基于YOLOv4的输电线路外破隐患识别算法

针对人工巡检及传统视频监测方式不能及时识别输电线路外破隐患的问题, 本文提出基于YOLOv4的输电线路外破隐患识别算法. 该算法采用改进K-means算法对图片样本集目标的大小进行聚类分析, 筛选出符合检测目标特征的锚框, 之后利用CSPDarknet-53残差网络提取图片深层次网络特征数据, 并采用SPP算法对特征图进行处理增加感受野, 提取更高层次的语义特征. 最后结合实际的输电线路现场监控图片, 测试结果表明该算法能够及时准确检测到外破隐患.     

基于图像识别技术的输电线路智能监控系统应用

针对持续多发的输电线路外力破坏事件,人工巡视以及传统监控设备并不能及时有效发现事故隐患,因此提出基于图像识别技术的输电线路智能监控系统.该系统应用卷积神经网络的深度学习算法训练模型,可以智能识别出输电线路现场的安全隐患.建立起前端采集图像,数据无线传输,后台识别分析,隐患定向推送的智能监控新模式.在佛山地区应用实践中,该系统实现了对输电线路现场的24小时实时监控预警,提高了对外力破坏隐患的监管能力,有效预防了大型施工机械所致的线路跳闸事故.     

基于深度学习的输电线路风险预警识别研究

“三跨”输电线路出现的故障,对于电力保障及铁路公路等基础交通设施均会造成重大影响。因此对“三跨”输电线路的潜在风险进行识别与预警,是至关重要的。针对这一问题,本文提出了一种结合深度学习和图像处理技术的输电线路安全区域内工程机械设备的的识别与检测方法。采用区域卷积神经网络（Faster-RCNN）对位于输电线路安全区域内的各类工程机械设备进行识别与检测,并基于caff框架下进行了实现;算法还结合同态滤波等图像处理技术,以进一步提高在不良光照等复杂环境下的目标检测结果的准确度。多组实验结果表明算法对于各种复杂环境下的各类工程机械设备均具有较高的检测识别率,算法实现了对位于输电线路安全区域内的工程机械类的风险预警识别,为输电线路故障与风险智能识别平台的建立提供了基础。     

基于BP神经网络的输电线路隐患预放电识别研究

针对输电线路在长期运维过程中出现的异常主要依靠人工定期巡线来排查,无法高效、准确的对隐患进行预判的局限,本文提出了基于BP神经网络方法对输电线路典型隐患预放电识别。首先在南方电网防冰减灾重点实验室梅花山基地搭建起输电线路放电试验平台,得到了输电线路在树障和污秽绝缘子两种典型隐患的预放电脉冲电流波形数据。继而绘制得到放电信号中放电量,放电次数,相位参数的三个二维统计图,在此基础上提取并构建得到放电特征参量数据库,再将特征量带入反向传播神经网络分类器中对线路隐患模型进行训练。最后对模型测试的结果表明,采用BP神经网络算法能够有效识别输电线路中典型的隐患,且识别准确率达到92%以上,进而为输电线路隐患识别提供了参考。     

基于Cascade R-CNN的输电线路关键部件识别

针对无人机在输电线路关键部件巡检图像中目标多，且尺度相差较大，导致识别率低的问题，提出使用深度学习目标检测算法Cascade R-CNN进行识别。由于输电线路关键部件无公开数据集，采集输电线路关键部件图片，并将图片数据的分辨率进行统一，使用LabelImg软件进行标注，制作一个符合训练要求的数据集。基于Paddle框架进行模型搭建，使用PaddleDetection训练工具进行全流程训练调优，进行测试。实验结果表明，基于Cascade R-CNN算法的模型在进行目标尺寸相差较大的多目标检测时，在测试集上的精度(mAP)可以达到91.39%,检测效果较好。     

融合候选区域提取与SSAE深度特征学习的心脏MR图像左心室检测

左心室检测在计算机辅助心脏MR图像诊断方面具有重要价值,针对由于成像质量、部分容积效应、目标复杂多变等因素影响,导致左心室自动检测准确度较低的问题,提出一种融合候选区域提取与栈式稀疏自编码器(SSAE)深度特征学习的心脏MR图像左心室检测方法.在候选区域提取阶段,先用超像素算法产生初始区域,然后对SSAE学习到的深度特征采用层次聚类算法生成候选区域;在检测阶段,先使用SSAE提取候选区域的深度特征,然后训练SVM分类器对候选区域进行分类,并使用难分负样本挖掘算法对模型进行调节.对心脏图谱数据集左心室目标检测的实验结果表明,相对于手工特征及基于候选区域等方法,该方法取得了有竞争力的检测精度.     

基于多任务深度卷积神经网络的显著性对象检测算法

针对当前基于深度学习的显著性对象检测算法不能准确保存对象边缘的区域,从而导致检测出的显著性对象边缘区域模糊、准确率不高的问题,提出了一种基于多任务深度学习模型的显著性对象检测算法。首先,基于深度卷积神经网络（CNN）,训练一个多任务模型分别学习显著性对象的区域和边缘的特征;然后,利用检测到的边缘生成大量候选区域,再结合显著性区域检测的结果对候选区域进行排序和计算权值;最后提取出完整的显著性图。在三个常用标准数据集上的实验结果表明,所提方法获得了更高的准确率,其中F-measure比基于深度学习的算法平均提高了1.9%,而平均绝对误差（MAE）平均降低了12.6%。     

基于改进Faster RCNN的输电线路航拍绝缘子检测

为提高航拍图像中输电线路绝缘子的检测准确性,提出一种改进的Faster RCNN网络模型.在原始Faster RCNN网络模型上运用多尺度训练,同时根据绝缘子自身特性调整滑动窗口产生的候选区域比例,并引入检测困难样本的对手生成策略,实现不同尺寸及部分遮挡输电线路绝缘子的准确检测.实验结果表明,改进的Faster RCNN网络模型相比原始Faster RCNN网络模型的检测精确度提升了4.33个百分点,能更准确地检测出目标绝缘子.     

基于改进Faster RCNN的输电线路航拍绝缘子检测

为提高航拍图像中输电线路绝缘子的检测准确性,提出一种改进的Faster RCNN网络模型.在原始Faster RCNN网络模型上运用多尺度训练,同时根据绝缘子自身特性调整滑动窗口产生的候选区域比例,并引入检测困难样本的对手生成策略,实现不同尺寸及部分遮挡输电线路绝缘子的准确检测.实验结果表明,改进的Faster RCNN网络模型相比原始Faster RCNN网络模型的检测精确度提升了4.33个百分点,能更准确地检测出目标绝缘子.     

融合高效注意力的多尺度输电线路部件检测

针对在高分辨率输电线路图像中，不同种类部件尺度跨越大，难以被均衡检测的问题，提出一种融合高效注意力的多尺度输电线路部件检测算法。在YOLO v5目标检测算法中，设计添加高效注意力模块ECBAM提高算法特征提取能力。根据输电线路部件的特征分布统计，使用滑动窗口对高分辨率输电线路图像进行切片，并对切片前后的图像分别使用改进后的YOLO v5算法训练模型。将两个模型的检测结果进行集成，得到多尺度输电线路部件检测结果。在公开的PLAD架空输电线路图像数据集上，该模型的检测性能远超现有目标检测模型，Precision可达83.2%,Recall可达92.8%，相比数据集原作者提出的模型，mAP值提升了1.6个百分点，达到了90.8%，且能检测出未在原始数据集上标注出的隐蔽目标，验证了在高分辨率图像中检测多尺度输电线路部件的有效性。     

一种新的输电线路异物检测网络结构——TLFOD Net

高压输电线路上悬挂的漂浮异物可能会对输电产生巨大危害，而现有的物体识别方法无法对不规则物体进行有效识别。为此，本文提出一种异物检测的新型网络结构：TLFOD Net（Transmission Line Foreign Object Detection Net）。针对异物特点设计的TLFOD Net网络结构，主要包括特征提取网络、区域生成网络和分类回归网络3个部分；优化了合适的候选框；并提出端到端的TLFOD Net联合训练方式以提高网络训练的性能。采用图像预处理技术，增加训练集的数量。通过实验结果分析表明，TLFOD Net比现有的网络在识别速度以及识别精度上均有显著提高。     

基于循环神经网络的藏语语音识别声学模型

探索将循环神经网络和连接时序分类算法应用于藏语语音识别声学建模,实现端到端的模型训练。同时根据声学模型输入与输出的关系,通过在隐含层输出序列上引入时域卷积操作来对网络隐含层时域展开步数进行约简,从而有效提升模型的训练与解码效率。实验结果显示,与传统基于隐马尔可夫模型的声学建模方法相比,循环神经网络模型在藏语拉萨话音素识别任务上具有更好的识别性能,而引入时域卷积操作的循环神经网络声学模型在保持同等识别性能的情况下,拥有更高的训练和解码效率。     

Visual quality recognition of nonwovens using generalized Gaussian density model and robust Bayesian neural network

This work is dedicated to develop an algorithm for the visual quality recognition of nonwoven materials, in which image analysis and neural network are involved in feature extraction and pattern recognition stage, respectively. During the feature extraction stage, each image is decomposed into four levels using the 9-7 bi-orthogonal wavelet base. Then the wavelet coefficients in each subband are independently modeled by the generalized Gaussian density (GGD) model to calculate the scale and shape parameters with maximum likelihood (ML) estimator as texture features. While for the recognition stage, the robust Bayesian neural network is employed to classify the 625 nonwoven samples into five visual quality grades, i.e., 125 samples for each grade. Finally, we carry out the outlier detection of the training set using the outlier probability and select the most suitable model structure and parameters from 40 Bayesian neural networks using the Occam's razor. When 18 relevant textural features are extracted for each sample based on the GGD model, the average recognition accuracy of the test set arranges from 88% to 98.4% according to the different number of the hidden neurons in the Bayesian neural network.     

基于EfficientDet网络的细粒度吸烟行为识别

在实际场景中，因香烟目标过于微小且特征不明显，现有的目标检测算法难以区分类烟物与香烟，导致吸烟行为识别效果差。提出一种基于弱监督细粒度结构与EfficientDet网络的吸烟行为识别算法。采用Edge Boxes算法检测图像块的特征边缘，通过非极大值抑制对边缘进行筛选，形成候选区域块。构建包含物体级筛选器和局部级筛选器的细粒度两级注意力模型，其中物体级筛选器使用改进的EfficientDet网络滤除候选区域的背景噪声，以分类前景物体及特征较强的候选区域，并在局部级筛选器中使用通道注意力卷积块对候选区域进行聚类，筛选出得分最高的像素块。通过融合物体级筛选器与局部级筛选器得到的结果，以准确识别吸烟行为。在BUU-Smoke数据集上的实验结果表明，该算法的吸烟行为识别准确率为93.10%，误检率为3.6%，并且具有较优的鲁棒性和泛化能力。     

基于实物ID的资产普查与隐患排查系统研究

针对传统电力资产普查与隐患排查机制存在设备全生命周期成本核算数据归集困难、运维资产台账资料管理粗放、主配网增存量运维数据共享机制缺失、资产普查与隐患排查数据治理及全景追溯具有滞后性等固有弊端,提出了一种基于实物ID业务协同和数据共享机制的资产普查与隐患排查系统。引入电网实物资产统一身份编码机制,实现电网主配网存量全息运维数据的一键式获取,引入开放式数据共享接口与主配网存量设备隐患指数预测曲线,构建具备编码自动分配与一致性校验、隐患排查信息完整可追溯、跨系统贯通与平台可移植、全息数据深度聚类分析与主动预警等功能的电力资产全局协同精准化管理架构。以国家电网内蒙古东部电力有限公司某220 kV变电站为效能评价载体,开发了资产普查与隐患排查原型系统并进行了综合效能实证分析,一线运维验证结果表明原型系统具备电力设备全息数据便捷获取与融合、电力资产普查台账实时更新、隐患排查数据的实时反馈与预警等全方位立体电力资产普查与隐患排查体系效能,主配网设备物料分类、增存量设备分类、资产普查分类、隐患排查分级预警等多码对应的一致率达100%,实现了电力资产全息数据全维度收集、全过程追踪、全方位共享。     

基于Faster R-CNN的榆紫叶甲虫识别方法研究

针对传统图像识别方法中利用人工设计特征提取模板对昆虫的识别精度不高的问题,提出了基于K-means聚类的深度学习网络模型Faster R-CNN对图像中的目标进行识别。该方法用K-means聚类算法,结合BWP指标对训练数据标签的长宽比值进行聚类,用新的聚类中心点代替标准Faster R-CNN网络中生成初始候选框的长宽比值;对生成初始候选框的尺寸加以改进;将训练数据送入改进后的Faster R-CNN网络进行训练。实验结果表明,在识别具有特定长宽比例的目标时,加入聚类策略的Faster R-CNN网络较标准Faster R-CNN网络有较强的鲁棒性,有效克服了叶片豁口或孔洞造成的冗余现象、榆紫叶甲虫甲壳反光的干扰、相邻的榆紫叶甲虫特征的互相影响和其他与榆紫叶甲虫有相似特征的种类昆虫的干扰。最终达到94.73%的识别精度,较标准网络提高了4.15%。该方法可有效克服传统昆虫检测中特征提取模板的局限性,对识别昆虫这种特征细腻,姿态多样的目标有重要意义。     

深度学习在图像识别中的应用研究综述

深度学习作为图像识别领域重要的技术手段，有着广阔的应用前景，开展图像识别技术研究对推动计算机视觉及人工智能的发展具有重要的理论价值和现实意义，文中对深度学习在图像识别中的应用给予综述。介绍了深度学习的由来，具体分析了深度信念网络、卷积神经网络、循环神经网络、生成式对抗网络以及胶囊网络等深度学习模型，对各个深度学习模型的改进型模型逐一对比分析。总结近年来深度学习在人脸识别、医学图像识别、遥感图像分类等图像识别应用领域取得的研究成果并探讨了已有研究值得商榷之处，对深度学习在图像识别领域中的发展趋势进行探讨，指出有效使用迁移学习技术识别小样本数据，使用非监督与半监督学习对图像进行识别，如何对视频图像进行有效识别以及强化模型的理论性等是该领域研究的进一步方向。     

改进HSR-FCN的服装图像识别分类算法研究

目前网络上的服装图像数量增长迅猛，对于大量服装图像实现智能分类的需求日益增加。将基于区域的全卷积网络（Region-Based Fully Convolutional Networks，R-FCN）引入到服装图像识别中，针对服装图像分类中网络训练时间长、形变服装图像识别率低的问题，提出一种新颖的改进框架HSR-FCN。新框架将R-FCN中的区域建议网络和HyperNet网络相融合，改变图片特征学习方式，使得HSR-FCN可以在更短的训练时间内达到更高的准确率。在模型中引入了空间转换网络，对输入服装图像和特征图进行了空间变换及对齐，加强了对多角度服装和形变服装的特征学习。实验结果表明，改进后的HSR-FCN模型有效地加强了对形变服装图像的学习，且在训练时间更短的情况下，比原来的网络模型R-FCN平均准确率提高了大约3个百分点，达到96.69%。