基于多时相巡检图像的变电设备缺陷检测仿真

变电设备智能化巡检能有效提升电力网运营成本、提升电网运行效率。为解决当下计算机视觉只能巡检中存在缺陷检测稳定性差、泛化能力弱的问题,将Cycle GAN图像迁移算法与改进YOLOv5缺陷检测算法融合,通过扩充多时相巡检图像数据集,提升变电设备缺陷检测模型的鲁棒性。首先采用像素加权平均灰度化与邻域中值替代滤波处理,提升图像风格可迁移的适应性;然后利用Cycle GAN网络,在优化损失函数的基础上,基于S2W季节数据集优化迁移扩充PISE变电设备巡检数据集,提高数据图像的多时相性能;接着引入了可插入式CBAM结构块和自适应锚点框结构,优化传统的YOLOv5网络,提升微型变电设备缺陷检测性能;最后基于S2W-PISE多时相变电设备巡检数据集,训练构建改进YOLOv5变电设备缺陷检测模型。多时相变电设备缺陷检测仿真结果显示,与R-CNN、NMS和SSD三类传统变电设备缺陷检测模型相比,在S2W-PISE数据集与缺陷检测评价系统中,改进YOLOv5模型的P参数指标平均提升了5.79%,R参数指标平均提升了5.80%,即具有最高的缺陷检测精度与稳度,同时改进模型具有最优的综合性与鲁棒性。综上所述,改进YOLOv5变电设备巡检图像缺陷检测算法在电网智能化发展中具有重要的仿真价值。     

基于Faster-RCNN算法的无人机巡检图片绝缘子缺陷检测

为解决绝缘子缺陷检测效果不佳等问题,提出了基于Faster-RCNN算法的无人机巡检图片绝缘子缺陷检测方法.通过对绝缘子运行过程中的缺陷数据特征进行采集分析和绘制,判断巡检图片中的绝缘子运行状态,并结合Faster-RCNN算法对巡检图像进行局部分割和增强处理,从而提高图像检测的.精准性,实现对绝缘子缺陷的有效检测.最...     

基于图像纹理的印刷缺陷检测

针对传统点对点印刷缺陷检测存在经常误报的情况,提出了一种基于图像纹理的印刷缺陷检测模型,该模型经实验证明,具有稳定性高,误报率少的优点。     

NLM与比率图像的多时相SAR图像去噪方法

针对合成孔径雷达图像的相干斑噪声对图像质量影响大的问题,提出一种NLM与比率图像相结合的多时相SAR图像去噪的方法.首先,利用NLM滤波计算各景SAR图像之间的相似性权值,从而得到平均图像,并应用MuLoG滤波器进行去噪;然后,将噪声图像与滤波后的平均图像进行比值,得到比率图像,并对其进行滤波;最后,将滤波后的平均图像...     

多尺度智慧变电站全景巡检图像显著性区域检测模型

为了准确发现变电站核心部件隐患并及时维修,防止重大事故出现,提出了多尺度智慧变电站全景巡检图像显著性区域检测模型。利用线性组合把初始数据整合为主分量,替换原始高维数据,获得模型内参变量的后验期望,去除噪声分量。通过目标识别不变矩的显著特征向量,选取核心函数改变空间,把特征矢量带入支持向量机内,得到合理极值。按照特征点匹配的效率与准确度,构建配准图像和参考图像显著区域位置关系,算出不超过像素点的正则化互相关数,剔除不匹配的特征点对,获得对应像素在图像内的坐标,实现显著性区域检测。通过实验证明所提方法能将巡检图像中背景与目标相互区分,且纹理细节清晰,检测准确性高。     

基于异常区域感知的多时相高分辨率遥感图像配准

在对多时相高分辨遥感图像进行配准时,由于成像条件差异,图像间存在的地物变化与相对视差偏移两类典型异常区域会影响配准精度。针对上述配准中存在的问题,提出一种基于异常区域感知的多时相高分辨率遥感图像配准方法,包括粗匹配和精配准两个阶段。尺度不变特征变换（SIFT）算法考虑到尺度空间属性,不同尺度空间提取的特征点在图像中对应不同大小的斑块,高尺度空间提取的特征点对应图像中的大斑点,其对应地物相对稳定、不易发生变化。首先,利用SIFT算法提取高尺度空间特征点完成图像快速粗匹配;其次,利用灰度相关性度量对图像块进行相对偏移量统计分类以感知视差偏移区域,同时结合空间约束条件,确定低尺度空间特征点的有效提取区域以及匹配点搜索范围,完成图像精配准。实验结果表明,将该方法用于多时相高分辨遥感图像配准,可有效抑制异常区域对特征点提取的影响进而提高配准精度。     

基于形态学的焊接图像缺陷检测方法研究

射线焊接缺陷的准确检测是保证焊接构件质量的关键,针对焊接生产中采集的图像存在对比度低、噪声干扰及边界模糊等特点,提出了一种基于灰度形态学的射线焊接图像的缺陷检测方法;首先,在对原始射线焊接图像滤波和增强的基础上,根据对焊接图像列灰度的分析运用阈值法提取出焊道;然后,选取了多尺度多结构元素,采用灰度形态学方法对焊接图像进行缺陷边缘检测,并二值化处理后提取出焊接图像巾的缺陷;试验结果表明,相比传统的边缘检测算法,该方法能有效提取图像中的焊接缺陷边缘,且其连续性和完整性较好.     

基于注意力机制学习的变电设备缺陷检测方法

针对现有的变电站缺陷图像检测识别算法鲁棒性弱问题,提出一种基于注意力机制学习的变电设备缺陷图像检测识别方法。所提方法以卷积神经网络作为缺陷图像特征提取的骨架网络,融合注意力机制原理,进一步提升缺陷图像特征的可辨识性。首先,构建注意力机制的卷积神经网络特征提取模型,提取不同注意力机制下变电站缺陷图像特征;其次,设计一种自适应特征学习函数,将不同注意力机制下的特征融合成为新的高质量变电缺陷图像特征;最后,将不同注意力机制下的缺陷图像特征输入到分类模型,实现变电站缺陷图像检测。所提方法增强了变电设备缺陷图像检测的准确性与鲁棒性,实验结果显示,所提方法的mAP达到了70.4%。     

基于FY-4A数据的青藏高原多时相云检测方法

基于我国新一代静止气象卫星FY-4A/AGRI的4 km分辨率全圆盘数据,利用其高时间分辨率、高光谱分辨率的特点,提出一种青藏高原地区多时相多通道阈值组合的云检测方法,并通过实际案例分析所提出的云检测方法有效可行。结果表明:对比中国国家气象中心云检测产品以及传统单时相云检测方法,多时相云检测方法,其准确率为94.4%,误检率为7.2%,漏检率为5.6%,均优于其他两种方法,体现了多时相检测的优越性;云相态检测中,分别使用GPM降水资料以及CALIPSO卫星云相态观测结果对检测结果进行精度评价,其中冰云分布与GPM实测降水分布相似度达到了0.883,云相态整体检测结果与CALIPSO实际观测的云相态也较吻合,进一步验证了云相态检测的合理性,这也是对青藏高原地区进行降水监测的一种辅助手段。     

基于自监督学习的变电站缺陷检测

为了在使用少量标注样本情况下提升变电站设备缺陷检测精度,提出一种基于自监督模型SimSiam的改进缺陷检测算法.不同于原始SimSiam,改进后的算法无需使用标志性图像(iconic images),如ImageNet数据集,而是直接利用非标志性图像(non-iconic images)如COCO数据集进行对比学习,并在下游的缺陷检测任务上获得可媲美有监督方法的性能.通过在投影层(projection head)和预测层(prediction head)中使用全卷积网络和空间注意力模块来代替MLP,保留高维特征的空间结构及局部信息;同时在计算相似度前先对特征图进行均值池化以得到特征向量,并对特征向量进行归一化以计算欧氏距离,从而改进了自监督对比学习的损失函数.实验结果表明该算法能充分利用非标志性图像进行对比学习,并在只标注少量样本的条件下提升变电站设备缺陷检测的精度,在表计表盘破损、挂空悬浮物、鸟巢、呼吸器硅胶变色及箱门闭合异常等5类缺陷检测任务上mAP达到83.84%.     

内容语义和风格特征匹配一致的艺术风格迁移

随着计算机视觉领域的发展,图像风格迁移已经成为一个具有挑战性和研究价值的重要课题。针对现有方法无法有效保留内容图像物体轮廓和同种内容语义迁移多种不同风格特征的问题,提出了一个内容语义和风格特征匹配一致的艺术风格迁移网络。首先,利用双支路特征处理模块增强风格特征和内容特征,并保留内容图像的物体轮廓;然后,在注意力特征空间中实现特征分布对齐和融合;最后,采用具有空间感知能力的插值模块实现内容语义的风格一致化。使用82 783张真实照片和80 095张艺术画像进行风格迁移训练,另各使用1 000张真实照片和艺术画像进行测试。实验通过与最新的4种风格迁移方法进行比较,并进行消融实验分别验证该框架与所加损失函数的有效性。实验结果表明,本文网络在256像素图像生成中平均运行时间为9.42 ms,在512像素图像生成中平均运行时间为10.23 ms;同时避免了内容结构扭曲失真,并将内容语义和风格特征匹配一致,具有更好的艺术视觉效果。     

基于视觉数据融合和机器学习算法的在役桥梁病害智能检测方法

为了准确检测在役桥梁病害问题,研究了基于视觉数据融合和机器学习算法的在役桥梁病害智能检测方法。采用雷达与视觉数据融合的无人机航拍技术,采集和定位在役桥梁高清图像;构建基于Ｍask R-CNN卷积神经网络的在役桥梁病害检测模型,通过迁移学习法动态优化训练检测模型,得出最优的在役桥梁病害检测模型;对定位到的在役桥梁高清图像进行去噪增强处理,输入该检测模型进行分类识别,输出病害检测结果。实验结果表明：该方法可以快速准确检测出多种在役桥梁病害,减少误检和漏检,实现一图多病害的精细化检测。     

融合特征位置编码和误差修正的唐卡图像风格迁移模型

唐卡是藏族文化中一种独具特色的艺术风格,通过对唐卡图像进行二次创作能够帮助人们了解唐卡风格特征,促进文化传承与保护.针对目前唐卡图像风格迁移技术生成新图像中,生成图像存在伪影、局部图像模糊和细节信息处理不到位等问题,提出一种融合特征位置编码和误差修正的唐卡风格迁移模型FPC-EI.利用二维相对位置编码获取内容序列与风格序列之间的对应位置信息,实现图像特征之间的对齐和匹配;坐标注意力机制模块强化利用二维相对位置编码增强编码器对于唐卡以及内容图像纹理细节信息的捕获能力;密集深度反投影网络使用采样层模块不断地进行上下采样,进行误差修正,指导模型提高生成图像质量.在自建的唐卡数据集和任意图像数据集上进行模型训练的实验结果表明,与AdaIN,ArtFlow,AdaAttN等风格迁移模型相比,FPC-EI的SSIM指标平均提升32%,LPIPS和MSE指标平均下降7.3%和2.7%,可以有效地保留内容结构、特征融合和图像局部细节方面特征.     

融合视觉注意机制的图像显著性区域风格迁移方法

对图像局部进行风格迁移通常会导致风格溢出和较小的区域风格化后效果不明显,针对该问题,提出一种图像显著性区域风格迁移方法.首先,根据人眼视觉注意机制的特点,对训练图像数据集中的显著性区域进行标注,采用快速语义分割模型进行训练,得出包含图像显著性区域的二值掩码图.然后,通过精简快速神经风格迁移模型网络层结构,并在生成网络部...     

基于Mask-RCNN迁移学习的红外图像电力设备检测

红外图像诊断是电力系统故障诊断的重要方式,但目前仍依靠人工辅助框图来实施图像中目标的检测.为提升检测效率,本文借鉴并改进在目标分割任务中表现优异的Mask-RCNN方法,利用图像自动语义分割识别红外图像中的一个或多个电力设备,并提取设备轮廓.为了缓解标注样本相对不足的问题,研究Mask-RCNN的迁移学习机制,设计并实...     

基于多级深度网络架构的群体行为分析模型研究

群体行为的多层次深度分析是行为识别领域亟待解决的重要问题。在深度神经网络研究的基础上,提出了群体行为识别的层级性分析模型。基于调控网络的迁移学习,实现了行为群体中多人体的时序一致性检测;通过融合时空特征学习,完成了群体行为中时长无约束的个体行为识别;通过场景中个体行为类别、交互场景上下文信息的融合,实现了对群体行为稳定有效的识别。在公用数据集上进行的大量实验表明,与现有方法相比,该模型在群体行为分析识别方面具有良好的效果。     

基于改进YOLO的双网络桥梁表观病害快速检测算法

桥梁表观病害检测是确保桥梁安全的关键步骤. 然而, 桥梁表观病害类型多样, 不同病害间外观差异显著且病害之间可能发生重叠, 现有算法无法实现快速且准确的桥梁多病害检测. 针对这一问题, 对YOLO (You only look once) 进行了改进, 提出了YOLO-lump和YOLO-crack以提高网络检测多病害的能力, 进而形成基于双网络的桥梁表观病害快速检测算法. 一方面, YOLO-lump在较大的滑动窗口图像上实现块状病害的检测. 在YOLO-lump中, 提出了混合空洞金字塔模块, 其结合了混合空洞卷积与空间金字塔池化, 用于提取稀疏表达的多尺度特征, 同时可以避免空洞卷积造成的局部信息丢失; 另一方面, YOLO-crack在较小的滑动窗口图像上实现裂缝病害的检测. 在YOLO-crack中, 提出了下采样注意力模块, 利用1×1卷积和3×3分组卷积分别解耦特征的通道相关性和空间相关性, 可以增强裂缝在下采样阶段的前景响应, 减少空间信息的损失. 实验结果表明, 该算法能够提高桥梁表观病害检测的精度, 同时可实现病害的实时检测.     

显著区域保留的图像风格迁移算法

基于神经网络的风格迁移成为近年来学术界和工业界的热点研究问题之一.现有的方法可以将不同风格作用在给定的内容图像上生成风格化图像,并且在视觉效果和转换效率上有了较大提升,而侧重学习图像底层特征容易导致风格化图像丢失内容图像的语义信息.据此提出了使风格化图像与内容图像的显著区域保持一致的改进方案.通过加入显著性检测网络生成...     

基于风格迁移的双向孪生网络遥感变化检测

不同时间获取的同一区域的双时相遥感图像在风格上往往具有很大差异,大多数研究方法忽略了这个问题,导致在风格多样的数据集上应用时,模型的性能指标和可视化效果不尽如人意.为此,本文首先使用风格迁移模块针对某一时刻原始图像生成类似另一时刻风格的风格迁移图像.其次,提出了一种基于双向风格迁移的孪生对称差分特征金字塔网络(symmetrical difference feature pyramid network, SDFPNet),确定不同风格迁移方向对变化检测精度提升的影响程度.具体来说,将原始图像和风格迁移图像作为SDFPNet输入,使用两个孪生的轻量化网络和差分特征金字塔网络(difference feature pyramid network, DFPNet)同时进行参数优化,得到两个并行分支预测的变化图.为了减少变化像素点的误判,融合两个预测结果提升变化检测的准确性.在LEVIR-CD、CDD和SYSU-CD这3个数据集上通过实验证明,本文提出的基于双向风格迁移的SDFPNet在遥感变化检测任务上的评价指标优于SOTA (state-of-the-art)方法.尤其是在由于季节变化,风格差异较大的CDD和SYSU-CD数据集,在CDD数据集上检测精度达到99.37%, F2分数达到94.19%, SYSU-CD数据集上检测精度达到92.31%.有效解决了双时相图像风格差异大导致的变化检测精度不佳问题.