基于Transformer的零样本食品图像检测

食品检测作为食品计算的一项基本任务,能够对输入的食品图像进行定位和识别,在智慧食堂结算和饮食健康管理等食品应用领域发挥着至关重要的作用。然而在实际场景下,食品类别会不断更新,基于固定类别训练的食品检测器很难对未见过的食品类别进行精准的检测。为了解决这一问题,本文提出了一种零样本食品图像检测方法。首先,构建了一个基于Transformer的食品基元生成器,其中每个基元都包含与食品类别相关的细粒度属性,根据食品的特性,可以有选择地组装这些基元,以合成未见类特征。其次,为了给未见类的视觉特征更多约束,本文提出了一个视觉特征解纠缠的增强组件,将食品图像的视觉特征分解为语义相关特征和语义不相关特征,以此能更好地将食品类别的语义知识转移到其视觉特征。所提出的方法在ZSFooD和UEC-FOOD256两个食品数据集上进行了大量实验和消融研究,在零样本检测(Zero-Shot Detection,ZSD)设置下,未见类别取得了最优的平均精度,分别达到了4.9%和24.1%,在广义零样本检测(Generalized Zero-Shot Detection,GZSD)的设置下,可见类和未见类的调和平均值(Harmonic Mean,HM)分别达到了5.8%和22.0%,证明了所提出方法的有效性。

改进的YOLOv5双影像光伏故障小目标检测

利用无人机对光伏组件进行故障巡检通常从可见光和红外光两种场景分别处理和检测。该文提出基于残差神经网络ResNet50和改进的YOLOv5故障检测方法,实现对两种影像图像高精度自动分类和故障检测。针对红外数据进行色度变换去除太阳反光而保留热斑,针对可见光数据采用锐化的方式凸显异物、裂痕等小目标,使用不同的YOLOv5目标检测算法实现可见光下小型异物故障和红外光下热斑故障的快速检测和定位。

基于XGBoost算法的风电机组轴承剩余寿命预测研究

针对风电机组轴承剩余寿命的传统预测方法的局限性以及预测准确率不高等问题,提出一种基于XGBoost算法模型用于风电机组轴承剩余寿命预测的方法。首先,提取原始振动信号的18种时域、13种频域特征指标并对其进行标准化处理。其次,将特征数据集按8∶2进行训练集和测试集的划分,训练集基于XGBoost算法进行训练,从而建立基于XGBoost算法的预测模型对轴承剩余寿命进行预测,测试集用于评估模型预测效果。最后,结合R^(2)、MSE等多个评价指标对XGBoost模型进行综合评价。结果显示预测效果优良(R^(2)=0.9998)。试验结果表明,基于XGBoost算法的预测模型能有效且准确地预测设备中轴承剩余寿命,为风电机组轴承剩余寿命预测提供了一种新思路及方法。本文提出的剩余寿命预测方法可应用于风电机组轴承等重要部件中,有效地实时监测风电机组重要部件的性能退化状况,以及预测其剩余寿命,较大程度地减少因风机停机造成的损失。