融合共现推理的Faster R-CNN输电线路金具检测

为促进目标检测模型与电力领域业务知识有机融合,缓解金具样本间长尾分布问题,有效提升输电线路金具的自动化检测效果,提出了融合共现推理的Faster R-CNN(faster region-based convolutional neural network)输电线路金具检测模型。首先,深入研究输电线路金具结构化组合规则,通过数据驱动的方式以条件概率对金具目标间的共现连接关系进行有效表达;然后,结合图学习方法,利用学习并映射的共现概率关联作为共现图邻接矩阵,使用基线模型(Faster R-CNN)提取的特征向量作为图推理输入特征,以自学习的变换矩阵作为共现图传播权重,完成图信息传播并实现有效的共现推理模型嵌入。实验证明,融合共现推理模块的Faster R-CNN模型较原始模型提升了6.56%的准确率,对于长尾分布样本中数量较少的金具性能提升尤其显著。     

基于深度学习和灰度纹理特征的铁路接触网绝缘子状态检测

铁路接触网绝缘子状态检测对铁路行车安全有着 重大的意义,为解决目前人工对绝缘 子图像检测结果的不确定性,提出一种深度学习结合灰度纹理特征的检测方法。首先使用 Faster R-CNN (faster region-based convolutional neural network)目标检测算法对图像中绝缘子精确识别,再通过灰度共生矩阵对绝缘子纹理 特征进行分析提取,之后结合支持向量机将绝缘子分为正常绝缘子和异常绝缘子,实验数 据结果证明使用能量、熵、相关度3种纹理特征进行绝缘子状态分类时对实验数据中的正 常状态绝缘子的分类精度可达100%,异常状态绝缘子的分类精度达97.5%,最后依据绝缘 子图像灰度分布的周期性特点,利用灰度积分投影将异常绝缘子分为破损绝缘子和夹杂异 物绝缘子。实验结果表明所提方法可以有效对绝缘子状态进行检测分类。     

基于Faster R-CNN的颜色导向火焰检测

基于深度特征的目标检测方法Faster R-CNN在火焰检测任务上存在检测效率低的问题,因此提出了基于颜色引导的抛锚策略。该策略设计火焰颜色模型来限制锚的生成,即利用火焰颜色约束锚的生成区域,从而减少了初始锚的数量,提升了计算效率。为了进一步提高网络的计算效率,将区域生成网络中的卷积层替换成掩膜卷积。为了验证所提方法的检测效果,采用BoWFire和Corsician数据集进行验证。实验结果表明,该方法实际检测速度相较于原Faster R-CNN提高了10.1%,BoWFire上该方法的火焰检测F值为0.87,Corsician上该方法的准确度可达99.33%。所提方法可以提高火焰检测的效率,并能够准确检测图像中的火焰。     

基于双模型的输电线绝缘子自爆检测算法

针对输电线路无人机巡检图像中绝缘子自爆缺陷目标小而难以精准检测的问题,提出一种基于Faster R-CNN和改进的YOLO v3级联双模型的绝缘子自爆缺陷检测算法。首先,利用无人机巡检图像构建绝缘子串缺陷数据集,并对训练图像样本进行翻转预处理,增加样本数量,提高模型泛化能力,避免过拟合;然后,利用Faster R-CNN检测图像中的绝缘子串,再将检测到的绝缘子串图像送入改进的YOLO v3网络进行自爆缺陷的定位。改进的YOLO v3网络是在YOLO v3基础上借鉴FPN的思想,增加特征提取层并进行特征融合,充分利用深层特征和浅层特征;同时采用CIoU Loss函数作为损失函数,以解决边界框宽高比尺度信息。实验结果表明,本文算法在所构建的绝缘子缺陷数据集上的检测准确率达到91.2%,相比Faster R-CNN或YOLO v3等单模型检测算法提升了3.31个百分点以上,能有效实现无人机巡检中绝缘子自爆缺陷的检测,为输电线路智能化巡检故障诊断提供方法支持。     

基于超分辨率改进Faster R-CNN的点阵结构内部缺陷判识方法

利用增材制造技术制备金属三维点阵结构件过程中,结构内部经常会出黏连、断裂等多种细小缺陷,导致样件结构功能下降。根据缺陷结构与正常结构之间的特征区别,提出了一种针对金属点阵结构内部出现的细小缺陷自动判识的方法。利用X-射线微聚焦CT扫描金属点阵结构获得原始输入图片,在Faster R-CNN(Faster region-based convolutional neural networks)框架的基础上,改进原有特征提取网络,开发图像超分辨率重建模块。通过对工业CT图片的局部细节特征增强,实现了快速有效地识别细小缺陷的类型,以及缺陷位置信息的标注。试验证明,改进Faster R-CNN模型对金属点阵结构样件内部的两种典型细小缺陷识别的平均正确率高达93.5%。研究结果表明,通过超分辨率网络对图像进行放大,可以提高细小缺陷的特征提取,通过加深网络加强特征学习,从而实现了点阵结构内部细小缺陷的自动判识。     

瓷砖表面非常规尺寸瑕疵的检测

与普通目标检测任务不同,瓷砖表面瑕疵检测的困难之处在于检测小尺寸和大长宽比等非常规尺寸的目标.为了解决这两个问题,本文提出了一种基于改进Cascade R-CNN的新型瓷砖表面瑕疵检测算法.为了提高模型对小瑕疵的检测能力,本文模型利用侧向连接结构进行上下层语义信息的融合,使用可切换空洞率的空洞卷积来增加模型的感受野;为了提高模型对于大长宽比瑕疵的检测能力,本文模型在标准卷积上引入偏移域以更好提取目标特征信息.此外,本文模型调整Cascade R-CNN框架中预选锚框的大小和长宽比例.实验结果表明,在从瓷砖工厂收集的数据集上,本文所提出算法的平均精度均值(mean average precision, mAP)达到了73.5%,比改进前的Cascade RCNN模型提高了9.7%.本文实验代码可从以下链接获取:https://github.com/mashibin/Ceramic-tile-defect-detection.     

基于残差与注意力机制的原棉杂质检测北大核心CSCD

针对原棉杂质检测准确率不高的问题,以新疆棉花为研究对象,提出基于残差与注意力机制的原棉杂质检测算法。该算法为2阶段算法,准确率较高。首先,采集原棉杂质图象后对图像进行标注,再进行数据增广,可以避免训练过程中的过拟合现象,接着在原框架引入视觉注意力机制,通过改进算法结构来提高原棉杂质检测的准确率。其次,通过分析对比几种不同网络对原棉杂质检测的准确度,选取ResNet50为特征提取网络,该网络提高了算法的复杂特征提取能力。最后,采用RoI Align来减少量化误差,从而提高检测原棉杂质的准确性。实验结果表明,改进的算法虽然略微增多检测时间,但其整体检测准确率明显优于原算法,整体识别的准确率可达到94.84%,较改进前Faster R-CNN(faster region-based convolutional neural network)的识别率提高了5.58%。同时通过对比不同网络模型,结果显示改进后的Faster R-CNN对原棉杂质检测的效果更好。     

基于 MR 的机电装备智能检测维修

研究 Faster R-CNN 目标检测网络的基本结构与训练方法;建立了机电装备状态数据集,训练了 目标检测网络,一步实现了指针式仪表区域的提取、数字式仪表读数的识别以及开关、插头状态的识别;在不 同视角和光照强度下对目标检测网络进行了测试,结果表明模型在不同的环境中均能保持 90%以上的准确度。 并以此为依据推理故障的原因,最后根据推理结果,使用基于 Unity 3D 软件与 Hololens 2 硬件开发的机电装备 智能维修辅助系统来调取混合现实(MR)全息诱导维修信息,以指导保障人员进行操作。实验验证了系统的可用 性,实验结果显示使用 MR 可以快速、高效地完成维修任务。并依据操作耗时和问卷调查进行测试与评价,对 系统的优越性进行了定性分析。     

基于深度学习的秀丽隐杆线虫显微图像分割方法

利用计算机实现自动、准确的秀丽隐杆线虫(C.elegans)的各项形态学参数分析,至关重要的是从显微图像上分割出线虫体态,但由于显微镜下的图像噪声较多,线虫边缘像素与周围环境相似,而且线虫的体态具有鞭毛和其他附着物需要分离,多方面因素导致设计一个鲁棒性的C.elegans分割算法仍然面临着挑战。针对这些问题,提出了一种基于深度学习的线虫分割方法,通过训练掩模区域卷积神经网络(Mask R-CNN)学习线虫形态特征实现自动分割。首先,通过改进多级特征池化将高级语义特征与低级边缘特征融合,结合大幅度软最大损失(LMSL)损失算法改进损失计算;然后,改进非极大值抑制;最后,引入全连接融合分支等方法对分割结果进行进一步优化。实验结果表明,相比原始的Mask R-CNN,该方法平均精确率(AP)提升了4.3个百分点,平均交并比(mIOU)提升了4个百分点。表明所提出的深度学习分割方法能够有效提高分割准确率,在显微图像中更加精确地分割出线虫体。     

基于代价敏感Faster R-CNN的脑CT影像出血诊断方法

脑出血是一种在患者颅内突然发生的重急症,常伴随有强烈的症状和较高致死率,基于脑CT影像对脑出血进行自动化快速诊断具有重要意义。其中,临床上有效应用的实现不仅要求诊断结果的准确性、诊断速度和结果解释能力,尤其要重视出血漏检情形。因此本文提出代价敏感的Faster R-CNN模型,通过自动调节模型中锚的训练样本比例以及在损失函数中引入衡量阳性样本重要性的超参数等方式,更多地关注阳性样本和漏检情形提升检测效果,最后通过定位的具体目标区域来诊断脑内出血情况。经多次实验选择性能最优的网络结构和合适的超参数,利用多项指标度量最终模型的检测和诊断效果。实验结果表明,代价敏感的Faster R-CNN方法能够从减少漏检的角度上更好地识别出血区域,进而提高不平衡代价下的脑出血诊断效果。