基于图像学习的透明构件缺陷检测方法研究

光学PC板、玻璃幕墙等透明构件中存在的气泡、缺胶等先天缺陷严重影响着设备的运维保障。因此,提出了一种透明构件缺陷检测方法。首先,基于视觉图像特性分析了透明构件缺陷检测机制;其次,改良了高斯滤波模型,建立了边缘特征检测模型,并确立了缺陷区域分割模型,以降低环境条件的干扰;再次,在进行缺陷区域分级的基础上,建立了依据缺陷特性的强特征参数优选方法,以提高缺陷的精准分类效果;最后,搭建了双通道图像检测试验平台对典型试验对象进行了测试验证,验证了视觉图像学习方法应用于透明构件缺陷检测的有效性和实用性。

绘制类图像学习资源的分类体系构建与检索研究

计算机大数据技术能够在后台汇集、处理、整合互联网上丰富且繁杂的教学资源信息,完善资源分类的服务系统,为全世界教学工作者和全体有自主学习意愿的学习者们提供高质量的学习资讯检索平台。图形图像等绘制类图像资源能将复杂的信息简单化,将抽象难以理解的事物信息等直观地呈现出来,因此,绘制类图像信息资源是数字信息化资源的一个重要组成部分,具有很高的发展价值。本文将针对绘制类图像学习资源,对绘制类图像学习资源完整分类体系的构建和信息高效检索方法进行研究,从而更好地为教学工作者和学习者们提供优化后数据信息资源丰富、检索高效的绘制类图像学习资源平台。

深度学习图像重建算法对改善直肠CT图像质量的临床应用价值

目的:探索深度学习图像重建(DLIR)算法是否可以改善静脉期肛管直肠的CT图像质量。方法:回顾性纳入进行腹部CT增强扫描的71例患者,所有影像资料使用50%ASiR-V和DLIR低、中、高(DLIR-L、DLIR-M、DLIR-H)3个强度的DLIR重建静脉期薄层图像。测量各组图像的肛管和臀部脂肪的CT值和标准差(SD),以臀部脂肪SD作为背景噪声,计算肛管对比噪声比(CNR)和信噪比(SNR)。两名影像科医师使用Likert5分量表法独立进行图像质量评估和直肠癌局部侵犯情况诊断信心评价。分析比较客观测量指标和图像主观评分,采用Kappa检验评估一致性。结果:各组间肛管CT值及臀部脂肪CT值比较差异没有统计学意义(P>0.05),脂肪SD、肛管SNR及CNR比较差异有统计学意义(P<0.05),DLIR-H组脂肪SD最低,SNR及CNR最高,而50%ASiR-V组脂肪SD最高,SNR及CNR最低。与50%ASiR-V组相比,DLIR-H组脂肪SD降低44.3%,肛管SNR及CNR分别提升89.5%和92.1%(P<0.05)。4组图像质量主观评分比较差异有统计学意义(P<0.05),从DLIR-H到50%ASiR-V依次降低。其中50%ASiR-V、DLIR-L组间比较差异没有统计学意义(P>0.05),其余各组间比较差异均有统计学意义(P<0.05)。各组间直肠癌局部侵犯情况诊断信心评分比较差异有统计学意义(P<0.05),DLIR-M及DLIR-H组优于50%ASiR-V组(P<0.05)。结论:与标准50%ASiR-V图像相比,DLIR-M和DLIR-H重建算法能有效提高图像质量,重建强度越高,图像质量越好,显示细微结构的能力越强,能为临床精准评估及个体化精准治疗提供更多的依据。

70kVp联合深度学习图像重建算法对胸主动脉血管内修复术后双低CTA图像质量的影响

目的探讨70 kVp联合深度学习图像重建(DLIR)算法在低辐射剂量低对比剂用量的情况下对胸主动脉血管内修复术(TEVAR)后主动脉CT血管成像(CTA)图像质量的影响。方法前瞻性纳入65例TEVAR术后需接受主动脉CTA扫描的患者,随机分为两组。常规剂量组(A组)接受100 kVp管电压和60 mL对比剂扫描,低剂量组(B组)接受“双低”方案:管电压70 kVp,对比剂用量为0.5 mL·kg^(-1)。A组图像采用50%多模型迭代重建算法(ASIR-V)重建,B组图像分别采用滤波反投影(FBP)算法(B1亚组)、50%ASIR-V(B2亚组)、90%ASIR-V(B3亚组)及DLIR-H算法(B4亚组)重建。测量并比较各组主动脉CT值、图像噪声、对比噪声比(CNR)及品质因数(FOM)。采用5分制对图像噪声、血管锐利度和整体图像质量进行评估。结果B4亚组噪声最低,较A组降低约23.49%(P<0.001)。A组、B4亚组主动脉各感兴趣区(ROI)CT值、CNR值及图像主观评分差异无统计学意义(P>0.05);B4亚组FOM值大于A组(P<0.001)。与A组比较,B组辐射剂量降低约52.38%(P<0.001),对比剂用量和注射流率分别降低约39%和33.6%(P<0.001)。结论采用70 kVp结合DLIR算法在TEVAR术后主动脉CTA扫描中可获得与常规剂量相当的图像质量,且辐射剂量和对比剂用量大幅度降低。

MRI深度学习图像重建技术在肌骨系统疾病诊断的应用进展

深度学习图像重建(deep learning-based reconstruction,DLR)技术是目前MRI图像重建领域最为前沿的技术进展之一。相对于常规MRI图像重建技术而言,DLR技术重新定义了MRI的信噪比、空间分辨率和扫描时间之间新的边界,其突出的技术优势是有效去除图像噪声及伪影,大幅缩短扫描时间,且在提高病灶的检出率和定性准确率方面也具有潜在优势。随着算法的不断优化和模型泛化性的提升,DLR目前已被广泛应用于神经系统、肌骨系统及心脏等多部位的MRI检查,其适用的扫描序列及临床应用场景也在不断拓展。DLR技术在维持原有空间分辨率条件下,通过减少信号采集次数联合增加并行采集加速因子,将成像时间缩短50%以上,实现肌骨系统快速成像,且所获得图像质量明显优于传统重建图像。目前,DLR在膝关节、肩关节、手腕关节及脊柱等肌骨系统的MRI检查中被广泛应用,并证实了其在缩短成像时间、提升图像信噪比和提高分辨率方面具有卓越表现。

深度学习重建提高腹部能谱CT图像质量和病灶诊断的可行性研究

目的 与常规多模型迭代重建(adaptive statistica literative reconstruction Veo,ASIR-V)相比,评估深度学习图像重建(deep learning image reconstruction,DLIR)提高能谱CT单能量图像的图像质量和病灶诊断检出率的可行性。方法随机纳入65例完成腹部能谱CT扫描的患者,对病人的门脉期扫描数据分别增加在薄层(1.25mm)层厚下的ASIR-V40%、DLIR-M(中度)、DLIR-H(高度)三种重建方式进行重建。获取70keV条件下常规5m m的A SIR-V40%及薄层(1.25mm)的ASIR-V40%、DLIR-M、DLIR-H共4组的门脉期图像。对4组图像的肝脏、脾脏、竖脊肌及背部脂肪进行CT值、SD值的测量,并计算相应的SNR及CNR。此外,计算薄层(1.25m m)的3组数据中肝脏病灶在门脉期图像的检出率。图像质量主观评分及病灶的诊断信心由2名有着丰富阅片经验的放射科医师进行评分。结果对于能谱扫描下70keV的薄层(1.25mm)图像,DLIR-M组和DLIR-H组较ASIR-V4 0%组的肝脏、脾脏、竖脊肌及背部脂肪的SD值更低,SNR、CNR更高(P均<0.001),且三组数据的病灶检出率一致,而DLIR-M组和DLIR-H组的诊断信心和图像质量主观评分均高于ASIR-V40%组,其中DLIR-H组分数最佳。此外,70keV的薄层(1.25mm)DLIR-H组图像的SD值、CNR较70keV的常规5mmASIR-V40%组比较无明显统计学差异(P=0.211,0.358,0.208,0.052)。结论和常规的多模型迭代重建算法(ASIR-V)相比,用深度学习重建算法(DLIR)获得的能谱单能量图像能在保证理想的诊断性能的前提下,进一步降低腹部CT的图像噪声,获得更好的图像质量和更高的病灶诊断信心。同时,与70keV+ASIR-V40%相比,70keV+DLIR-H能够在相似图像噪声的情况下实现更薄层厚图像重建。

深度学习图像重建算法在低剂量扫描对肺结节显示及测量的影响

目的探讨肺结节胸部CT低剂量对深度学习图像重建(DLIR)图像质量及结节检测的影响。方法选取肺结节患者120例,在低剂量扫描条件下应用低剂量迭代重建算法(ASIR-V),评估低剂量下重建图像总体噪声(NI)、肺组织信噪比(SNR)、对比噪声比(CNR),实性、磨玻璃结节噪声、SNR、CNR及结节可见度、筛查准确性。结果DLIR-H总NI和肺组织CNR为(21.14±1.35)Db、(13.70±1.96),低于ASIR-V和DLIR-M,DLIR-M低于ASIR-V(均P<0.05)。肺组织SNR为(26.85±3.46),高于ASIR-V和DLIR-M,DLIR-M高于ASIR-V(均P<0.05)。实性结节、磨玻璃结节NI和CNR均低于ASIR-V和DLIR-M,DLIR-M低于ASIR-V(均P<0.05)。实性结节、磨玻璃结节SNR高于ASIR-V和DLIRM结果,DLIR-M高于ASIR-V(均P<0.05)。DLIR-H图像质量评分、实性结节、磨玻璃结节可见评分均高于ASIR-V和DLIR-M结果,DLIR-M结果高于ASIR-V(均P<0.05)。DLIR-H肺结节准确率86.67%,高于ASIR-V和DLIR-M(P<0.05)。结论胸部CT扫描肺结节应用低剂量DLIR算法能够有效降低噪声,保证图像质量前提下提高诊断率。

超低剂量CT扫描结合深度学习图像重建对计算机辅助诊断系统定量分析肺结节的影响

目的 观察超低剂量CT(ULDCT)扫描结合深度学习图像重建(DLIR)对计算机辅助诊断系统(CAD)定量分析肺结节的影响。方法前瞻性纳入56例复诊肺结节患者,行ULDCT及标准剂量CT(SDCT)检查。对ULDCT分别采用自适应统计迭代重建V40%(ASIR-V40%)及高强度DLIR(DLIR-H),对SDCT以ASIR-V40%进行重建,获得ULDCT-ASIR-V40%(A组)、ULDCT-DLIR-H(B组)及SDCT-ASIR-V40%(C组)图像。基于各组图像筛选长径4~30 mm肺结节为目标结节,由2名医师判断其为实性结节、钙化结节或实性结节。应用CAD分别基于3组图像评估结节类型,定量分析其长径、横径、密度、体积及恶性风险。结果 共纳入104个目标结节,医师判断为51个实性结节、26个钙化结节及27个非实性结节。CAD针对A、B组图像的评估结果为53个实性、24个钙化、27个非实性结节,其针对C组的评估结果与医师一致。相比C组相应结节类型,CAD判定的A组实性及钙化结节的密度、非实性结节的体积及恶性风险均降低,B组钙化结节的密度降低(P均<0.05);3组间结节其他CAD定量参数差异均无统计学意义(P均>0.05)。结论 基于ULDCT行DLIR-H重建可能低估CAD判定的肺钙化结节的密度,但对其他CAD定量参数无明显影响。

新一代深度学习图像重建算法在腹部低剂量CT中的应用研究

目的探讨深度学习图像重建算法(DLIR)在腹部低剂量CT中提高图像质量和降低伪影方面的价值。方法前瞻性连续纳入2019年10月-2020年6月进行CT尿路造影的患者26例,男14例,女12例,平均年龄(60.35±10.89)岁。所有患者均行常规剂量平扫、门静脉期增强(噪声指数10;体积CT剂量指数:9.61 mGy)和低剂量排泄期扫描(噪声指数23;体积CT剂量指数:2.95 mGy)。排泄期图像采用ASiR-V 50%、低强度DLIR(DLIR-L)、中强度DLIR(DLIR-M)、高强度DLIR(DLIR-H)共4种方式重建,采用重复测量的单因素方差分析和Kruskal-Wallis H检验分别比较4组图像的客观评价[偏度、噪声、信噪比(SNR)及对比噪声比(CNR)]及主观评价内容(图像质量、噪声、伪影),并采用Bonferroni检验进行事后两两比较。结果无论是客观评价还是主观评价方面,DLIR图像的SNR、CNR、整体图像质量评分及噪声均相似或优于ASiR-V 50%,且SNR、CNR和图像质量评分随DLIR权重增加而增加,噪声随着DLIR权重增加而降低。4组图像在失真伪影(P=0.776)和对比剂硬化伪影(P=0.881)主观评分中差异不具有统计学意义。结论与ASiR-V 50%算法相比,DLIR特别是DLIR-M和DLIR-H,可显著提高腹部低剂量CT的图像质量,但在降低对比剂硬化伪影方面应用有限。

低管电压和低流速低剂量对比剂联合高权重深度学习图像重建在冠状动脉计算机体层摄影血管造影中的应用价值

目的 探讨低管电压和低流速低剂量对比剂联合高权重深度学习图像重建(DLIR-H)在冠状动脉计算机体层摄影血管造影(CCTA)中的应用价值。方法 选择2022年5~7月新乡市中心医院收治的体质量指数(BMI)为20~27 kg·m^(-2)的60例疑似冠状动脉性心脏病患者为研究对象,按随机数字表法将患者分为观察组和对照组,每组30例。所有患者采用256排宽体探测器CT行CCTA前瞻性心电门控扫描。观察组扫描参数设置:管电压80 kV、自动管电流500~1 300 mA,对比剂注射流速3.5~4.0 mL·s^(-1),对比剂碘海醇(350 g·L^(-1))剂量35~40 mL,采用DLIR-H法重建。对照组扫描参数设置:管电压100 kV、自动管电流500~1 040 mA,对比剂注射流速5.0~5.5 mL·s^(-1),对比剂碘海醇(350 g·L^(-1))剂量50~55 mL,采用多模型迭代重建50%算法重建。对图像质量进行定量和定性分析,定量指标包括主动脉根部(AO)、左前降支(LAD)、左旋支(LCX)、右冠状动脉(RCA)近段血管的CT值及冠状动脉CT图像信噪比(SNR)和对比噪声比(CNR),定性指标包括图像条纹伪影、血管边缘锐利度及总体图像质量的评分。扫描结束后,统计患者CT剂量指数(CTDI)、放射剂量长度乘积(DLP)及有效辐射剂量(ED)。结果 观察组患者AO、LAD和RCA的CT值显著高于对照组(P<0.05),2组患者LCX的CT值比较差异无统计学意义(P>0.05)。观察组患者冠状动脉CT图像的SNR显著低于对照组(P<0.05),观察组患者冠状动脉CT图像的CNR显著高于对照组(P<0.05)。观察组患者冠状动脉CT图像条纹伪影、血管边缘锐利度及总体图像质量的评分显著高于对照组(P<0.05);观察组患者ED、DLP、CTDI显著低于对照组(P<0.05)。结论 对于BMI为20~27 kg·m^(-2)的患者,低管电压和低流速低剂量对比剂联合DLIR-H可生成高质量的CCTA图像。

语义增强图像-文本预训练模型的零样本三维模型分类

目前,基于对比学习的图像-文本预训练模型(CLIP)在零样本3维模型分类任务上表现出了巨大潜力,然而3维模型和文本之间存在巨大的模态鸿沟,影响了分类准确率的进一步提高。针对以上问题,该文提出一种语义增强CLIP的零样本3维模型分类方法。该方法首先将3维模型表示成多视图;然后为了增强零样本学习对未知类别的识别能力,通过视觉语言生成模型获得每张视图及其类别的语义描述性文本,并将其作为视图和类别提示文本之间的语义桥梁,语义描述性文本采用图像字幕和视觉问答两种方式获取;最后微调语义编码器将语义描述性文本具化为类别的语义描述,其拥有丰富的语义信息和较好的可解释性,有效减小了视图和类别提示文本的语义鸿沟。实验表明,该文方法在ModelNet10和ModelNet40数据集上的分类性能优于现有的零样本分类方法。

超低剂量胸部CT不同重建算法对肺炎定量及图像质量的影响

目的探讨胸部超低剂量CT扫描条件下滤波反投影、自适应统计迭代重建、深度学习图像重建(DLIR)等不同重建算法对人工智能影像辅助肺炎定量分析(uAI-Discover-NCP)和图像质量的影响。方法纳入陕西中医药大学附属医院2023年7月~2023年12月就诊的43例肺炎复查患者,采用个性化超低剂量CT扫描,原始数据分别采用滤波反投影、40%强度的自适应统计迭代重建、不同强度DLIR(DLIR-M、DLIR-H)、在DLIR-H处理上叠加E2的边缘强化(DLIR-H+E2)重建图像,共获得5组图像。测量5组图像空气、肺组织、胸主动脉、左肩胛下肌、胸10椎体的CT值、噪声值,计算信噪比。2位医师对5组图像肺整体质量及肺炎显示进行5分制主观评分。将图像导入CT影像辅助肺炎定量分析软件进行独立分析,记录肺炎指数、肺炎体积及肺炎体积百分比、肺炎质量及肺炎质量百分比。采用重复测量方差分析或Friedman秩和检验比较各组定量参数及主观评分的差异。结果5组图像在肺实质、胸主动脉、左肩胛下肌、胸10椎体组织CT值差异均无统计学意义(P>0.05);而各组织噪声及信噪比的总体差异均有统计学意义(P<0.05),其中DLIR-H组的图像噪声最低、信噪比最高,与其他4组相比,差异均有统计学意义(P<0.05)。2位医师对各组图像的主观评分一致性高(Kappa=0.811~0.894),5组图像的整体图像质量、肺炎显示评分总体差异有统计学意义(P<0.001),DLIR-H与DLIR-H+E2组整体图像质量、肺炎显示主观评分最高,组间差异无统计学意义(P>0.05)。5个肺炎定量参数(肺炎指数、肺炎体积及肺炎体积百分比、肺炎质量及肺炎质量百分比)组间总体差异均无统计学意义(P>0.05)。结论超低剂量扫描条件下,影像辅助肺炎定量分析结果不受重建算法的影响。与滤波反投影、自适应统计迭代重建40%相比,高强度深度学习图像重建能显著降低图像噪声、明显提升图像质量,在临床诊断有较大的优势。

深度学习重建算法联合低管电压在头颈部CT血管成像中的应用

目的探讨深度学习图像重建(DLIR)算法联合低管电压(70 kVp)在头颈部CT血管成像中的应用价值。资料与方法回顾性收集2021年11月—2022年11月宁夏回族自治区人民医院行头颈部CT血管成像检查的40例患者,管电压70 kVp,管电流智能调控SmartmA模式。对原始数据进行自适应统计迭代重建(ASiR-V60%、ASiR-V90%)及DLIR(DLIR-L、DLIR-M、DLIR-H),比较不同算法及水平重建图像的主观及客观评价指标。结果颈部及颅内动脉不同水平ASiR-V及DLIR重建图像CT值差异均无统计学意义(P>0.05)。随着ASIR-V及DLIR重建水平增加,颈部及颅内图像噪声均减低,DLIR-H与ASiRV60%差异均有统计学意义(P<0.05),分别减低24.30%、29.42%;颈部及颅内图像信噪比(SNR)、对比噪声比(CNR)均升高,DLIR-H重建图像SNR、CNR最高。颈总动脉分叉部、颈内动脉C4段、椎动脉V4段SNR、CNR与ASiR-V60%差异均有统计学意义(P<0.05),SNR分别提高55.60%、43.90%、44.66%,CNR分别提高55.57%、44.24%、45.10%;大脑中动脉SNR、CNR较ASiR-V60%提高45.39%、45.89%,差异有统计学意义(P<0.05)。ASiR-V90%主观评分较ASiR-V60%降低,差异无统计学意义(P>0.05)。DLIR主观评分随重建水平升高而升高,DLIR-H较DLIR-M、DLIR-L差异有统计学意义(P均<0.05),DLIR-H及DLIR-M的主观评分高于ASiR-V60%与ASiR-V90%,差异有统计学意义(P均<0.05)。结论在低管电压头颈部CT血管成像中,与ASiR-V相比,DLIR可以进一步降低图像噪声,提升图像质量和诊断信心,其中DLIR-H表现最佳。

基于CLIP和双空间自适应归一化的图像翻译

现有的图像翻译方法大多依赖数据集域标签来完成翻译任务,这种依赖往往限制了它们的应用范围。针对完全无监督图像翻译任务的方法能够解决域标签的限制问题,但是普遍存在源域信息丢失的现象。为了解决上述2个问题,提出一种基于对比学习语言-图像预训练(CLIP)的无监督图像翻译模型。首先,引入CLIP相似性损失对图像的风格特征施加约束,以在不使用数据集域标签的情况下增强模型传递图像风格信息的能力和准确性;其次,对自适应实例归一化(AdaIN)进行改进,设计一个新的双空间自适应归一化(DSAdaIN)模块,在特征的风格化阶段添加网络的学习和自适应交互过程,以加强对内容源域信息的保留;最后,设计一个鉴别器对比损失来平衡对抗网络损失的训练和优化过程。在多个公开数据集上的实验结果表明,与Star GANv2、Style DIS等模型相比,该模型可在准确传递图像风格信息的同时保留一定的源域信息,且在定量评估指标FID分数和KID分数上分别提升了近3.35和0.57×102,实现了较好的图像翻译性能。

深度学习图像分类技术在石油管材显微组织分析中的应用

探索了深度学习图像分类技术在油套管和输送管材料显微组织分析中的应用可行性。首先,基于实验室数据收集了油套管、输送管和环焊缝等材料的常见显微组织照片,形成了包含8类典型组织类型的图像分类数据集;随后,选择VGG和残差网络(ResNet)这两种被广泛应用的卷积神经网络(CNN)架构进行研究。在搭建的数据集上对两个模型进行了训练并测试了它们对显微组织的分类能力;最后,研究了不同训练参数和样本容量下两个模型识别性能的变化规律。研究结果表明,VGG和残差网络在显微组织测试数据集上的识别准确率分别为90%和86%;VGG模型在较小数据集上的组织分类性能优于残差网络;二者对贝氏体、铁素体+珠光体和回火索氏体三类组织具有较高的准确率。

高权重深度学习图像重建算法在冠状动脉CT血管造影中的应用价值

目的:比较高权重深度学习图像重建(high-strength deep learning image reconstruction,DLIR-H)与60%自适应统计迭代重建技术(adaptive statistical iterative reconstruction-V,60%ASIR-V)在冠状动脉CT血管造影(coronary CT angiography,CCTA)的应用价值。评估DLIR对冠状动脉的噪声,伪影,清晰度的质量优势。方法:选取2021年9月—11月在中山大学附属第三医院接受CCTA检查的患者,分别用60%自适应统计迭代重建-V(60%ASIR-V)和高权重深度学习图像重建(DLIR-H)技术处理原始图像。由两名临床经验丰富的诊断医生对两组原始轴位影像进行曲面重建(curved planar reconstruction,CPR)、容积再现(volume rendering,VR)和最大强度投影(maximum intensity projection,MIP)重建,并且对两组图像进行双盲法主观评分。结果:主观评分DLIR-H在血管噪声,伪影,轮廓清晰度,诊断可信度方面均高于60%ASIR-V组,差异有统计学意义(P<0.001)。结论:在冠状动脉CCTA中应用DLIR-H重建算法,可以显著降低噪声,不改变其纹理,相比ASIR-V算法可以获得更好的图像质量。

双分支网络架构下的图像相似度学习

图像相似度学习是指通过网络学习图像内容信息来预测两张图像是否匹配。迄今为止,基于卷积神经网络改进的变体网络有效提升了学习效率,但由于提取特征比较单一无法准确描述图像特征,导致相似度学习效率较低。为此,本文提出一种基于卷积神经网络结构的双分支网络。该网络为左右分支网络结构相同,但权值不共享,网络输入为双分支输入。首先由左右分支网络分别提取单通道图像特征;然后通过特征融合层进行特征融合;最后将融合特征直接输入全连接层进行相似度学习,既改善了提取的图像特征多样性,又加快了模型训练速度。在实验室工业相机拍摄的芯片卡槽图像数据集上进行对比试验,结果表明,相比其他模型,本文提出的模型具有较强的网络学习能力和模型泛化能力,准确率高达97.96%。

基于图像深度学习的高压断路器操动机构锈蚀状态评估

高压断路器在长期运行过程中会产生不同程度及不同形态的锈蚀,其操动机构的关键零部件连接处存在锈蚀时,会影响断路器分合闸速度,严重时将导致机构拒动,危及电力系统的供电安全。因此,对高压断路器操动机构进行锈蚀检测并评估其运行状态具有重要意义。本文提出一种基于图像深度学习的高压断路器操动机构锈蚀状态评估方法,首先,根据高压断路器的工作原理和结构特点,建立评价指标体系,并利用主客观综合赋权法,确定各指标综合权重;其次,利用YOLO深度学习算法识别操动机构的锈蚀位置和锈蚀等级,计算相关评价指标;最后,通过模糊综合评价方法,获得锈蚀状态的评价结果。对YOLOv3、YOLOv4和YOLOv5算法进行性能测试,表明YOLOv5算法在准确度和速度等方面综合表现更好;最后,对某台已投运的高压断路器进行锈蚀状态评估,与实际情况对比,验证了所提方法的合理性。

基于立体注意力机制的输电线路图像识别算法

针对计算资源有限的边缘设备无法支撑复杂的高精度图像识别模型这一实际问题,提出了一种基于EfficientDet和立体注意力机制的输电线路图像识别算法。首先,基础网络采用EfficientNet网络,该模型通过统一缩放网络深度、宽度和输入图像分辨率,获取最佳网络架构。其次,使用BiFPN网络增强模型特征表达能力,改进策略包含增加残差链接、移除单输入边结点、权值融合等。在此基础上,立体注意力机制综合考虑尺度、空间、通道等多维度信息,基于视觉注意力机制进一步优化、整合特征。最终,后续的头部网络利用高质量特征提升物体分类和定位的准确率。实验结果表明,所提框架相较于原版网络准确率提升3.0%,且对于不同参数量、不同结构的网络性能均有所提升。该研究可为输电线路巡检图像的高效识别提供参考。

基于图像深度学习的垃圾热值预测研究

垃圾焚烧发电厂入炉垃圾热值波动大,影响了锅炉运行的稳定性和发电效率,利用图像深度学习的方法实现入炉垃圾热值的实时预测,有助于电厂实现“超前调控”。本文探讨了国内外垃圾图像识别及热值预测的研究进展和不足,认为目前缺少符合我国垃圾组分结构的垃圾图像数据库和热值智能预测方法,提出了用Yolov5识别图像中垃圾种类来预测热值的方法,通过入炉垃圾图像的实时采集与分类标记建立图像数据库,并耦合mosaic数据增强等图像数据处理及神经网络训练,提出建立垃圾热值实时预测模型的设想。本文进一步展望了垃圾热值智能预测的发展前景,未来可以将深度学习与图像识别技术高效结合,实现入炉垃圾热值的实时与精准预测。