基于图像相似度与深度学习的变电站刀闸状态识别算法的对比研究

为解决以往变电站中基于各类传感器的刀闸状态检测方式成本高、稳定性差的问题,本文探索了两类基于图像识别的刀闸状态检测算法,相较于传统的基于图像相似度的刀闸状态识别算法,基于深度学习的目标检测算法对刀闸状态识别准确率更高,能够有效对变电站内刀闸状态进行检测。本文在对483张包含各类刀闸状态的图像进行标注后,使用YOLOv5的预训练模型进行训练,训练后的模型在包含80张各类刀闸状态的测试集上进行测试,结果表明综合准确率为89.31%,综合召回率为98.32%。本文所提出的基于深度学习的刀闸识别算法能够对变电站刀闸状态进行有效识别,且识别准确率高、部署较为简单,对保障变电站安全稳定运行有着重要作用。

基于融合哈希粗匹配的快速手指静脉识别方法

针对基于模板匹配的手指静脉识别过程中存在大量异源匹配导致匹配时间长的问题,提出一种融合哈希粗匹配和加权LTS-HD精确匹配相结合的二次匹配特征识别方法。首先,在特征提取过程自适应设置检测算子的移动步长,减少宽线检测算法中的冗余计算;然后,使用均值哈希算法和差值哈希算法计算静脉图像相似度进行加权融合,利用遗传算法进行权重值寻优,使用融合哈希相似度进行粗匹配识别出部分异源匹配;最后,对于粗匹配无法识别的图像采用加权LTS-HD距离算法进行精确匹配。实验结果表明,自适应移动步长宽线检测法相较于基本宽线检测法的平均特征提取时间降低了44.53%,二次匹配特征识别方法相比于加权LTS-HD方法的平均匹配时间降低了7.93%。