建立特征点之间的长距离依赖关系，提高模型的特征感知能力；同时，结合ArcFace损失函数和中心损失函数的特点，设计融合损失作为目标函数，利用类内约束扩大角度间隔，提高特征空间的辨别性。该方法在LFW、CALFW、CPLFW、AgeDB-30和CFP五个具有挑战性的基准测试人脸数据集上分别取得了99.83%、95.87%、90.05%、98.05%、97.23%的平均准确率，能够有效提升人脸特征提取能力，识别效果优于同等规模卷积神经网络。