基于轻量化网络与增强多尺度特征融合的绝缘子缺陷检测

随着无人机搭载目标检测算法在输电杆塔绝缘子巡检领域的发展,针对绝缘子缺陷检测速度较低,网络复杂度高且缺陷小目标难以准确检测的问题,提出一种基于轻量化网络与增强多尺度特征融合的YOLOv5-3S-4PH模型进行绝缘子缺陷实时检测。首先将重构的ShuffleNetV2-Stem-SPP(3S)网络作为YOLOv5的主干网络,显著减小了网络的参数量和计算量;其次引入针对小目标的增强多尺度特征融合网络以及4个预测头,来增强网络对绝缘子缺陷的感知能力,并结合Mosaic-9数据增强、CIoU损失函数进一步补偿轻量化导致的检测精度损失;最后将其应用到自制绝缘子数据集进行验证。实验结果表明,该文所提出的模型相对于未改进的YOLOv5,全类平均精度提高了3%,检测速度提高了81.8%,参数量、计算量分别压缩了82.4%、67%。因此,所提出的模型更适合部署在无人机平台上进行绝缘子缺陷的实时监测。

基于fMRI图论网络探索脑小血管病性轻度认知障碍的虚、实证候拓扑属性对照研究

目的基于图论网络探索性分析皮质下脑小血管病性轻度认知障碍虚证、实证的全脑及局部脑网络拓扑属性组间差异。方法前瞻性招募诊断为皮层下小血管病所致轻度血管性认知障碍患者和健康对照,基于GRETNA平台,计算虚证、实证和健康对照比较的组间全局小世界拓扑属性和局部节点强度、节点效率的组间差异。结果三组均具有小世界属性,但仅实证组患者在稀疏度为0.05-0.26内小世界属性δ显著低于对照组(P<0.05);同时,涉及额、顶及小脑等多个脑区的节点效率和节点强度指标均显著区分实证组、虚证组,但虚证患者在节点效率上无阳性脑区(P>0.05),在节点强度上仅表现为少数脑区的节点效率增高(P<0.05)。结论实组在全局拓扑属性及局部拓扑属性上均显著有别于虚证组,说明虚实证候具有显著差异的影像表型,为进一步探讨中医证候在疾病生物学分型的作用提供研究基础。

基于神经网络的螺丝表面缺陷检测

针对螺丝零件通常存在的缺陷检测问题,提出了一种基于神经网络螺丝表面缺陷检测方法。将SimAM注意力机制引入YOLOv7网络模型,用GIoU损失函数替换CIoU损失函数提高模型检测精度,在目标框位置预测过程中,引入Soft-NMS优化候选框选择方法,有效提升候选框位置选择的精度。实验结果表明,改进后的网络模型平均精度均值(mAP)达到98.9%,对小目标缺陷检测精度更高,误检漏检情况更少,可以有效满足螺丝表面缺陷检测要求。

轻量化特征融合的CenterNet输电线路绝缘子自爆缺陷检测

输电线路智能化巡检是新一代电力系统建设的必然要求。当前,基于深度学习的检测模型由于参数量过大,使得利用无人机(UAV)进行边缘部署较困难。为使无人机可搭载轻量级模型实现输电线路中具有自爆缺陷绝缘子的识别,提出了一种轻量级CenterNet-GhostNet的目标检测网络。对模型主干特征提取网络进行轻量化处理,利用计算成本较低的GhostNet提取自爆缺陷绝缘子的多层次特征,降低模型复杂度;引入增强感受野模块(RFB)增强特征表达能力,提升模型对小目标特征信息的注意力;构建特征融合模块,将低层特征信息和高层特征信息有效融合以输出更完整的特征图,提高缺陷识别精度。利用迁移学习参数共享,结合冻结与解冻训练相结合的模型训练策略,缓解网络因小样本数据集而产生的泛化能力不足问题。基于构建的输电线路自爆缺陷绝缘子数据集对所提方法进行验证,实验结果表明:相比原始CenterNet,所提方法的AP50、AP75和AP50:95分别提升至0.86、0.74和0.63,模型参数量由124.61×10^(6)减少至64.2×10^(6),可实现复杂环境下的自爆缺陷绝缘子检测,提高了基于无人机的输电线路巡检精度与速度。

基于改进YOLOv7-tiny的道路病害检测算法

针对目前道路病害检测方法参数量较大、小目标病害检测效果差且易出现误检、漏检的问题,提出一种基于改进YOLOv7-tiny的道路病害检测算法。引入深度可分离卷积(DSC)和无参注意力机制(SimAM)设计ELAN-SimAM-D结构,减少计算量和参数量以实现轻量化,同时加强模型的特征提取和特征融合的能力;引入自适应指数加权池化和自适应融合设计SPPAda结构作为空间金字塔池化结构,增强道路病害信息的保留程度,降低病害的漏检;新增P2小目标网络层,加强对较小目标病害的检测能力,提高模型的检测精度;设计新的损失函数NWD-EIOU替换原CIOU损失函数,提高小目标定位的精度。实验结果表明,相较于原始的YOLOv7-tiny算法,改进后的YOLOv7-tiny算法在自建实验数据集下mAP@0.5达到83.14%,提升了3.50%,召回率上提升了4.96%,模型的参数量降低了33.84%,能够满足道路病害检测的需求。

基于长短时记忆网络的山区中小流域降雨径流模拟

洪水预报是流域防洪减灾的重要非工程措施之一。目前我国中小河流暴雨洪水灾害频发,但应对短历时强降雨的洪水预报能力仍不强。以安徽省东部山区中小流域为研究对象,引入长短时记忆网络建立流域降雨径流模型,探讨其在山区中小流域的洪水模拟效果。结果表明,考虑降雨输入的空间差异可提升深度学习模型降雨径流模拟预测性能,且长短时记忆网络能够取得优于传统人工神经网络的精度;长短时记忆网络模型有效建立了流域降雨与径流间的复杂非线性关系,模型在所选流域内场次洪水的峰值模拟效果较好,训练、测试集场次洪水峰值合格率均在90%以上;长短时记忆网络内部结构特征与流域水文过程具有较好的相似性,对山区中小流域暴雨洪水非线性关系拟合效果突出。

基于贝叶斯单源域领域泛化算法的天然气管道故障智能诊断

基于深度学习算法的故障智能诊断模型已被广泛应用于天然气管道运输安全领域,然而管道通常处于准稳态,使得训练集中的故障样本量受限。为此,针对天然气管道故障诊断中因训练集故障样本量有限,导致难以准确诊断的问题,提出了一种基于贝叶斯单源域领域泛化(BSDG)算法,部署了一种攻击防御策略,通过在攻击阶段明确伪目标域增强路径,并在防御阶段引导模型参数的后验分布向伪域样本得分更高的方向调整,增强模型在面对不同域扰动时的适应性和鲁棒性。研究结果表明:(1)基于贝叶斯网络建立的非定向攻击模型确保伪域样本既保留了与源域的相关性,又引入了足够的域差异来模拟潜在的目标域,由此提升了多源域和单源域设置下的领域泛化诊断准确率;(2)测试结果显示,BSDG算法在多源域泛化任务及两项单源域泛化任务中,相较于性能最优的对比算法,其准确率分别提高了9.79%、5.09%和27.98%;(3)裕度差异损失通过在学习决策边界的过程中引入不确定性,令分类器可以灵活且有效应对频繁的分布变化,显著性测试结果表明BSDG算法在多数场景下显著优于先进对比算法;(4)贝叶斯神经网络通过在权重上引入不确定性,有效提升了BSDG算法的泛化稳定性。结论认为,BSDG算法通过使用基于贝叶斯推理的攻击防御策略,有效扩展了源域模型的决策边界,解决了实际场景数据匮乏导致的深度神经网络泛化能力差的问题,为样本受限情形下的天然气管道故障诊断模型设计提供了理论支撑。

小级差需求下基于故障首半波比较的快速电流保护

基于时间级差配合的梯级电流保护受限于出口线路保护动作时间,为缩短保护研判时间,提升配电网多级配合能力,提出一种小级差需求下基于故障首半波比较的快速电流保护方法。对传统电流保护动作时间进行分析,采用整定值构建模板曲线,与故障电流采样值进行多点动态比较,基于有效值爬坡效应及采样值越限效应构建新的保护启动判据、考虑保护算法延迟及干扰点的影响构建新的动作判据,综合加快电流保护判别速度。利用PSCAD/EMTDC软件仿真验证了所提方法在不同类型故障、不同故障时刻、负荷突增、干扰影响等工况下的有效性,结果表明所提方法的动作时间不超过10 ms,有利于小级差更加灵活和可靠的整定。

基于VSG下垂优化控制的新能源电力系统惯性提升

针对传统VSG技术动态性能较差且重要参数J和D最优值较难确定的问题,提出了一种基于下垂控制与神经网络预测的VSG控制与参数优化策略,实现了VSG技术中关键参数J和D的动态调节。首先,所提策略将有功功率-频率下垂控制应用于VSG的控制算法中;其次,通过模拟同步发电机转子运动方程和电压与无功控制特性,建立VSG的小信号分析模型,完成了关键参数转动惯量与阻尼系数的初值整定;最后,建立了人工神经网络进行分析学习和网络训练,调整权值以改变VSG转动惯量与阻尼系数,通过误差函数比较输出量与输入量之间的误差,多次学习训练后参数达到期望值。将神经网络优化算法与下垂控制策略结合,对VSG控制策略进行优化。分别采用传统VSG控制、恒定参数下垂控制和基于神经网络优化的自适应参数下垂控制对算例进行仿真,结果表明:所提基于神经网络优化的自适应参数下垂控制比传统VSG控制的频率最大变化量降低了26.7%,频率稳定时间降低了0.25 s,表明了所提策略的有效性。

基于深度学习的油田在线视频目标检测

油田背景复杂多变,摄像头悬挂较高,导致物体在监控画面中的比例较小,加大了检测难度。从油田实际场景出发,深入研究了SSD算法检测小目标准确率比较低的问题并对其改进,提出了RP-SSD算法,通过在特征金子塔中增加上采样模块和预测模块,更好地融合前后卷积层产生的特征图,并使用空洞卷积扩大了前面卷积层的感受野,提高了对小目标检测的准确率。采用Pascal VOC验证改进算法的有效性,同时选取了faster R-CNN、SSD300、DSSD321作为对照试验。试验结果表明,RP-SSD在小目标检测方面性能显著提高,可以达到实时检测的要求。

基于改进YOLOv5s的小目标检测算法

针对当前主流目标检测算法对图像中远距离小目标产生的漏检、误检等问题,提出一种改进YOLOv5s的小目标检测算法。在模型训练过程中,通过引入Focal-EIOU定位损失函数,加强边界框的定位精度;在骨干网络中,通过添加小目标检测层,提高小目标的检测精度;在Neck结构中,通过优化上采样算子和添加注意力机制,加强小目标的特征信息。实验结果表明,改进后的算法在VisDrone数据集上与YOLOv5s算法相比,mAP@small提高了3.2%,且检测速度满足实时性的要求,能够很好地应用于小目标检测任务中。

小批量物料需求周预测的研究

在多品种小批量的物料生产中,企业一般事先无法知道物料的实际需求量,而准确的物料需求量预测对于提高企业生产效率具有重要的意义。首先建立了基于需求频数、需求数量、需求趋势和销售单价的物料重要性因子模型,从物料的重要性来筛选企业需要重点关注的物料;随后引入基于需求频数、需求趋势和销售单价的随机森林回归模型和前馈神经网络模型来预测物料的需求量,并通过均方差等指标来评估模型。实验验证表明,该预测模型能为企业小批量物料需求提供一个有参考意义的解决方案。

基于不同卷积神经网络构建小肠多病变自动检测的人工智能辅助系统

目的基于不同卷积神经网络开发人工智能辅助系统,用于自动检测小肠胶囊内镜(CE)拍摄的11类小肠病变图像,提高诊断的效率、准确性和客观性。方法收集来自3个不同医学中心,使用3种不同品牌设备拍摄的CE图像,构建图像数据集,用于不同卷积神经网络模型的训练和测试,共含13683张图像和15117个注释标签。模型性能评估指标包括平均精度、准确率、敏感性、特异性、假阳性率、检测速度。结果构建了2种YOLO模型和2种RTMDet模型,在包含2729张CE图像(4801注释标签)的测试集上,RTMDet_m模型取得了最佳的mAP50(82.58%),但也展现出最慢的延迟时间(47.28帧/s)。模型达到了82.76%的整体敏感性和95.91%整体准确率;在具体类别的推理中,敏感性最高的类别是“出血”,而最低的类别是“黏膜下肿瘤”。结论使用混合品牌CE图像开发的人工智能模型能够快速准确地检测与分类11种小肠病变,在帮助医师提升CE诊断效率和准确性方面展现出很好的临床应用潜力。

基于改进YOLOv7的安全帽佩戴检测算法

为提高工作场所安全帽佩戴的检测精度,提出一种基于YOLOv7网络架构的改进算法。首先,在特征提取网络中引入卷积块注意力机制(CBAM)取代YOLOv7中主干网络部分原有的卷积模块(CBS),增强网络的特征提取能力,加强网络对目标和背景的分辨能力;其次,为解决由于网络层数的加深导致小目标特征减弱甚至消失的问题,增加一个小目标层,通过将浅层网络特征与深层网络特征融合,进一步保留小目标特征。实验结果表明,原YOLOv7对安全帽佩戴检测的均值平均精度为86.1%,改进后到达93.4%,实现了检测精度的提高。

基于GM(1,1)-IPSO-BP的重载铁路小半径曲线钢轨磨耗预测方法

为实现重载铁路小半径曲线段钢轨磨耗量的精准预测,提出一种非等间距灰色模型GM(1,1)与改进粒子群算法(IPSO)优化BP神经网络相结合的钢轨磨耗预测方法。首先,根据积分原理优化GM(1,1)非等间距模型的背景值计算方法,基于改进的模型得到实测磨耗序列的初步预测结果;然后,利用IPSO算法对BP神经网络的权值和阈值进行自动寻优,对GM(1,1)模型初步预测序列的残差进行校正;最后,将优化后的两种模型组合构建基于GM(1,1)-IPSO-BP的重载铁路小半径曲线地段钢轨磨耗量预测模型。以某重载铁路桥上半径400 m曲线为例,利用长期的磨耗监测数据进行方法的适用性分析,研究结果表明:GM(1,1)-IPSO-BP模型克服了磨耗数据的非线性、随机性特征对计算结果的影响,预测精度优于单独使用GM(1,1)、IPSO-BP模型;背景值优化后的GM(1,1)模型预测准确性更可靠;IPSO优化算法提高了BP神经网络计算的精度和速度;预测结果和实测数据之间的相对误差不大于4%;在预测区间上的绝对误差小于0.4 mm,运用该方法能够较准确地得到钢轨磨耗的发展规律。研究结果可为重载铁路小半径曲线钢轨的精准维修和科学使用提供参考。

基于轻量级网络的小目标检测算法

针对YOLOv5算法在检测小目标时存在准确率较低的情况,提出旨在提高小目标检测准确率的轻量级网络KOS-YOLOv5算法。首先采用K-means++聚类技术选择一组合适的锚框尺寸作为模型的先验,对小目标实现更精确的锚框尺寸,使模型能适应不同大小的目标;其次利用简化正负样本分配策略(SimOTA)进行动态样本匹配,更好地优化损失函数;最后将空间上下文金字塔(SCP)模块集成到算法检测层中,促使骨干网络更加关注小目标的特征信息,用以增加目标特征提取能力,提高目标的检测准确率。结果表明,改进后的KOS-YOLOv5算法与传统的YOLOv5模型进行比较,算法在检测精确度(P)方面提高了4%,召回率(R)方面提高了2.4%,平均检测精度(mAP)提高了3.1%,损失函数值(Loss)降低了5%,最终检测精度为95.38%。

基于孪生网络和Transformer的红外弱小目标跟踪方法

针对红外弱小目标跟踪准确性较低这一问题,提出一种基于孪生网络和Transformer的红外弱小目标跟踪方法。首先,构建多特征提取级联模块分别提取红外弱小目标模板帧和搜索帧的深度特征,并将二者分别与其对应的HOG特征进行维度层面的串联;其次,引入多头注意力机制Transformer进行模板特征图和搜索特征图的互相关操作,生成响应图;最后,通过响应图上采样网络和边界框预测网络,获得目标在图像的中心位置和回归边界框,完成对红外弱小目标的跟踪。在包含13655张红外图像数据集上的测试结果表明:与KeepTrack跟踪方法相比,成功率提高5.9个百分点,精确率提高1.8个百分点;与TransT(Transformer Tracking)方法相比,成功率提高14.2个百分点,精确率提高14.6个百分点,证明所提方法对复杂背景下的红外弱小目标跟踪准确性更高。

基于TCN的跟网/构网混合型新能源场站并网系统小干扰稳定性快速评估

为支撑跟网/构网混合型新能源场站中机组控制方式快速切换,实现可适应电网强度变化的新能源场站安全稳定运行,提出基于时间卷积神经网络(temporal convolutional network,TCN)的跟网/构网混合型新能源场站并网系统小干扰稳定性快速评估方法。首先,构建跟网/构网混合型新能源场站聚合阻抗模型,通过特征值计算得到并网系统小干扰稳定裕度。然后,以并网系统短路比和新能源场站跟网/构网控制方式信息作为输入特征,以并网系统小干扰稳定裕度和阻尼比作为输出特征,训练TCN得到混合型新能源场站并网系统小干扰稳定性快速评估模型。经过训练的模型可根据短路比和跟网/构网混合型新能源场站中各机组的控制方式快速输出对应的小干扰稳定裕度和阻尼比。最后,以一个含10台风电机组的新能源场站为对象进行算例分析。结果表明:所提TCN方法相比于长短期记忆神经网络方法,在小干扰稳定裕度和阻尼比预测上的平均绝对百分比误差分别降低16.76%、14.75%;所提方法的计算耗时相对于特征值计算方法降低98.54%,从而验证所提小干扰稳定性快速评估方法的准确性与时效性。

基于微信小程序的SCN人脸表情识别系统设计

针对人脸表情识别技术,利用自修复网络(Self-Cure Network,SCN)人脸表情识别算法模型的优势,实现SCN在移动端设备上的应用,利用训练好的模型构建人脸表情识别系统,以微信小程序为系统平台,开发了一款表情识别微信小程序。经过系统测试,结果表明该系统表情识别准确率高、操作方便、运行流畅、功能完备,基于微信小程序的SCN人脸表情识别系统具有广泛的应用前景。

基于注意力网络集成的联机空中手写识别研究

针对联机空中手写识别的数据样本少、模型泛化能力不足、识别率低等问题,提出一种基于注意力网络集成的联机空中手写识别方法。该方法首先通过在形状特征中融入“联机”的时序特征,构建原始的多维数据;然后对多维融合数据降维投影到三个正交平面上,得到三组投影特征;其次,构建卷积神经网络用于提取视觉特征,同时引入字符嵌入作为图像的类标签,将类标签字符级语义特征通过注意力检测机制与三组视觉特征融合形成三组语义信息丰富的特征图,并基于特征图构建SoftMax分类器;最后,通过基于主学习器集成投票方法进行分类与识别。在两组空中手写数据集与哈工大(HIT-OR3C)联机数据上进行多组实验,在小样本的情况下,该方法识别率优于其他方法,分别达到95.68%,93.02%,94.96%。实验结果表明,该方法在小样本数据的情况下,充分发掘联机空中手写数据中有效特征,提高了空中手写识别效率。