基于粗糙集约简的图像插值方法

提出了一种基于粗糙集约简的支持向量机图像插值方法,目的在于提高基于学习的插值方法的插值效率,改善放大图像边缘模糊现象。首先在原始图像上利用已知的像素灰度值及邻域内像素间的相关性构造训练样本集;然后利用粗糙集约简算法约简掉其中重要度较小的特征,并用约简后的样本集训练支持向量机;再用测试样本及训练好的支持向量机估计偶行偶列的像素灰度值;最后利用测试样本及训练好的支持向量机估计剩余的未知像素灰度值。仿真表明,所提方法有效提高了插值效率,获得了较好的客观指标,得到了满意的插值图像。     

基于HSV空间的井壁图像增强模型

由于矿下环境恶劣,获取的井壁图像会存在噪声大、对比度低等问题。因此,设计一种能够去噪、提升对比度的矿井图像增强网络（Mine Image Enhancement Network,ME-Net）。首先,将井壁图像从红-绿-蓝（Red-Green-Blue,RGB）颜色空间转换到色调-饱和度-亮度（Hue-Saturation-Value,HSV）颜色空间,提取出色调H、饱和度S和亮度V。其次,保持H不变,对S进行自适应伽马校正;在U-Net网络中,结合密集空洞卷积（Dense Atrous Convolution,DAC）、高效通道注意力（Efficient Channel Attention,ECA）,编码单元和解码单元对亮度V进行增强。最后,融合H、S、V分量,并将增强后的效果图由HSV空间转换至RGB空间,得到最终的结果。实验表明,ME-Net算法能够自适应提升亮度的同时降低图像的噪声。     

双路多尺度残差网络的图像超分辨率重建

针对传统单幅图像超分辨率重建方法出现的边缘特征模糊问题,提出了一种双路多尺度残差网络(BMRN)的重建方法.首先直接对低分辨率图像进行特征提取,较大程度保留特征信息;再构建多个独立的双路多尺度残差网络提取高频信息,其中残差连接的引入可以有效解决网络加深导致的梯度消失问题,双路多尺度结构可以相互补充卷积中的尺度信息,改善...     

煤矸的轻量级智能分选网络

针对现有煤矸分选方法存在模型复杂、实时性差、特征易丢失等问题,构建了一种轻量化煤矸分选网络GC-ResNet18。GC-ResNet18利用幽灵卷积(ghost convolution, GC)线性生成ghost映射的特性,剔除煤和矸石相似性特征的冗余信息。借助Softpool的下采样激活映射,保留、凸显煤和矸石的特征信息并去除冗余参数,防止过拟合现象。引入GC自注意力机制,融合SENet的轻量化和NLNet长距离信息全局捕获的优势,使网络记忆、放大煤矸图像间的细微差异特征,提升煤矸图像的识别准确率。实验结果表明,GC降低了46.6%的参数量,GC自注意力机制在CIFAR10、CIFAR100上分别提升1.44%、2.32%的准确率,而Softpool池化在上述两个数据集中分别提升了0.22%、0.17%。通过对比实验,全面改进后的GC-ResNet18网络在训练效率和分类精度上优于VGG19-S-GDCNN、SBP-VGG-16等模型,在CIFAR10和CIFAR100数据集中的分类精度与同规模的网络相比均达到最优的94.07%和74.95%,并最终在自建煤矸数据集上达到了97.2%...     

绝缘子自爆缺陷的轻量化检测网络 DE-YOLO

为了实现输电线路的高精度、高速度巡检,设计了一种适用于移动终端设备的轻量化目标检测网络 DE-YOLO。 首先融 合深度可分离卷积、逐点卷积和 ECA 注意力机制提出了特征提取模块 NewC3,它负责显著降低网络参数、同时强化网络提取绝 缘子有效信息的能力。 再借助通道数成倍增长策略和通道注意力机制 SE 设计了轻量化模块 DC-SE,它用于削弱复杂背景对绝 缘子故障的干扰、互补提取绝缘子细微特征,进而增强浅层网络对目标特征信息的提取能力。 实验表明,DE-YOLO 网络在自制 绝缘子数据集上的 GFLOPs 降低 45%,运行参数降低 42%,自爆缺陷检测精度高达 93. 2%。 NewC3 和 DC-SE 能保证 DE-YOLO 的轻量化,同时满足绝缘子自爆缺陷实时检测的要求。     

BP神经网络在配料系统故障诊断中的应用

利用BP神经网络的自适应,自学习和对非线性系统超强的分析能力等特点,将其应用到橡胶配料系统中,有效的实现了配料系统的故障诊断,填补了国内在配料系统故障诊断应用上的空白,对其他行业也有一定借鉴作用.     

集成SVM的图像椒盐噪声去除方法

针对传统图像去噪方法出现纹理细节模糊的问题,提出一种利用误差多样性集成子SVM的图像椒盐噪声去除方法SVM-WCEC。首先,在训练图像上移动3×3窗口,提取每个窗口中心像素点的局部二值和加权差分特征作为输入训练子SVM,利用加权计数值对各子SVM投票,选择得票数最多的子SVM组合作为分类器模型;然后,用相同特征提取方法遍历含噪图像提取特征输入分类器模型,将像素点分为噪点和信号点;最后,在3×3滤波窗口内,用非线性的权重均值滤波估计噪点灰度值,和直接输出的信号点灰度值重构得到去噪后图像。在图像集BSD68上实验结果表明:与现有先进方法DAMF相比,SVM-WCEC的平均PSNR/SSIM值提高了1.808 0dB/0.150 4。实验数据充分说明:SVM-WCEC在去噪同时能很好地保留图像的纹理信息,获得较高的PSNR、SSIM和更好的视觉效果。     

ECC-YOLO：一种改进的钢材表面缺陷检测方法

针对当前钢材表面缺陷检测效率低、检测精度差的问题,提出了一个模型,命名为ECC-YOLO,基于YOLOv7的钢材表面缺陷检测。首先,为了提高主干网络特征图信息表征能力,引入了特征增强模块ConvNeXt,通过融合深度可分离卷积、大核卷积,增强模型对细小裂缝的特征提取能力,其次设计了C2fFB模块,在增强目标特征信息的提取能力同时,显著降低了模型的计算量和参数复杂性。最后借助ECA注意力机制设计出MPCE模块,削弱复杂背景信息对钢表面缺陷检测的干扰,提升检测效率。最后,广泛的实验结果表明,ECC-YOLO在NEU-DET数据集上,该模型的mAP达到77.2%,相较于YOLOv7,ECC-YOLO的检测精度提高了10.1%,模型参数量减9.3%,该模型在钢表面缺陷检测中具有较好的综合性能。     

BP神经网络在配料系统故障诊断中的应用

利用BP神经网络的自适应,自学习和对非线性系统超强的分析能力等特点,将其应用到橡胶配料系统中,有效的实现了配料系统的故障诊断,填补了国内在配料系统故障诊断应用上的空白,对其他行业也有一定借鉴作用.