轻量化改进的YOLOv5s电厂人员行为检测方法

针对现阶段实时监测发电厂内人员存在违规行为活动较为困难的问题,提出基于改进YOLOv5s网络的枪球联动行为边缘计算系统。该系统利用枪球联动提高监控画面中小目标的成像质量,降低检测算法对小目标的检测难度,提高检测能力;同时针对检测网络计算复杂的问题,对YOLOv5s检测模型进行轻量化改进,提出YOLOv5s-light轻量型检测网络,修改预置检测anchors以及BottleNeck模块,提出BN-SiLU-weight特征提取结构,降低模型计算难度,提高模型检测速度,优化边缘计算部署能力。实验结果表明,YOLOv5s-light模型在mAP仅下降0.5%的前提下,实现了模型参数下降30%,推理时间缩短21.4%,结合枪球联动可以实现mAP提高1.5%,满足实时快速的边缘检测需求。     

基于改进ResNet-50的图像特征提取网络

为了提高图像的特征质量,保证最后提取到的特征高度精炼,提出了一种新的方法;该方法首先将低分辨率图像经过小波变换分解成高频分量和低频分量,并结合插值法进行插值,最后通过小波逆变换得到高分辨率图像来为后续的特征提取提供高质量的图片输入;接着,选取ResNet-50网络作为基础网络,将Efficient Channel Attention(ECA)模块与ResNet残差结构结合形成一个全新的ECA-ResNet50模块,ECA模块具有的通道级的注意力机制,可以让整个网络更加专注于提取显著特征;经实验测试,该方法对于图像特征提取的质量有着明显的提升,均方误差下降可达6.65;结果表明,该方法可行有效,具有良好的工程应用前景;     

基于改进深度学习的风机油污识别

针对风机设备油液渗漏影响风机正常运行亟需解决的对风机设备油污的识别问题,提出了一种基于改进深度学习的风机油污检测方法。基于深度学习在目标检测中的应用特点,对目标检测网络YOLOv5n（You Only Look Once v5n）进行改进,将原网络中的非极大抑制（Non Maximum Suppression,NMS）替换为Soft-NMS,降低了网络的误检率,添加CA (Coordinate Attention)注意力机制,增强了模型对目标的定位能力,改进原网络损失函数为α-IoU（Alpha- Intersection over Union）损失函数,提高了边界框检测的准确度。实验结果表明:模型平均精度提升了8.1%,查全率提高了19.1%,网络推理速度提高了28.6%。改进后的模型能准确检测风机油污,有效解决了风机实际运行中油液渗漏所带来的问题。     

H．264在互联网抗误码问题中的应用

本文首先简单描述了错误恢复能力在IP视频通信中的重要性和实现途径；然后回顾了传统的抗干扰和恢复方法；最后对H．264中的错误恢复方法及其分层框架进行了分析。     

一个新的线索KD树并行算法

KD树是三维场景渲染中常用的空间加速算法。由于SIMD计算平台不支持递归操作,导致KD树在GPU上的应用受到限制,因此提出了一个新的基于SIMD架构的并行KD树算法。通过创建时对KD树线索化,不仅省去堆栈使用,且因无需回溯到根节点而减少大量无效遍历操作,实现了基于GPU的高效并行加速。实验结果表明,线索KD树算法每秒计算的光线数与传统算法相比,提高3~8倍不等,最终显著提高光线跟踪渲染速度。     

基于改进YoloV5的绝缘子损坏检测识别

绝缘子是一种设计用于在不同电势导线上承受电压和机械压力的装置。由于电环境和电力负载波动的影响,绝缘子可能会遭受多种电-机耦合应力破坏,从而无法正常工作并且影响整个绝缘子网络的寿命。为了解决这个问题,提出了通过目标检测算法来检测绝缘子损坏的方案。改进的方案基于YOLOv5s模型进行。首先,在原有的YOLOv5s模型基础上增加了更多的小目标检测层,从而提高了检测的精度。此外,引入了额外的运算层以扩展特征图,并使用SEA（注意和观察）注意模块使网络更专注于检测对象。还采用SIOU代替YOLOv5s中的损失函数。实验结果显示,改进后的模型相对于传统的YOLOv5s模型在绝缘子损坏检测方面具有明显优势。改进后的模型在mAP（平均精度均值）、P（查准率）和R（查全率）等指标上分别提高了2.5%、1.1%和0.8%。与原始的YOLOv5s模型以及其他模型（如Yolov5m、Yolov5l等）相比,在绝缘子缺陷检测和识别方面具有更强的竞争力。这些改进策略为提高绝缘子损坏检测精度提供了有效的解决方案。通过这些改进,我们可以更准确地检测绝缘子损坏,并及早采取必要的维修和保养措施,以延长绝缘子的寿命和确保电力系统的稳定运行。     

基于深度学习的安全帽佩戴检测与跟踪

为了解决传统施工现场安全管理的弊端,减少因施工人员未佩戴安全帽造成的人员伤亡,本文提出一种基于深度学习的安全帽佩戴检测与跟踪方法。首先通过深度学习YOLOv3目标检测网络实现安全帽佩戴检测,进一步运用卡尔曼滤波器和KM算法实现多目标跟踪与计数。复杂施工现场的测试结果表明：网络模型的检测速度可达45 fps,平均精确度为93%,且未佩戴安全帽的查准率和查全率分别为97%和95%,基本能够实现安全帽佩戴情况的实时检测。     

信息工程专业建设与校企合作模式探索

信息工程专业是教育部确定的引导性专业,是信息领域中口径最宽的专业。文章介绍了目前信息工程专业建设存在的问题,探讨了信息工程专业建设与校企合作模式探索。     

改进SSD的输电铁塔鸟窝检测

输电铁塔作为架空输电线的重要组成部分,其安全状况将影响整个电力系统的运行,鸟窝的搭建作为影响输电线路正常运行的重要因素之一,需要对此进行监控.而现有的监控手段不仅效率低,还需要耗费大量的人力物力.本文针对这一现象提出一种基于SSD算法的实时检测方法,并在SSD的网络结构基础上将前置网络VGGNet替换为ResNet-101,提高其特征提取能力,并将Softmax loss用Focal loss代替以改善SSD算法中样本不平衡的问题,并利用数据增广提高数据多样性,以提高模型的鲁棒性.实验结果表明本文所提出的方法检测精度对比原SSD算法在准确度和召回率上分别有3.17%和6.35%的提升.