基于改进DTCWT和引导滤波的低剂量CT图像降噪

针对低剂量计算机断层扫描(CT)图像噪点较多和空间分辨率低的问题,提出了一种基于改进双树复小波变换(DTCWT)和引导滤波的低剂量CT图像降噪方法。首先使用DTCWT对低剂量CT图像进行多尺度分解,对高频子带系数使用拟合优度检验框架进行去噪,对低频子带使用三边滤波进行降噪,逆DTCWT重构得到初始去噪图像;然后使用降噪并插值的低频子带图像作为导向图像对CT图像进行引导滤波;接着结合初始去噪图像和引导滤波的去噪结果生成细节残存图像;最后用3维块匹配滤波(BM3D)阈值算法对细节残存图像进行二次去噪,叠加两次去噪结果得到最终去噪图像。实验结果表明,该方法优于其他传统图像去噪算法,在抑制噪声的同时,良好地保留了图像的边缘轮廓和纹理特征,对低剂量CT图像有着显著的去噪效果。     

基于改进降噪自编码器的风机轴承故障诊断方法

滚动轴承是风电机组中故障最为频繁的部件之一,准确有效的轴承故障诊断方法有助于保障风电机组安全稳定运行。针对轴承振动信号特征微弱、难以诊断的问题,提出了一种基于改进降噪自编码器的风电机组轴承故障检测方法。首先引入了一维信号的图像化预处理,将原始的时域信号转化为二维特征灰度图。然后利用卷积神经网络在图像特征提取上的强大优势,构建了堆叠降噪自编码器与卷积神经网络的集成模型,去除了传统卷积神经网络中的池化层,进一步提升提取特征的鲁棒性和泛化性。整体诊断流程由数据驱动,减少了对于经验的依赖。最后的实验结果表明,该方法能够精确诊断不同类型的轴承故障。此外,通过与其他方法的对比实验进一步验证了该方法在故障诊断方面的优越性。     

图像分割方法应用于施工现场物体的识别

复杂场景中的图像分割是当前图像分割中的一个难点,给分割算法带来了更大的挑战。基于深度学习的算法基于统计学理论,相比传统的神经网络,深度学习能够进行更深层次的学习,因此准确率大大提升,本文研究了一种深度信念网模型,加入drop out策略,并且进行改进,最后把模型应用于施工现场勾机的图像分割与识别。实验证明,改进的深度信念网模型算法可以有效的识别复杂场景中的图像。     

基于小波神经网络的电容层析成像图像重建算法

电容层析成像(electrical capacitance tomography,ECT)技术是一个复杂的非线性问题,针对图像重建问题的病态性,提出了基于小波神经网络的图像重建算法。利用主成分分析法对输入变量(电容测量值)进行降维处理,利用小波神经网络建立电容测量值与成像区域介电常数分布的非线性映射。小波神经网络的神经元激励函数由伸缩和平移因子决定的小波基函数,采用BP算法对网络进行训练,并引入学习率与动量因子的自适应调整方法以加快网络训练的收敛速度。实验结果表明,与典型的反投影及Landweber迭代算法相比,该算法所构图像质量有明显改善。     

基于生成对抗网络的注入电流式热声成像逆问题研究

注入电流式热声成像结合了电阻抗成像高对比度和超声成像高分辨率的优势,在生物医学成像领域具有广阔的应用前景.该成像方法激励效率高、检测信噪比强,但在较低频率的电磁激励下,重建目标体电导率的高分辨率图像仍然具有很大的挑战.该文提出一种基于生成对抗网络的电导率重建新方法,包含三个步骤:首先用维纳滤波反卷积,将超声探头输出的电信号还原为真实声信号;然后利用滤波反投影获得初始声源图像;最后将初始声源图像和电导率图像进行匹配,作为生成对抗网络的训练样本,构建用于电导率重建的深度学习模型.经理论分析与仿真研究发现,新方法通过引入深度神经网络,能够挖掘出蕴含在数据中的逆问题求解模型,进而重建高分辨率的电导率图像,且具有很强的抗干扰特性.新方法的提出为解决注入电流式热声成像的电导率重建问题提供了新思路.     

基于边缘融合与监督-密集块特征提取去噪网络设计

去噪卷积神经网络(denoising convolutional neural network, DnCNN)在去噪方面展现出了优异的性能,但仍存在着过度平滑和细节丢失的问题。针对此问题,提出一种图像边缘融合与监督-密集块充分特征提取的方法,该方法在主干网络中使用叠加的密集块对图像特征进行充分地提取;在辅助网络中通过提取含噪图像的边缘信息将其融合在主干去噪网络中并分阶段监督主干网络促使主干网络在去噪的同时更好的保留图像细节,提高去噪图像的成像质量。实验证明在噪声水平为25的条件下,模型在Set12数据集上的平均峰值信噪比(PSNR)和结构相似性(SSIM)比传统的DnCNN模型分别高出0.14 dB和0.011。同时该模型还可以用来训练去除高斯盲噪声和脉冲盲噪声,使用高斯盲噪声去噪网络去除噪声水平为25的高斯噪声,在Set12数据集上PSNR和SSIM值较DnCNN-B网络分别提升0.16 dB和0.005;使用脉冲盲噪声去噪网络去除10%的脉冲噪声在Set12数据集上PSNR值和SSIM值分别可以达到37.16 dB和0.960。模型在去除噪声的同时还能尽可能多的保留图像的细节。     

基于物理信息嵌入式神经网络的管壁导波成像

为了实现管壁腐蚀缺陷的定量化成像,提出了一种基于物理信息嵌入式卷积神经网络的成像算法,从超声导波信号重 建管壁厚度。 首先推导了超声导波在管壁上传播的二维声波模型,通过矩阵 LU 分解求解频域波动方程,可实现从管壁导波速 度图到声场信号的正演;其次搭建了物理信息嵌入式卷积神经网络,包含 3 个迭代层,每个迭代层由正演模型和残差反演子网 络组成;生成包含随机腐蚀缺陷的管道仿真数据集,搭建网络进行训练和反演,训练集、验证集和测试集的成像结果的平均 Pearson 相关系数分别为 94. 91%、86. 47%和 87. 37%,缺陷图像一致度高;搭建了实验系统,在加工有不规则阶梯缺陷的管道上 采集导波信号进行反演,成像结果良好,厚度图的均方误差为 0. 005 7。 算法将物理模型与神经网络结合在一起,实现了从导波 信号到管道厚度图的高精度成像。     

基于深度降噪极限学习机的变压器故障诊断

针对变压器故障诊断中模型训练时间长,容易过拟合,噪声敏感等问题,本文提出一种深度降噪极限学习机变压器故障诊断方法。将极限学习机与降噪自编码器结合构建降噪自编码极限学习机,并将其堆叠构建深度降噪极限学习机模型进行特征提取,将提取的特征输入常规极限学习机进行分类,整体构成深度降噪极限学习机分类算法。该算法能有效应对电压器油中溶解气体分析数据中的噪声且具有非常快的学习速度。仿真实验结果表明,相比于传统BP神经网络,本文方法有更高的故障诊断正确率和更短的训练时间,是一种有效的变压器故障诊断方法。     

改进U_Net网络的钢结构表面锈蚀图像分割方法

为实现锈蚀图像分割网络模型轻量化,同时消除非单一特征背景和锈液等类似特征背景干扰,本文将U_Net网络模型的编码部分替换为MobilenetV3_Large网络,导入基于ImageNet数据集的MobilenetV3_Large网络预训练权重,将U_Net网络模型解码部分的普通卷积替换为深度可分离残差卷积,并在上采样的过程中添加注意力导向AG模块和Dropout机制。经实验验证表明,本文设计的改进U_Net网络模型在非单一特征背景和锈液等类似特征背景干扰下,具有明显的锈蚀图像分割优势,相比于原U_Net网络模型,模型大小减少了81.18%,浮点计算量减少了98.34%,检测效率提升了3.27倍,即从原来不足6 fps,提升至19 fps。网络模型实现轻量化的同时,网络模型的准确率达95.54%,相比于原U_Net网络模型提升了5.04%。     

半监督卷积神经网络遥感图像融合

近几年随着深度学习的发展,学者们利用卷积神经网络实现遥感图像融合取得了不错的效果。由于没有高分辨率多光谱图像作为参考图像,所以一般基于深度学习的方法在退化图像上训练模型,然后用训练好的模型去预测高分辨率多光谱图像,但是退化图像的融合过程并不能完全反映原始图像的融合过程。为了改善融合性能,提出了一种半监督卷积神经网络遥感图像融合方法,该方法在退化图像和原始图像上使用同一个融合网络同时进行训练。退化图像的融合具有相应的参考图像,采用常规的监督学习方式对融合网络进行训练,还加入了光谱损失来更好的保持光谱信息。而原始图像的融合不存在高分辨率多光谱参考图像,设计了光谱退化网络和空间退化网络对融合图像进行退化,再训练融合网络。实验结果表明,提出的方法光谱与细节保真效果好,优于对比方法。     

一种用于车辆图像分割的MSSA-UNet模型

针对实际交通场景下的车辆图像分割方法存在模糊、效果差的问题,本文以UNet神经网络模型为基础,提出了一种融合多尺度模块和空间注意力机制的MSSA-UNet模型。在编解码阶段,采用空洞卷积构建多尺度模块,改善卷积层感受野大小受限的同时输出包含多尺度的特征信息。在上采样前,引入空间注意力机制来弥补采样过程中的局部信息丢失问题,提高特征还原能力。结合交叉熵损失与Dice损失,优化网络学习和训练过程,提高模型的分割精度。实验结果表明,本文提出的MSSA-UNet模型对于车辆图像分割任务在IoU评价指标达到83.48%,较改进前准确度提升了2.28%,模型预测值和真实值更接近,分割效果更好,有效提升了模型的分割性能。     

基于遗传神经网络的风电场输出功率短期预测

针对风电场短期输出功率的时变性和非线性特点,提出了基于遗传神经网络的短期风电功率预测方法。结合BP网络对非线性问题良好的逼近能力和遗传算法优良的全局寻优能力,遗传算法有效解决了BP神经网络全局搜索能力差、易陷入局部极小值的问题。与BP神经网络模型相比,遗传神经网络模型预测精度有所提高,为风电场输出功率短期预测提供了一种有效的方法。     

基于深度学习的输电线路视觉检测方法研究进展

输电线路巡检是电网持续稳定供电的保障,其目的是对电力线、绝缘子、电力杆塔、防振锤等线路设备进行状态检测和故障诊断,同时观测电力线周围潜在隐患。深度学习的发展为输电线路巡检提供了有效手段,与传统目标检测方法相比,深度学习方法能更有效地实现航拍图像中电力设备的识别及缺陷检测。该文综述近十年来基于深度学习的输电线路视觉检测方法的研究进展。首先,概述适用于输电线路巡检的深度卷积神经网络,包括分类网络、检测网络、语义分割网络,考虑到开发的深度学习网络模型便于在移动设备上应用,另外阐述轻量化网络;然后,重点阐述基于深度卷积神经网络的输电线路巡检图像数据目标检测;随后介绍7个电力设备数据集以及性能评价指标;最后,指出基于深度学习的输电线路巡检图像数据视觉检测方法目前存在的问题,并对进一步的工作进行展望。     

基于YOLO v4优化的航拍绝缘子缺陷图像检测模型

针对现有绝缘子缺陷检测模型检测精度低、实时性差和网络参数多的问题,提出了一种基于YOLO v4改进的绝缘子缺陷检测模型。首先,利用改进的VGG卷积神经网络实现了主干特征提取。其次,在加强特征提取网络和预测网络中引入深度可分离卷积,降低了模型的复杂度。再次,在加强特征提取网络中融合通道注意力机制对重要特征进行增强,提升了模型对绝缘子缺陷的目标辨识能力。最后,以平均精度、帧率、参数量等作为评价指标,对基于公共数据集CPLID构建的新数据集进行了消融实验和对比实验。实验结果表明,改进的YOLO v4模型对绝缘子缺陷的检测精度为98.35%,相比于传统的YOLO v4模型提高了6.4%,并且其检测速度和参数量分别为传统YOLO v4模型的1.5倍和37.5%,可实现对航拍绝缘子缺陷图像的高精度实时有效检测。同时,改进的模型相比YOLO v5-M和Faster R-CNN模型在检测精度,速度和模型复杂度上也更具优势。     

基于粒子群神经网络的汽轮机故障诊断

提出了一种基于粒子群优化神经网络的进化神经网络模型（PSO-ANN）。在实例研究中,该模型被应用于汽轮机故障诊断中。与传统BP网络诊断结果相比,本文的方法具有运算效率高、收敛速度快的特点,是一种有效可靠的新型故障诊断技术。     

基于自适应模糊神经网络的风速软测量

针对风力发电系统有效风速无法直接测量的问题,提出了基于自适应模糊神经网络的风速软测量方法,在该方法中利用优化的自适应模糊神经网络建立了风速软测量模型,以发电机功率、桨距角和风力机转速作为模型的输入,有效风速作为模型的输出,网络学习中采用可变的学习速率和可变的动量学习率.仿真结果表明,与传统的神经网络风速软测量模型相比,基于自适应模糊神经网络的风速软测量方法是有效的,风速的估计值较好地跟踪了有效风速的变化趋势,具有较高的准确性.     

基于改进YOLOv5-s的火龙果多任务识别与定位

在复杂的农业环境下，水果采摘机器人系统感知端的识别与定位性能是提高水果采摘成功率的重要指标。本文以复杂外形的火龙果作为研究对象，针对采摘机器人的视觉系统提出了一种适用于火龙果图像自主检测的实时多任务卷积神经网络——SegYOLOv5。该网络基于YOLOv5 s卷积神经网络的主体架构进行适应性改进，通过提取3层加强特征作为改进级联RFBNet语义分割网络层的输入，实现图像检测和语义分割的多任务目标识别检测，有效提升了模型的整体性能。改进的SegYOLOv5网络结构能够适应对边界敏感的图像语义分割农业场景，测试集的平均精度均值和平均交并比分别为9310%和8364%，与YOLOv5 s+原始RFBNet和YOLOv5 s+BaseNet模型相比，高出了前者123%和274%，高于后者238%和145%。SegYOLOv5平均检测速度达到7194 fps，相比EfficientDet D0提高4079 fps，平均精度均值高出58%。通过端到端输出SegYOLOv5检测结果并结合图像几何矩算子，能够实时准确定位火龙果质心作为理想采摘点。改进的算法具有较高的鲁棒性和通用性，为基于视觉感知的水果采摘机器人奠定了有效的实践基础。     

基于主成分分析与前向反馈传播神经网络的风电场输出功率预测

为了解决单一的传统预测方法在风电场输出功率预测中存在的问题,提出了基于主成分前向反馈神经网络的预测方法。首先采用K-S方法对样本进行选取;然后用主成分分析法提取样本有效信息,求解出主成分,构建神经网络模型进行输出功率预测。结果表明,主成分分析后的神经网络模型消除了输入因子的相关性并简化了网络结构,使网络加速收敛。实例验证,与单一的神经网络模型相比,预测精度有所提高,为风电场输出功率预测提供了一种有效的方法。     

基于支持向量机的自适应均值滤波超声图像降噪

医学超声图像在成像过程中由于超声散射回波的相互干渉,导致所成图像中出现难以与器官、组织等人体结构区分的斑点噪声,给后期的临床诊断和图像后续处理带来了极大的不便。针对超声图像中的斑点噪声,提出了一种基于支持向量机(SVM)的自适应均值滤波超声图像降噪模型。该方法利用SVM的分类特性,将超声图像中的噪声信号和非噪声信号作出区分,再将SVM的分类结果和均值滤波相结合去对噪声图像进行去噪。这样可以保证医学含噪图像的组织区域和细节特征做到最大保留,噪声区域获得最大的平滑处理。在实验部分,通过对物理体膜和人体超声肝脏图像分别进行实验,结果表明,该方法可以有效抑制并降低超声图像中的斑点噪声,并保留了其边缘特征,使得去噪图像的信噪比显著增加,是一种有效的医学超声图像降噪方法。     

基于卷积神经网络的深度图像超分辨率重建方法

为了更有效地提高深度图像的分辨率,构建了一种更深层次的深度图像超分辨率重建的卷积神经网络。该网络直接将低分辨率深度图像作为网络的初始输入,通过卷积神经网络学习图像的高阶表示,获得更具有表达能力的深层特征,同时在网络的输出层引入亚像素卷积层,针对提取到的特征学习不同上采样滤波器,实现上采样放大操作。为了实现网络更好地收敛,在网络中加入了残差网络结构。在4个常用数据集上的实验结果表明,与其他先进方法相比,该方法网络收敛速度更快,并可以有效地保护图像的边缘结构,解决伪影问题,且在定性和定量两方面均取得了很好的重建效果。