分布式光伏功率数据的IMOWOA和LightGBM混合虚拟采集方法

点多面广、分散无序的分布式光伏电站规模化接入电网是我国新型电力系统向低碳演进的重要路径之一。低成本、高效率的分布式光伏电站数据获取是光伏电站开展精细化管理、精益化运维的重要基础。为此,该文提出一种基于改进多目标鲸鱼优化算法(improved multi-objective whale optimization algorithm,IMOWOA)与轻量梯度提升机(light gradient boosting machine,LightGBM)的分布式光伏数据虚拟采集方案。针对虚拟采集区域划分难题,该方案首先在网格化区域划分的基础上提出一种自编码器相似性分析方法,获取满足相似性需求的光伏电站集;为解决参考电站集选择难题,提出一种改进的多目标鲸鱼优化算法,提高算法的全局搜索能力,基于区域内光伏电站的历史功率数据,同时对参考电站子集与LightGBM超参数进行优化,从而实现仅选取部分分布式光伏电站安装完备的数据采集装置,完成区域范围内所有电站功率数据的高精度虚拟采集。最后,以我国江苏省某区域范围内的29个分布式光伏电站为算例进行分析,验证提出的方法的可行性和有效性。

Objectives of China's Light Industry Under the Ninth Five-Year Plan

Through the last 17 years of development,China’s light industry has basicallyresolved the short supply of consumergoods,with market demand having been metin quantity,but not in quality.How to adaptto the changes on both the domestic and theinternational markets,speed up structuraladjustment and optimization,promotetechnical progress,develop new products,improve quality,and raise grades andprocessing standards,is the main task for thedevelopment of the light industry in the next15 years.

低光照下的无人机异物检测与定位

为解决无人机在低光照环境下的巡检过程中,不能对场景中的异物进行识别与定位,导致后续智能算法无法获得环境语义信息的问题.本文提出一种将ORB-SLAM2算法与适用于低光照目标检测改进的YOLOv5模型进行信息融合的方法.首先,通过RGB-D相机自采集低光照数据集进行深度学习训练及融合算法验证.然后,结合关键帧信息、目标检测模块的输出结果以及相机的固有信息完成目标像素坐标提取.最后,通过关键帧信息和像素坐标完成目标物体相对世界坐标系的位置解算.本文实现了低光照环境下目标物体较为准确的识别和目标物体在世界坐标系中分米级的定位,为低光照环境下无人机智能巡检提供了一种有效的解决方案.

基于点云稀疏空间特征聚合激励的单阶段3D目标检测模型

针对目前基于点云的3D目标检测中单阶段体素法存在感受野固定、特征尺度单一,导致模型对点云特征学习不够充分、模型检测效果存在瓶颈等问题,提出了一种可端对端训练的基于体素的单阶段3D目标检测模型.首先,利用多尺度稀疏空间特征聚合模块,聚合点云在不同稀疏空间尺度上的特征,使特征充分保留点云的空间信息;然后,对特征进行分层激励,通过多尺度感受野对特征进行分层学习,强化特征的表达能力,降低噪声信息对检测结果的影响;最后,将特征输入检测头进行候选框的分类和回归.在公开的自动驾驶数据集KITTI上与主流单阶段3D目标检测模型进行了对比实验,包含对3类目标共9个的难度等级目标的检测.所提模型在其中5个等级中的平均准确率有明显提升,尤其对点云稀疏的目标,表现出较好的检测效果.实验结果表明,所提模型能够充分提取点云空间信息并有效地学习点云多尺度特征.

基于孪生多注意力网络的接触网侵限轻飘物跟踪

针对接触网侵限轻飘物尺度变化大、遮挡干扰和铁路限界背景杂乱,易导致跟踪失败的问题,提出一种基于孪生多注意力网络的接触网轻飘物侵限跟踪新方法。引入三种注意力机制从更深层次提取轻飘物特征,通过空间注意力消除局部感受野限制,通过通道注意力突出轻飘物类别的通道特征,将交叉注意力聚焦于目标模板与搜索图像信息,采用空间正则化滤波器抑制背景干扰,融合各部分特征实现对侵限轻飘物的跟踪。采用OTB100数据集进行精度与准度实验,以国家重点实验室试验线采集的数据为算例进行实验,通过消融实验验证了新方法的有效性。结果表明:相比于相关滤波类SRDCF算法和深度学习类SiamRPN++、DaSiamRPN算法,新方法可获得更好的鲁棒性和准确性。

一种基于SAM-MSFF网络的低照度目标检测方法

由于低照度图像具有对比度低、细节丢失严重、噪声大等缺点,现有的目标检测算法对低照度图像的检测效果不理想.为此,本文提出一种结合空间感知注意力机制和多尺度特征融合(Spatial-aware Attention Mechanism and Multi-Scale Feature Fusion,SAM-MSFF)的低照度目标检测方法 .该方法首先通过多尺度交互内存金字塔融合多尺度特征,增强低照度图像特征中的有效信息,并设置内存向量存储样本的特征,捕获样本之间的潜在关联性;然后,引入空间感知注意力机制获取特征在空间域的长距离上下文信息和局部信息,从而增强低照度图像中的目标特征,抑制背景信息和噪声的干扰;最后,利用多感受野增强模块扩张特征的感受野,对具有不同感受野的特征进行分组重加权计算,使检测网络根据输入的多尺度信息自适应地调整感受野的大小.在ExDark数据集上进行实验,本文方法的平均精度(mean Average Precision,mAP)达到77.04%,比现有的主流目标检测方法提高2.6%~14.34%.

从局部到全局的零参考低照度图像增强方法

为解决现有的低照度图像增强方法存在的色彩失真、细节损失以及暗区增强不足和亮区增强过度导致低照度图像增强效果不理想的问题,提出了一种从局部到全局的零参考低照度图像增强方法。采用局部照度增强对低照度图像进行像素级增强,改进了自适应光照映射估计函数,提升了照度调整能力,避免了生成大量的迭代参数,提高了模型的推理速度;采用基于Transformer结构的全局图像调整对局部增强后的图像进行全局调整,解决了亮区照度增强过度的曝光问题和暗区照度增强不足的问题,提升了图像的整体对比度;优化损失函数,对低照度图像特征和增强图像特征进行相似性约束,提升了目标检测精度。实验结果表明,LOL数据集上的客观指标峰值信噪比和结构相似性达到了20.18 dB和0.80,MIT-Adobe FiveK数据集上达到了23.31 dB和0.87,ExDark数据集上增强后图像的目标检测精度提高了7.6%,有效提升了低照度图像可视化质量和目标检测效果。

无人机可见光遥感影像地物目标提取技术研究

无人机可见光遥感影像中地物目标边界清晰度较低,容易导致地物目标与背景之间的区分度降低,进而难以提取地物目标;为此,提出无人机可见光遥感影像地物目标提取方法;从光谱特征、纹理特征和边缘特征3个方面分析无人机可见光遥感影像特征;结合3种影像特征对无人机可见光遥感影像数据集实行增广处理;对完成增广后的数据集定义影像编码标签,以此确定地物目标增强权重,通过参量化处理地物目标光谱特征,计算光谱吸收指数,获取地物目标提取表达式,从而实现无人机可见光遥感影像地物目标提取;实验结果表明,所提方法能够保证地物目标边界的清晰度,具有较强的地物目标提取能力。

基于改进YOLOv7-tiny的高空作业人员安防装备检测算法

针对现有高空作业人员安防装备检测算法参数量较大且检测目标相对单一,难以适应复杂的高空作业场景等问题,提出一种基于改进YOLOv7-tiny的高空作业人员安防装备检测算法。首先,将主干网络重新设计为更轻量的YOLOv7-FasterNet,并调整空间金字塔池化结构,实现模型参数量的压缩;其次,在ELAN-L模块中扩展梯度传输路径的分支,解决了模型压缩造成的通道信息缺失问题,提升了特征信息的提取能力;最后,将网络中下采样部分替换为Involution模块,降低参数冗余,增强网络对全局的捕获能力。实验结果表明,改进的YOLOv7-tiny算法能够更好地适应复杂高空作业场景,在开源数据集上具备良好的性能。该算法的平均检测精度达到94.7%,较原模型提升1.5%,参数量较原模型下降11.6%,实验结果验证了算法改进措施的有效性。

改进YOLOv5su模型检测桃树缩叶病

为实现自然环境下桃树缩叶病的检测,该研究提出了一种基于YOLOv5su的桃树缩叶病识别改进模型DLLYOLOv5su。首先,针对桃树缩叶病目标特征变化较大的问题,在骨干网络最后一层C3模块中加入可变形自注意力模块(deformable attention,DA),使模型更加关注目标区域,降低背景对模型的影响,提高模型在复杂背景下的拟合能力。其次在SPPF(fast spatial pyramid pooling)模块中引入LSKA(large separable kernel attention)结构,大核卷积增大了模型的感受野,使模型能够关注更多信息。最后,提出了LAWD(lightweight adaptive weighted downsampling)模块,使用轻量化的下采样结构替换卷积模块,减少计算开销。在桃树缩叶病数据集上进行试验,结果显示,DLL-YOLOv5su模型权重大小为17.6 MB,检测速度为83帧/s。识别准确率P、召回率R和平均精度均值mAP_(50)分别达到了80.7%、73.1%和80.4%,相较于原始YOLOv5su分别提高了4.2、2.4和4.3个百分点。与YOLOv3-tiny、Faster R-CNN、YOLOv7和YOLOv8相比mAP_(50)分别高出了28.5、11.8、2.1和4.1个百分点。改进模型识别精度高,误检、漏检率低,检测速度满足实时检测的要求,可以为桃树缩叶病的实时监测和预警提供参考。

光热性能目标下夏热冬冷地区中小学典型教室空间形态优化设计研究

随着全球能源短缺和气候变化问题的凸显,教育建筑作为社会文明进步与现代化创新的重要载体,其低碳、节能与健康的环境质量提升尤为重要。选取夏热冬冷地区中小学典型教室空间单元,以能耗、光舒适、热舒适为性能目标,基于参数化平台优化光热目标下典型教室空间的最优空间形态,分析不同类型下典型教室空间形态对光热环境的影响机理。提出了一种基于建筑多种性能目标下的多目标优化及参数分析方法框架,通过多目标优化得出建筑能耗、室内光热舒适性能的最大优化率及综合性优化方案,其中最大能耗优化率可达28.01%,最大热舒适优化率可达5.54%,最大光舒适优化率可达44.62%,并通过统计学分析得出教室空间形态参数对建筑光热能耗性能的影响特征及影响程度,为设计师提供方案参考及特征参数优化思路。

结合Transformer和动态特征融合的低照度目标检测

针对现有低照度目标检测算法模型参数量与计算量大、检测实时性差、难以应用于移动设备等问题,提出一种基于YOLOv8的改进轻量模型DarkYOLOv8的低照度目标检测方法。使用MobileNet v2替换YOLOv8的主干网络,增加模型的特征提取能力;使用Transformer注意力机制,获取图像的全局信息,并且基于目标标记信息作为标签训练Transformer模块参数,增强目标区域内的权重,从而提高模型在低照度条件下提取目标特征的能力;对颈部网络使用动态特征融合注意力模块(dynamic feature fusion attention,DFFA),动态融合浅层和深层特征,同时使用YOLOv8X算法+CBAM对DFFA模块中CBAM空间注意力权重进行监督训练。实验结果表明,在ExDark数据集上,DarkYOLOv8在GFLOPs仅为8.53的情况下mAP50指标达到70.1%,相比YOLOv8n提高了3.9个百分点。

基于特征交互结构的弱光目标检测

针对当前主流、先进的目标检测算法在弱光场景下对目标检测精度较低的问题,分析弱光图像削弱了传统卷积神经网络依赖的局部相关性归纳偏置,引入对全局特征有着出色建模能力的Swin Transformer stage以实现全局注意,增强特征信息量。将全局注意以并行方式与局部卷积共同抽取弱光图像特征,并提出了一种特征交互结构(feature interaction structure,FIS),通过精心设计的二次交互方式,能有效解析、利用和结合局部与全局信息。基于FIS堆叠构造交互式并行双流骨干网络FISNet,实现对两类特征的深度融合,并提供对密集预测型任务十分重要的层级特征结构。FISNet在弱光图像数据集ExDark上达到了40.6 AP,与EfficientNet等基准模型相比,得到了+0.5~2.9 AP的检测精度提升,在弱光目标检测场景中具有良好的应用。

天津高铁沿线风致轻漂浮物入侵灾害气象风险分析及应用

为确定高铁沿线风灾隐患路段,减少大风引起的漂浮物入侵灾害发生,基于天津地区高铁沿线气象站观测资料、高分系列卫星遥感影像数据、高铁历史灾情、基础地理信息等,分析了大风对轻漂浮物入侵灾害的影响,给出天津不同区域路段灾害发生的风速阈值范围和主导风向,并基于自然灾害风险评估理论建立了高铁风致轻漂浮物入侵灾害气象风险分析模型,形成风险区划。研究结果表明:高铁沿线轻漂浮物入侵灾害主要出现在春季和冬季,占全年总量的73.75%,午后12—15时是发生的最集中时段,且在天津中部和东部区域发生最多,西北区域其次,西南区域最少。灾害主要发生在最大风风速为8~17 m·s^(-1)和极大风风速为13~21 m·s^(-1)的风速区间,当风向为偏西风到偏北风,风向与线路呈45°以上夹角时,更易引发灾害。运用卫星遥感技术手段,能够较好地识别高铁沿线隐患物分布情况,最高识别准确率可达72.7%。综合风速风向特征、隐患分布情况等,建立高铁风灾气象风险分析模型,区划结果显示,京沪高铁和京津城际风险较高,津秦高铁次之,津霸客专最低。高风险路段主要集中在京沪高铁武清区段北部、北辰区段、西青区段,京津城际的北辰区段、东丽区段东部和滨海新区段以及津秦高铁的东丽区段东部。

基于二阶段目标增强网络的低照度复杂环境下绝缘子故障检测方法

从低照度户外环境中航拍采集的绝缘子影像,存在照度低、背景复杂、绝缘子故障目标小等缺陷,严重影响低照度环境下绝缘子故障检测准确性。为解决上述问题,文章提出一种基于TOE-Net的低照度复杂环境下绝缘子故障检测方法,提出TOE-Net进行图像预处理方法,再使用YOLOv7-OL作为故障检测模块检测小目标绝缘子故障。在二阶段目标增强网络(two-stage object enhancement network,TOE-Net)中,设计零目标图像增强损失函数实现预增强网络(preparation enhancement network,PreEnNet)和深度增强网络(deep enhancement network,DeepEnNet)的无监督学习;使用信道级注意力模块跳跃式通道注意力机制(skip squeeze excitation networt,Skip_SENet)和跳跃式通道注意力机制(skip convolutional block attention module,Skip_CBAM)模块改进原始小目标特征增强单次多框检测算法(small object detection enhancement single shot multiBox detector,SDE-SSD),从而提升定位网络的小目标检测能力;设计弱监督机制使预增强网络根据小目标特征增强SSD的要求来提升图像增强能力,直到小目标特征增强SSD能够从增强图像中准确定位绝缘子串位置;使用深度增强网络深度增强绝缘子串区域,提升各类故障的特征显著性。故障检测模块中,将YOLOv7目标检测算法改进为面向小目标YOLOv7,在原模型中添加结合多尺度特征自适应融合网络的小目标检测通道,并将原始损失函数的CIOU改进为BIOU,从而提高模型的小目标检测性能。在低照度环境绝缘子故障检测实验中,该算法与5种目前常用目标检测算法相比具有较大优势,并且相较于低光目标检测算法IA-YOLO、GenISP with RetinaNet,m AP提升9.77%、10.35%,检测速度提升7.23%、10.16%,证明该算法适用于低照度复杂环境下小目标绝缘子故障检测任务;在正常光照绝缘子故障检测实验中该算法仍保持出色性能,证明该算法能够实现常规光照条件下绝缘子小目标故障检测。

陆地生态系统碳监测卫星自主任务规划研究

低轨遥感卫星往往以全球或全国范围内的特定地物为探测目标。为提高卫星在轨运行的自主性,文章提出了一种面向地物目标属性的遥感卫星自主任务规划方法。首先外推出预报点90 min后的星下点经纬度,并根据星载地图和太阳高度角,得到预报点的阳照/阴影、陆地/海洋、境内/境外属性。对地物目标属性信息进行平滑处理后,根据各载荷的地物目标属性,识别出各载荷的工作任务时间段,可实时实现提前约1个轨道圈的载荷自主任务规划。

基于YOLOv8改进的密集行人检测算法:MER-YOLO

在大型人员密集的场所中,人群异常聚集情况时有发生,对自动驾驶和大型公共场所人流量监控系统等应用场景中涉及到的密集行人检测技术带来了一定挑战,新一代的密集行人检测技术要求精确度更高、计算开销更小、检测速度更快以及部署更加方便等。针对上述需求,提出了一种基于YOLOv8改进的轻量级密集行人检测算法MER-YOLO,首先采用MobileViT作为主干网络,提升模型在总体上对行人聚集区域的特征提取能力;引入EMA注意力机制模块,对全局信息进行编码,通过维度交互来进一步聚合像素级特征,并结合160×160尺度的检测头加强小目标检测能力;使用排斥损失(Repulsion Loss)作为边界框损失函数,减少了人群密集情况下小目标行人的漏检误检的情况。实验结果表明,相较于YOLOv8n,MER-YOLO行人检测算法在Crowd Human数据集上mAP@0.5提升了4.5%,在WiderPerson数据集上mAP@0.5提升了2.1%,同时只有3.1×10^(6)的参数量和9.8 GFLOPs,满足低算力兼顾高精度的部署需求。

光舒适空间下的动态建筑表皮设计——以济南地区办公建筑为例

动态表皮作为响应建筑低碳化的主要手段之一,随着计算机水平的发展,动态建筑表皮越来越被重视。文章基于grasshopper作为参数化建模与模拟平台,octopus作为多目标优化数据处理工具,设计了一款具有旋转与移动的动态复合表皮。在不同时刻,以多目标优化的方式求得最优表皮状态,调节太阳光射入室内光线,从而达到调节室内光环境的目的。具体实验过程中,以春分日12:00的表皮状态进行模拟实验,选出表皮最优状态。通过典型时刻的模拟对比结果验证动态表皮在提高建筑光环境指标的效果,并探讨了动态表皮在建筑中的多目标优化流程,为建筑表皮的设计提供了新思路。

低照明复杂环境下吸烟行为检测技术研究

实时的吸烟行为监测对于保障工地安全具有重要的意义。研究针对隧道等低照明环境因光照强度低、光线分布混杂、点光源过曝光而导致的烟支检测精度低的问题,提出了一种基于改进YOLOv5s(You Only Look Once Version 5s)的吸烟行为检测模型。首先,设计一种图像增强方法,旨在限制点光源过曝光产生的局部高光,增强烟支特征细节,改善图像对比度。其次,引入卷积块注意力模块(Convolutional Block Attention Module,CBAM),使模型更加聚焦烟支目标区域的内容信息和位置信息。最后,改进多尺度检测头,增加适用于烟支的更小检测层,提升模型对烟支的检测能力。试验结果显示,研究提出的针对低照明环境的检测模型可将平均检测精度从91.8%提升至95.9%,相较于原模型和其他经典模型,检测效果得到了显著提升,表明了方法的有效性。

基于实时图像处理算法的交通信号主动智能优化方法研究

为了提升城市交通的通勤效率,文中基于图像处理技术对交通信号灯的智能优化方案进行了研究。该方案引入了一种基于混合高斯模型的运动目标检测方法,可有效从道路背景中分离车辆的前景信息。并采用虚拟线圈法进行车辆统计,在识别出交叉路口的车道信息后按照不同车道分别统计车辆数量。同时还设计了一个以平均排队时长、排队长度和停车次数为优化目标的多目标约束规划模型,并通过粒子群算法完成了模型的求解。仿真结果表明,所提技术方案可适应不同交通流量交叉路口的车辆统计,且精度能够达到95.4%。相较于现有的Webster方案,文中信号灯优化方案的平均延误时间、平均停车次数与平均等待长度分别下降了2.76%、8.35%及12.44%。