深度学习在动物行为分析中的应用研究进展

近年来动物行为分析已成为脑科学与人工智能等领域的重要研究手段之一,研究者基于深度学习的图像分析技术,构建了自动化、智能化的动物行为分析方法。相较于传统的动物行为分析方法,该类方法无需对动物进行特殊标记,可高效地对动物的姿态进行估计和跟踪,实验情景贴近自然情况,为复杂的动物行为实验提供了潜在可能性。对深度学习在动物行为分析中的应用研究进行综述,首先简要分析动物行为分析的任务及现状;然后重点介绍并比较现有的基于深度学习的动物行为分析工具,根据实验分析的行为维度,将该类工具分为二维的动物行为分析工具和三维的动物行为分析工具,并对工具的功能、性能以及适用范围进行论述;进而介绍了现有的动物数据集和评价指标,对现有的动物行为分析工具所利用的算法机制从优势、局限性、适用场景做出总结;最后,从数据集、实验范式和低延时性等方面对基于深度学习的动物行为分析工具做出展望。

基于改进DeepLabv3+模型的电力线语义分割方法

在无人机智能电力巡检中,电力线分割是实现无人机自动避障、保障低空飞行安全的关键技术。针对现有基于深度学习的电力线分割算法存在的预测速度慢、分割精度低的问题,提出了一种改进DeepLabv3+算法的电力线分割模型——PBB-DeepLabv3+。用轻量级PP-LCNet替换原始DeepLabv3+主干网络Xception,有效减少参数量并提升预测速度。在空洞空间金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)模块中增加空洞卷积分支和级联卷积,获取具有更大感受野的多尺度特征从而减少漏分割现象,进一步将空洞卷积分支改为瓶颈结构以减少参数量。在解码器融合3层浅层特征以恢复降采样过程中丢失的细节特征。引入瓶颈注意力模块(Bottleneck Attention Module, BAM)减少对电力线误分割现象。实验结果表明,改进算法预测速度相对于原DeepLabv3+模型提升54.39%,平均像素精度(Mean Pixel Accuracy, MPA)和平均交并比(Mean Intersection over Union, MIoU)分别提升1.18%和3.50%,参数量仅为原模型的6.38%。兼顾了分割速度和精度,能够对电力线进行有效分割。

基于智能卡的说话人确认系统及其应用

在基于智能卡的说话人确认系统中,实现了一种新的端点检测方法:能频值端点检测方法,其取得了较好的效果;在鲁棒性方面,研究了Mel倒谱系数各分量在说话人识别中的贡献,以及在参数级上Mel倒谱系数的差分系数及倒谱均值相减法对说话人识别的贡献;最后,讨论了基于智能卡的生物特征识别技术的应用途径。

基于MVT-CTRFBs-YOLOv4的遥感飞机检测研究

针对目前遥感图像检测算法存在实时性差、精度低、召回率低的问题,提出了一种基于移动视觉Transformer(Mobile Vision Transformer,MVT)和语境Transformer感受野模块(Contextual Transformer Receptive Field Blocks,CTRFBs)的改进YOLOv4(You Only Look Once version4)遥感飞机检测算法。首先,为了降低模型参数量,采用轻量级主干网络MVT替换原始CSPDarknet53(Cross Stage Partial Darknet53)主干网络进行特征提取,从而提高检测速度。其次,为了减少小目标丢失问题,引入CTRFBs代替原YOLOv4的空间金字塔池化(Spatial Pyramid Pooling,SPP)结构增大浅层特征层感受野以提升召回率。最后,在原始YOLOv4的路径聚合网络(Path Aggregation Network,PANet)中引入多个SE(Squeeze-and-Excitation)注意力模块,加强小目标特征提取从而提高检测精度。在RSOD和UCAS_AOD数据集上的实验表明,相比其他改进YOLOv4算法,改进模型的检测精度达到94.65%,召回率达到91.55%,模型大小仅为25.95 MB。该算法不仅实现了网络结构的轻量化,而且明显提高了遥感飞机的检测效果。

面向自动驾驶场景的神经辐射场综述

神经辐射场(NeRF)是一种可用于重建真实的视觉效果以及合成新颖视角的关键技术,其主要是通过摄像机捕获的二维图像数据来渲染合成三维场景,将已知视角推理到未知视角下使得用户可从不同视角观看合成视图,增强人机交互感。作为一种新颖视角合成的三维重建方法,神经辐射场技术在机器人、自动驾驶、虚拟现实和数字孪生等领域具有重要的研究与应用价值。通过NeRF技术与自动驾驶场景相结合,可实现对复杂驾驶场景的高质量重建,并模拟恶劣情况下的不同场景,从而丰富自动驾驶的训练数据,以较低成本提高自动驾驶系统的准确性和安全性,并验证自动驾驶算法的有效性。鉴于目前NeRF在自动驾驶场景有重要的应用前景以及现有的相关综述较少,首先,从传统的显式三维场景表征方法出发,引入场景的隐式表征方法——NeRF,并介绍了NeRF技术的原理;其次,对于NeRF与自动驾驶场景相结合所面临的挑战进行了探讨和分析,其中包括稀疏视角重建、大尺度场景重建、运动场景、训练加速以及合成自动驾驶场景的问题;最后,对NeRF技术进行总结,以及展望其未来发展方向。

基于CA-ASFF-YOLOv4的交通标志识别研究

交通标志识别是智能交通系统的核心技术。针对实际情况下,交通标志总体目标小且呈现多尺度分布、图像背景复杂,造成识别精度低的问题,提出了一种基于改进YOLOv4模型的交通标志识别算法CA-ASFF-YOLOv4。算法去除用于检测大目标的深度特征层,引入高分辨率特征层,并在各个特征层后添加注意力机制CA模块,有效加强了主干网络对小目标的特征提取。在颈部网络使用自适应特征融合ASFF代替原有的路径聚合网络PAnet,通过优化特征融合解决目标尺度多变的问题。减少残差块的堆叠,抑制背景重复叠加,提高复杂背景下的检测精度。实验结果表明,CA-ASFF-YOLOv4在TT100K交通标志数据集上的mAP@0.5达到了91.47%,比YOLOv4提升了9个百分点,显著提高了实际应用场合中交通标志的检测精度。

基于VSA-UNet的电气设备紫外图像分割

提高电气设备紫外图像分割精确度对设备放电程度的准确评估具有重要意义。由于存在噪声干扰与紫外光斑形状、大小不规则等问题,目标分割区域存在过分割和欠分割现象,因此提出一种基于多模块的VSA-UNet(VGG16Net, Improved SENet, and ASPP based U-Net)分割网络。为强化网络特征提取能力,减少过分割现象,使用VGG16Net的卷积层代替U-Net网络的编码部分;将编码部分末端卷积层替换成空洞空间金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)模块,获取紫外图像的多尺度信息,解决大区域的欠分割问题;在跳跃连接部分加入改进SENet模块,加强有用信息的提取,补充细节损失,提升整体网络性能。基于自建紫外图像数据集的实验表明,改进网络在分割紫外图像时平均交并比(Mean Intersection over Union, MIoU)达到81.78%,平均精确率为95.97%。与U-Net网络相比,提出的VSA-UNet模型明显提升了紫外图像分割的准确性。

基于移动边缘计算的任务卸载优化

随着智慧物联体系的发展,物联网中应用程序的种类与数量不断增加.在移动边缘计算(mobile edge computing,MEC)中,通过允许移动用户将任务卸载至附近MEC服务器以加快移动应用程序的速度.本文通过考虑不同任务属性、用户的移动性和时间延迟约束模拟移动边缘场景.根据用户移动轨迹,将目标建模为寻找满足时延约束条件且在卸载过程中产生最小能耗MEC服务器优化模型,并提出一种最小能耗卸载算法求解该问题的最优解.仿真结果表明,在约束条件下,提出的算法可以找到在用户移动轨迹中产生最小能耗的MEC服务器,并显著降低任务卸载过程的能耗与时延,提高应用程序服务质量.

基于灰狼算法的局部放电信号快速自动降噪算法

局部放电是电网稳定运行的隐患,有必要对电缆、电气设备的局部放电(PD)进行实时、准确的分布式在线监测。为了解决传统PD信号降噪算法中降噪效果较差、占用算力资源较多、降噪速度较慢、自适应性较差等问题,提出了一种基于灰狼算法优化变分模态分解(GWO-VMD)的PD信号降噪算法。该算法首先利用灰狼优化算法(GWO)自适应选取VMD分解参数k和α获得分解后各模态分量;然后根据最小包络熵选择并重构模态分量;最后利用自适应阈值小波函数对分解重构得到的PD信号进行处理,实现了对PD信号快速有效的自适应降噪。本文对理论PD信号和实测PD信号进行仿真降噪处理,实验结果表明所提GWO-VMD算法在降噪效果、算力资源利用率和降噪速度上有明显提升,可为基于电力物联技术的局部放电在线监测系统边缘计算优化设计提供有益参考。

车联网低时延计算数据卸载策略研究

为了解决快速移动车辆在高维数据卸载过程中极易出现通信网络传输延迟波动和卸载丢包的问题,设计了一种基于优化李雅普诺夫的高维数据卸载算法(An Optimized Lyapunov Algorithm for Unloading High-dimensional Data,OLA-UHD),通过仿真对车载终端的卸载率和鲁棒性进行分析并讨论了2种环境下的时延情况。结果表明,OLA-UHD策略具有更强的鲁棒性、更高的卸载比例和更低的丢包率,面对少量卸载任务能够有效降低时延15.4%以上,在面对十万级计算卸载任务时,降低时延113.2%以上。

结合显著性检测及改进大津算法的紫外图像分割

提高电气设备紫外图像分割精确度对设备放电程度的准确评估具有重要意义。用紫外成像仪拍摄电气设备放电图像时,由于拍摄背景的复杂性,一般的图像分割方法并不能快速准确地分割紫外放电区域,因此提出一种结合显著性检测及改进大津算法的紫外图像分割模型。首先,对紫外图像进行显著性检测,使得故障区域突出,提升分割准确性;其次,利用基于Lévy飞行特征的蝙蝠算法对大津算法进行改进后对图像进行分割,以达到快速分割图像的目的。实验结果表明,改进的大津算法在紫外图像分割效果上明显优于大津算法,且计算速度也有所提升。

电力设备IR图像特征提取及故障诊断方法研究

针对电力设备红外图像批量诊断中故障特征参量提取及参数配置难题,采用粒子群算法(PSO)与Niblack算法相结合的方法,将设备热像从背景中分割出来并提取出设备的最低、最高及平均温度等参量,通过计算设备各温升特征,构建支持向量机(SVM)样本特征空间。采用优化的蝙蝠算法(BA)对SVM参数进行寻优,并利用最优参数配置下的SVM实现设备故障诊断。对220组图像样本测试结果表明:该红外图像故障诊断方法在电力设备热故障缺陷检测方面的效率及准确率较高,适用于电力大数据中非结构化红外图像的批量分析与处理。

电力设备多光谱图像融合及多参量影响的故障渐变规律演化预测研究

不具备维修条件的情况下为保障重点区域供电的可靠性,允许故障设备在系统失稳前运行一段时间,演化预测当前故障渐变规律成为了安全预警亟待解决的核心问题。然而,现有演化预测方法所需的评估参量不仅获取困难,还会因参量之间融合不当,而使得预估时间偏差较大。为此,通过改进的全状态集成法模型,进行了电力设备多光谱图像融合及多参量影响的故障渐变规律演化预测研究。通过红外检测图像与红外标准图库匹配以及红外–可见光的图像融合的方式从非结构化的图像数据中提取设备关键构件温度参量。结合运行参数采用聚类算法进行故障诊断,在此基础上综合短期电负荷和环境因素构建了负荷/环境–温升模型,并通过关联热老化、负载率、光照等状态约束条件预估设备故障后续走势。以综合状态为评估依据的电压互感器PT故障演化实验表明:该方法可有效识别设备并对热缺陷进行定位和分类评估,预测设备的运行状态随负荷、环境变化的趋势,为电力设备不停电检修智能化决策提供理论基础。

基于Zernike矩特征的电力设备红外图像目标识别

基于红外图像处理的电力设备及其关键构件识别是红外诊断技术的关键步骤,其难点之一在于设备图像的倾斜、缩放以及外形相似性导致的设备特征参量难以提取。本文以电流互感器、电压互感器、避雷器、隔离开关以及断路器五种外形相对接近的设备状态红外图像为研究对象,采用具有旋转与缩放不变性的Zernike矩作为待识别设备的特征,并基于相关向量机(Relevance Vector Machine,RVM)进行设备分类与识别。实验结果表明,该方法不受目标在图像中所处位置与倾斜角度影响,能够自定义生成大量高质量样本且有效分辨不同设备,设备识别准确率达到94.7%,验证了该方案的有效性与实用性。

结合三帧差分法和混合高斯模型的运动目标检测

鉴于传统的三帧差分法(TFDM)在检测结果上有检测目标不完整的问题,提出了一种将TFDM与混合高斯模型(GMM)相结合的运动目标检测方法(TFDM&GMM算法)。该方法用多个GMM的加权表示每一个背景像素,再结合TFDM判别是前景还是背景。实验结果表明,与单独的TFDM和GMM算法相比,既能得到相对完整的运动目标,又能减小噪声等外部干扰带来的影响。

基于YOLOv4及金字塔LK光流法的变压器振动检测方法

近年来大规模可再生能源接入变电站带来过载、谐波、短路等问题,导致变压器等重要电力设备故障率增加,寿命缩短。作为电力系统的关键设备之一,变压器的运行状况对电网的安全稳定运行具有重要影响。为了实现变压器的实时状态评估,提出一种基于视频的变压器振动信号实时检测方法。首先利用YOLOv4模型进行变压器目标检测,进一步利用金字塔LK(Lucas Kanade)稀疏光流法以及大津算法(OTSU法)计算得到变压器振动矢量。实验结果表明,在人工合成的变压器振动视频中,该算法可以实时准确计算得到变压器振动矢量,从而实现对变压器状态的实时可靠分析。

废钢资源发展现状及废钢分类研究

文章分析近些年废钢资源的增长趋势和利用状况,分析传统图像分类方法应用于废钢分类的局限性,并展望卷积神经网络应用于废钢分类的可行性及未来研究方向。

基于深度学习的电力设备红外图像识别

电力设备的安全运行是保证电力系统长期稳定工作的重要基础,因此需要对电力设备的运行状态进行实时监测。实现对电力设备实时监测的关键是对电力设备进行准确的识别和定位。传统的图像检测算法受环境和复杂背景的影响,无法对电力设备进行准确的定位和识别。基于深度学习的目标检测在电力设备运行状态实时监测中具有更广阔的发展前景。针对电力设备红外图像的识别提出了基于Faster R CNN识别方法。实验结果表明,该方法准确率高,能够准确定位和识别红外图像中的电力设备。

基于改进自抗扰控制的非对称六相双永磁同步电机串联系统控制

针对PI控制器存在的超调及跟踪速度慢的问题,以非对称六相永磁同步电机(PMSM)双电机串联系统为研究对象,采用自抗扰控制(ADRC)替代传统PI控制进行速度补偿,提高系统的抗干扰能力。基于传统自抗扰模块多参数整定的复杂性,引入遗传算法对其参数寻优,以最小超调量为优化判据通过交叉迭代的方式改进ADRC调节器。搭建基于改进ADRC的非对称六相双PMSM串联系统,并进行仿真。结果表明:与传统PI控制相比较,所用方法具备快速调节性能和精确的跟踪效果,同时可以削弱谐波电流的影响和转矩脉动,验证了所提控制策略的实用性。

基于MFC的变电站巡检机器人系统研制

利用机器人取代人工对变电站设备进行例行巡检,是电力设备状态检测领域的一个重要发展趋势。针对目前巡检机器人面临的自主行走精度不高、系统稳定性与结构紧凑性差的问题,文中研制了以STM32芯片为控制核心、以磁轨道和PID调速为行进方式、以射频识别(RFID)为定位手段的巡检机器人系统,采用微软基础类库(MFC)应用程序开发出一套集多维运动方式控制、多种传感数据融合、多光谱通道扫描显示和故障诊断为一体的系统监控软件。实验结果表明,巡检机器人能够按照预定路线对线路上的设备进行自动检测,并向运维人员提供基本数据与报表,实现对变电站设备巡检的目的。系统的综合性能满足应用要求,应用前景较好。