基于E-FCNN的电力巡检图像增强

为了解决无人机巡线、无人值守变电站机器人巡检中,由于距离过远或机器抖动造成的采集图像待检目标分辨率低、图像模糊等问题,提出一种边缘感知反馈卷积神经网络E-FCNN。该网络在传统超分辨率网络基础上增加了残差模块和反馈机制,实现细节特征的提取和强化,并通过边缘感知分支补充纹理信息,提升了图像的细节描述。通过测试集实验结果表明：提出的边缘感知反馈卷积神经网络无论在主观视觉质量,或是峰值信噪比等客观评价指标上,都明显优于其他相关算法。且在基于无人机巡检的绝缘子检测应用中能够有效提高绝缘子检测率。     

一种动态口令与人脸识别相结合的双向身份认证系统

针对员工单一静态口令安全机制所存在的问题,提出了一种基于一次性口令和人脸识别的身份认证方法.本文采用MFA算法对人脸进行特征提取,单向函数生成一次性口令并用该口令加密人脸特征,实现服务器端与客户端之间的双向身份认证,解决了小数攻击和人脸数据信息泄露等安全问题,提高了信息系统的安全性.     

面向电力场景的双通道图像拼接窜改检测模型

随着电力生产智能化的推进,电力图像被广泛应用。然而由于图像编辑软件的发展导致部分电力图像被恶意窜改,严重影响电力生产进程。其中以拼接窜改最为常见。基于深度学习技术,提出了一种双通道CenterNet的图像拼接窜改检测模型。原色图像通道提取窜改图像的色调、纹理等特征,隐写分析通道发掘图像窜改区域的噪声特征。同时设计了一种基于注意力机制的特征融合模块,自适应地对双通道的特征进行加权融合,以增强检测模型的特征识别能力。实验结果表明,所提模型可以达到更优的检测性能,在电力图像的窜改检测应用中具有实际意义。     

基于边界约束图像融合的光学字符识别算法研究

为了提高非合作目标区域中光学字符的识别能力，增强电力铭牌、电网文本等信息采集的准确性，设计了一种偏振图像与可见光图像同时采集并进行图像融合的光学字符识别系统。通过设置0°、60°和120°的偏振角对响应电压进行周期性调制，从而获取有效信息区域的连通范围，实现准确的边界约束。通过计算偏振角度标定参数，设置边界条件的合理阈值，为图像融合提供范围标准。实验分别测试了响应电压关于偏振角度和测试距离的函数曲线，结果显示，偏振角度周期性变化斜率为53.1 mV/(°)。在0.5~3.0 m范围内，响应电压最大值为241.7 mV，最小电压为18.5 mV，并且三条响应曲线的单调性几乎一致。实验针对图像清晰度较差的电力铭牌目标进行测试，结果显示，模糊的原始图像在传统图像滤波与增强后，对比度从0.34提升至1.56，图像质量得到了一定的改善，但仍有部分字符无法识别。而采用文中算法后，对比度达到了3.23，部分模糊字符也能有效识别。可见，该系统适用于非合作目标的光学字符识别，对低质量图像中光学字符识别具有很好的优化效果。     

基于自适应邻域选择的正交局部敏感判别分析

维数灾难是机器学习算法在高维数据上学习经常遇到的难题,基于局部敏感判别分析(locality sensitive discriminant analysis,LSDA),可以很好地解决维数灾难问题.且LSDA构建邻域时不能充分反映流形学习对邻域要求和克服测度扭曲问题,利用自适应邻域选择方法来度量邻域,同时,引入施密特正交化获得正交投影矩阵,提出一种自适应邻域选择的正交局部敏感判别分析算法.在ORL和YALE人脸数据库上进行实验,实验结果表明了该算法的有效性.     

一种自适应邻域选择半监督判别分析算法

为克服边界Fisher判别分析(MFA)只利用少量有标记样本和构建邻域不能充分反映流形学习对邻域要求的缺点,提出一种基于局部线性结构的自适应邻域选择半监督判别分析的算法。采用自适应算法扩大或者缩小近邻系数k来构建邻域以保持局部线性结构。MFA通过少量有类别标签样本进行降维的同时UDP对大量无标签样本进行学习,以半监督的方法对高维人脸数据进行维数约减。最后,在ORL和YALE人脸数据库通过实验结果验证了该算法的有效性。     

基于编解码器的电力施工场景可控图像字幕生成

电力施工场景图像字幕生成采用基于深度学习的编解码技术理解图像信息，并转换为文字描述输出，从而预警安全隐患，丰富了传统图像分析技术的输出形式。传统图像字幕生成方法缺乏可控性且细节描述不充分，针对电力施工场景图像描述的研究匮乏。为此，该文提出一种基于编解码器的可控图像字幕生成优化方法。引入新的特征提取模型，以FVC R-CNN(faster and visual commonsense region-convolutional neural network)模型作为编码器，提取图像的显著特征和视觉常识特征，并改进激活函数以得到改进的基于M-tanh的长短时记忆(M-tanh long short-term memory,MT-LSTM)神经网络用于特征解码，最后通过多分枝决策策略优化输出。在Ubuntu 16.04和PyTorch深度学习框架下对电力场景描述数据集进行了训练和测试，实验结果表明图像字幕生成准确率不仅得到显著提高，而且增强了场景描述的可控性，可有力提升电力施工现场的安全管理智能化水平。     

基于局部测地距离的TMFA的人脸识别

人脸嵌入在高维观测空间中的低维流形上,为了更精确地描述人脸空间的细微结构,提出了一种基于局部测地距离的张量边界Fisher分析的人脸识别方法。采用二维张量表示人脸空间中的样本图像和局部测地距离来计算样本近邻点。该方法更好地揭示了流形内在的几何结构,能够更精确地选择位于流形上数据点的同类和异类近邻点,同时避免小样本问题。在PIE和FERET人脸数据库上的实验表明,用该方法能够获得更高的识别率,验证了其改进的有效性。     

核邻域保持判别嵌入在人脸识别中的应用

为更有效地进行数据降维,将核映射思想引入到邻域保持判别嵌入中,提出一种核邻域保持判别嵌入的流形学习算法。以类内相似度矩阵与类间散度矩阵之差作为鉴别准则,使类间散度矩阵不受满秩的约束,从而解决人脸数据的非线性和小样本问题。在ORL和Yale人脸库上的实验结果表明,该算法具有较好的人脸识别性能。