面向应用层QoS的实时视频优化码率控制

基于传统视频信源编码在应用层QoS的联合信源信道优化，研究了信源编码和信道编码之间合理分配带宽以及信道与信源联合编码下的有效码率控制问题．依据视频编码的实时可变帧率下的VBR视频网络传输信道模型，提出了网络接入带宽统计复用基础上的优化信道码率分配；根据信道传输失真，推导出基于图像帧的全局信源信道联合失真估算递归模型，按照模型运算率失真优化下的跳帧参数和帧内宏块刷新率，实现整体的图像编码质量优化控制．相对于普遍采用的基于宏块的局部优化控制策略，所提出的优化码率控制策略能获取更一致的图像质量和更高的性能增益．     

基于改进U-Net的零件缺陷分割标注

提出一种以U-Net为基础，依据零件缺陷的特点对网络进行一系列改进的模型，以提升网络对零件缺陷的分割精度.首先在U-Net结构中的编码阶段，使用改进的残差网络Res2Net提高该阶段的特征提取能力；然后在网络编码器与解码器的中间部位增加空洞卷积，在不改变特征图尺寸的情况下增加感受野，降低误检率与漏检率；最后在U-Net的输出阶段与Mini U-Net进行结合，对原本的输出结果进行二次补丁，提高对微小缺陷的检测精度.实验结果表明，对MVTec数据集进行分割的F1-Score分数达到87.21%，时间为0.017 s，达到了良好的检测效果.     

基于M-DCGAN的缺陷检测数据集增广方法

针对智能制造中表面缺陷检测数据集不足问题，提出基于M-DCGAN的数据集增广方法。首先，向判别器添加上采样模块，搭建类U-Net结构并提升判别器与生成器的网络深度；设计基于Canny边缘检测的缺陷位置二值化掩膜提取方法；定义图像掩膜依赖的损失函数，建立缺陷目标位置关注引导机制；插入谱归一化层和Dropout层以提高训练稳定性，保持生成图像数据多样性。带钢缺陷数据集实验结果表明，该模型生成图片质量高于DCGAN、WGAN-GP和InfoGAN。采用本文M-DCGAN算法增广训练数据，能够显著提升并超过传统增广算法在YOLOv5、SSD、Faster R-CNN、YOLOv3等八种经典方法中的缺陷检测精度，验证了本文算法的有效性。     

基于改进DeepLabV3+网络的坝面裂缝检测方法

基于图像分析的水电站坝面缺陷判别是一种高效、精准的方法，然而大坝裂缝图像存在背景复杂以及裂缝和背景像素比例不均衡等问题，导致传统算法的检测效果差。该文提出一种基于改进的DeepLabV3+网络模型的坝面裂缝检测方法。该方法利用三线注意力模块(three line attention module,TLAM)提高模型对裂缝像素的提取能力；采用空洞空间金字塔池化(atrous spatial pyramid pooling,ASPP)模块进行级联优化，实现更密集的像素采样，获取更丰富的裂缝特征；将MobileNetV2作为特征提取主干网络，可实现网络轻量化并减少模型参数；将焦点损失(focal loss,FL)和Dice损失(Dice loss,DL)作为模型的损失函数，可克服数据不平衡的困难。对西南某水电站的坝面裂缝数据集进行模型有效性和对比实验，结果表明：该方法中用来评价模型精度的F_{1, score}、平均交并比(mean intersection over union,MIoU)和平均像素精度(mean pixel accuracy,MPA)的值分别达到73.98...     

基于U-net和YOLOv4的绝缘子图像分割与缺陷检测

输电线路上绝缘子的完整性直接影响了输电的安全与可靠性.采用深度学习方法，对绝缘子图像识别提取和缺陷检测问题进行了研究.首先基于优化的U-net模型获取绝缘子区域掩模图像，实现对绝缘子串语义分割；然后基于YOLOv4模型获取缺陷绝缘子的位置，实现对自爆绝缘子目标的检测.为充分利用高分辨率图像的像素信息，提出“切分-识别-合成”的检测思路，精确分割出绝缘子以及判断并获取缺陷区域；最后设计了多组实验并进行对比，验证了模型的有效性.采用优化的U-net模型分割绝缘子的Dice系数达0.92；采用YOLOv4模型检测自爆绝缘子的识别精度达0.96，平均重叠度IOU达0.88.研究结果对实现电力系统运维的智能化具有较高的应用价值.     

基于通道注意力机制的视频超分辨率方法

基于视频帧间信息特征,提出了基于通道注意力机制的循环残差注意力网络,将连续的低分辨率视频帧、前一时刻输出帧和隐藏态作为输入进行特征提取,在隐藏态中引入残差连接和注意力机制,增强网络特征提取能力,经过亚像素卷积层重建出高分辨率视频帧。然后将本视频超分辨率网络模型在Vid4、UDM10、SPMCS视频数据集进行了测试。实验结果表明,与其他基于深度学习的视频超分辨率方法相比,本方法能利用帧间特征信息较好地恢复高频特征信息,恢复的视频图像PSNR和SSIM值都比其他主流方法要高,同时取得了较好的主观视觉效果。     

一种基于改进RefineDet的管道数字射线成像缺陷图像检测方法

为提高管道缺陷图像检测的准确率,提出一种基于改进RefineDet的管道数字射线成像(digital radiography,DR)缺陷图像检测模型。该模型针对管道DR缺陷图像数据少、目标少等特点,从以下三个方面进行改进。首先,在骨干网络设计方面,使用Swin transformer代替VGG16作为主干网络,在提高特征提取能力的同时减少主干网络参数量。其次,针对管道DR缺陷图像目标数量较少而易受背景干扰问题,通过在主干网络与特征融合阶段之间加入全局注意力模块来强化模型对重要特征的关注,从而提高检测性能。最后,在后处理阶段,针对传统的非最大值抑制算法直接去除非最好预测框问题,使用软非最大值抑制算法以更合理的方式去除非最优预测框。结果表明：该方法能够有效实现管道DR缺陷图像的检测,并且相比于其他4种常用的目标检测模型,提出的模型可以有效提升管道DR缺陷图像检测的准确率,研究成果可为DR缺陷图像检测提供技术支撑。     

应用残差生成对抗网络的路况视频帧预测模型

在路况视频帧的预测领域中,针对当前大部分模型所存在的预测图像分辨率低、图像模糊和局部细节缺失等问题,提出了一种应用残差生成对抗网络的路况视频帧预测模型(RB-GAN)。该模型用于在给定一段路况视频流的情况下更好地预测未来的一帧路况图像,应用多个级联的残差模块初步提取输入视频流的图像特征;利用感知网络强化对视频流中物体运动特征的提取;通过使用双重判别器提高生成对抗网络生成的图像的质量;用Adam方法来优化网络权值的深度学习过程。基于生成对抗网络这种半监督的学习框架,训练后的模型可以预测出一段路况视频流下一时刻的同输入视频流具有时空一致性的帧图像。应用车辆检测领域常用的KITTI数据集对生成对抗网络模型进行训练和测试,实验结果表明:与主要依赖于像素均值的方法相比,RB-GAN模型预测图像的分辨率提高了2～4倍,达到256像素×512像素,在图像锐度标准上提高了1～2个数量级,同时图像也更加符合人眼视觉的主观感受,所预测得到的路况视频帧图像质量更高,更具有实用性价值,可以更好地为诸如检测算法等其他下游算法提供有效的特征信息。     

基于ISODATA算法的漏磁信号到缺陷轮廓的网络映射

由于漏磁信号与缺陷轮廓的非线性关系，由管道漏磁信号描述管道缺陷的几何特征一直是管道漏磁检测的难点．本采用小波基函数神经网络的方法，建立了由管道缺陷的漏磁信号到缺陷截面轮廓图的网络映射．算法中应用迭代自组织数据分析(ISODATA)动态聚类的算法使得基函数中心的选取更加合理，经过多层分辨率的训练．网络输出表明，该网络可以较准确反映出缺陷的几何特征，为管道缺陷的特征提取提供一种可行的方法。     

基于改进YOLOv3的输送带纵向撕裂多视角检测方法

针对输送带纵向撕裂检测中存在的检测视角单一、速度慢、精度低等问题，文章提出一种基于改进YOLOv3算法的输送带纵向撕裂多视角检测方法。首先对原始YOLOv3网络结构进行优化设计，采用29层网络模型(Darknet-29)作为特征提取网络，将原有的3种不同尺度锚点改用为2种不同尺度(26×26,52×52)锚点；将位于多视角检测点的工业相机所采集的纵向撕裂图像制作成数据集，使用K-means算法对输送带纵向撕裂标签进行维度聚类分析，确定先验框参数；最后将改进的YOLOv3算法在数据集上进行测试与训练，并与其他几种算法进行比较。实验结果表明：该检测方法不仅可以较好地检测出输送带纵向撕裂，还可以分类识别出大裂纹或完全撕裂情形；相较于原始YOLOv3算法，改进后的YOLOv3算法平均检测精度均值提高0.4%,达到98.7%,检测速度提高60.6%,达到53帧/s,模型占用内存减少93 Mb,仅为141 Mb,优于YOLOv2和YOLOv3-Tiny算法。该文提出的输送带纵向撕裂检测方法具有模型占用内存低、检测精度高及速度快等优点，为输送带纵向撕裂提供了一种新的检测方案。     

基于检测图像的排水管道缺陷智能辅助分类方法

针对当前地下管网CCTV检测缺陷中存在自动化程度偏低及依赖专业人员技术水平的问题,综合采用图像处理和深度学习技术构建了辅助检测人员快速、准确地识别管道缺陷类型的智能方法。首先,收集十类典型缺陷图像,对其进行图像处理生成样本集;在此基础上,以深度卷积神经网络AlexNet和ResNet50为基础框架,使用预训练AlexNet和ResNet50网络迁移学习管道缺陷特征,通过敏感性分析优化了分类网络参数,然后,通过测试集验证了管道缺陷智能分类模型的准确性,并结合具体工程实例验证建立方法的有效性。结果表明：两类管道缺陷智能分类模型在测试集上分别达到92.00%和96.50%的准确率,实际工程实例准确率达到了85.41%和87.94%,且ResNet50的分类效果更优,具有较好工程适应性。图像处理和深度学习技术可提高排水管道缺陷分类的自动化与准确率,值得进一步进行推广。     

排水管道图像雾气及光斑干扰去除方法研究

近年来,管道内窥摄像检测是常用的排水管道缺陷检测技术,由于大部分管道内部具有一定污水充满度,管道图像往往存在白雾以及光斑等干扰,影响图像缺陷的识别和解译,为此,提出了一种排水管道图像雾气及光斑干扰去除方法,首先结合管道雾气特征,构建暗通道先验算法去雾,针对去雾后的色偏问题,使用一种多尺度Retinex色偏恢复算法,最后改进二维伽马函数,通过降低镜头污染,实现对图像光斑的压制。实验结果表明,该方法能有效去除排水管道内视频图像中的雾气和光斑的干扰问题,提高排水管道图像的可视度、对比度和清晰度,从而提高排水管道病害解译准确度。     

排水管道检测与缺陷识别技术综述

随着排水管道使用年限的增长及输水能力要求的提高,对排水管道进行状态评估已成为必须要做的工作,但管道状态评估很大程度上依靠管道的检测结果,为全面了解排水管道的检测方法,本文对目前用于排水管道检测的主要方法做了综述,分析了各检测方法的原理和特点,并介绍了基于计算机视觉和图像处理的自动化缺陷检测技术,对排水管道检测技术的发展前景进行了展望,认为闭路电视检测方法结合深度学习缺陷识别技术,可以实现排水管道检测领域的自动化和高效率,具有较好的应用前景。     

基于LS-SVM的超声导波管道缺陷二维重构

针对当前超声导波检测中的缺陷成像技术难点,提出了基于支持向量机的缺陷轮廓重构方法.通过实验和有限元仿真相结合的方式,获得不同大小缺陷的检测信号.采用最小二乘网络学习算法,选取缺陷回波数据作为支持向量机的输入,缺陷轮廓数据作为输出.建立了缺陷回波到缺陷二维轮廓的非线性映射,实现了缺陷轴向宽度和径向深度的二维轮廓重构,并与径向基神经网络重构效果进行了对比.实验结果表明,该方法速度快、精度高、泛化能力好,是管道超声导波定量化、可视化检测的一种可行方法.     

基于改进BP神经网络算法的管道缺陷漏磁信号识别

海底管道漏磁检测信号处理的主要任务是根据霍尔传感器检测到的缺陷漏磁信号来识别缺陷的形态参数．根据漏磁检测原理设计了相关的漏磁检测电路，通过提取信号的主要特征量，利用Levenberg-Marquardt算法在对常用BP神经网络改进的基础上应用其来识别缺陷的尺寸参数，给出了BP神经网络各层数的确定及权值、学习率的调整方法和相应的漏磁信号数据处理过程．漏磁检测数据处理实验表明，该缺陷识别BP神经网络系统具有逼近精度高、收敛速度快等特点．     

一种在图像和视频帧中检测文本的新方法

提出了一种在带有复杂背景的图像和视频帧中检测文本的由粗到细的新方法.首先用连通分量(Component Connect,CC)方法对可能是文本的区域进行粗定位,然后再进行纹理分析,得到特征向量后,用统计图的方法对其进行筛选,并对筛选后的特征向量使用BP神经网络进行分类,从而得到真正的文本区域.经过测试,提出的算法在图像和视频帧中的检测率达到95.3%.     

基于迁移学习和AlexNet的驾驶员行为状态识别方法

为了解决传统基于神经网络算法的驾驶员行为状态识别系统精度过于依赖大量训练样本的问题,本文提出将迁移学习理论和AlexNet引入到驾驶员行为状态的识别研究中。首先对驾驶员行为特征及状态进行深入分析,对驾驶员7种驾驶状态进行了定义,构建了驾驶员状态信息采集系统;然后对基于卷积神经网络的驾驶员状态识别方法研究,建立了驾驶员状态数据集,构建了基于AlexNet卷积神经网络的状态监测系统,通过迁移学习完成了卷积神经网络识别模型。最后通过实验验证了本文提出的驾驶员状态识别算法对7种驾驶员状态识别的有效性。实验表明：该系统准确率达到97.8%,且在实验设备中运行速度达到70帧/分钟,满足较高的准确率要求与实时性要求。     

混凝土缺陷智能化快速检测与定量识别技术研究

针对目前混凝土缺陷无损检测技术的不足及相关模型实验研究十分缺乏的现状,结合实际工程中混凝土结构常见的质量缺陷,制作了一系列含有不同类型、性质缺陷及无缺陷的混凝土模型试件,开展了基于先进的信号处理技术和人工智能技术的混凝土缺陷无损检测的模型实验研究。针对冲击回波测试信号非稳态的复杂特性,应用小波变换技术有效地提取了缺陷信号的特征值;并应用极限学习机(ELM)作为分类模型,由此在理论分析和模型试验的基础上,建立了基于小波分析和极限学习机的混凝土缺陷智能化快速检测与定量分类识别系统。结果表明:该系统具有较好的分类识别性能,初步实现了对混凝土缺陷类型、性质和范围的智能化快速定量识别与评价,极大地提高了混凝土缺陷检测与评估的速度及精度。     

On-line Detection of Gas Pipeline Based on the Real-Time Algorithm and Network Technology with Robot

The detection system integrates control technology, network technology, video encoding and decoding, video transmission, multi-single chip microcomputer communication, database technology, computer software and robot technology. The robot can adaptively adjust its status according to diameter (from 400 mm to 650 mm) of pipeline. The maximum detection distance is up to 1 000 m. The method of video coding in the system is based on fractal transformation. The experiments show that the coding scheme is fast and good PSNR. The precision of on-line detection is up to 3% thickness of pipeline wall. The robot can also have a high precision of location up to 0.03 m. The control method is based on network and characterized by on-line and real-time. The experiment in real gas pipelineshows that the performance of the detection system is good.