基于改进YOLOx-S的输电线路上金具检测方法

输电线路航拍图像存在背景复杂多变、检测目标占比较小的问题。针对部分图像属于阴影、模糊等视觉信息较差的困难样本,在特征融合角度的基础上,使用通道注意力使得模型更加关注复杂背景下的关键特征提取区域;基于自适应空间特征融合(Adaptively Spatial Feature Fusion,ASFF)机制使得浅层和深层的特征图更合理地融合;对检测模型的损失函数进行改进,解决损失函数无法准确反映真实框与预测框重合度大小的问题。在自建的金具目标检测数据集上进行实验,实验结果表明,所提出的改进算法在原始YOLOx-S(You Only Look Once x-S)基础上获得了5.15%的检测精度提升,召回率提高了1.62%,并且针对小目标、易漏检和错检目标的检测有了明显改善,体现了在输电线路上金具目标检测的优越性和实用性。

基于特征迁移的螺栓图像超分辨率处理方法

针对输电线路巡检采集的螺栓图像存在模糊、分辨率低等问题,本文根据螺栓之间相似度较高的特点,提出了一种基于特征迁移的螺栓图像超分辨率处理方法。本文首次将特征迁移引入螺栓图像超分中,先对比低分辨率图像与清晰参考图像的特征区域,将图像之间相似度高的区域进行特征迁移,并根据迁移特征的相似度调整迁移特征的比例,然后在感知损失函数中加入迁移特征相似度的约束,保证迁移特征的准确性。不同超分模型的螺栓图像超分实验结果表明,本方法的螺栓超分图像更清晰,峰值信噪比、结构相似性指标更优;此外,超分前后螺栓图像的缺陷识别实验对比结果表明,超分后螺栓的缺陷识别准确率提升了3.61%,实验结果验证了本文方法的有效性。

基于对抗性持续学习模型的输电线路部件缺陷分类

输电线路金具巡检是电网安全态势感知中不可或缺的一部分,线路的定期巡检关系着电力系统是否能安稳运行。针对目前的输电线路部件缺陷分类模型无法处理现实情况中无限数据流的问题,该文提出一种基于对抗性持续学习的输电线路部件及其缺陷分类方法。将持续学习技术引入到输电线路部件缺陷分类任务中,使得分类模型在保证分类准确率的同时,可以从无限增长的数据流中不断学习新的分类任务,并且减少时间资源消耗。通过融入注意力机制,增强了模型对细微特征提取能力,解决了分类任务类间差异过小的问题,提高分类准确率。针对持续学习任务中的排序不可知性问题,提出基于离散度进行排序的方法,以实现持续学习分类模型的最优利用。最后,在CIFAR-100公共数据集和自建数据集上进行实验验证,并对模型的各种性能进行分析与比较。结果表明该文提出的方法实现了部件及其缺陷分类任务的可持续学习,缓解了灾难性遗忘的问题;融入注意力机制和使用L_(3)损失函数使分类准确率分别提高了1.43%和2.25%;实现了持续学习分类模型在已获取数据集上的最优利用,为电网安全态势感知打下了坚实的基础。

体育舞蹈中等专业院校学生文化课兴趣程度调查与对策研究

鉴于我国体育舞蹈中等专业院校学生毕业后所面临的升学高考,文化课分数是升学率的主要保障,针对这一群体文化课学习兴趣程度的研究非常必要,大部分体育舞蹈专业中专生学生对文化课学习的价值认知不足;对文化课学习积极性不高;文化课学习的时间集中依赖于课上时间,课余时间进行自主学习的现象相对较少;文化课学习的主要目的为被动的应付考试,自主学习能力差;学生本身文化课基础薄弱,文化课学习难度较大,使学生对文化课学习产生畏难情绪,逐渐对文化课学习失去了兴趣是影响其文化课学习兴趣程度的主要因素。