基于频率响应与图像特征提取的动车组变压器绕组状态诊断方法研究

动车组变压器是保障高速铁路稳定运行的核心设备,频率响应法是目前检测变压器绕组状态的有效方法。为提升车载变压器绕组状态诊断的准确性,结合暂态信号与频率响应法提出基于频率响应与图像特征提取的动车组变压器绕组状态诊断方法。搭建试验车载变压器绕组故障模拟平台,获取不同故障类型和故障位置的频响曲线,利用类Gram矩阵结合幅频和相频曲线信息,再利用密度分层法转换为伪彩色图,提取对应的灰度共生矩阵和灰度差分矩阵特征值,根据鹈鹕优化支持向量机方法对绕组故障进行诊断。试验结果表明:车载变压器绕组故障发生时,伪彩色图能够反映出故障信息,有利于图像分析和特征提取,采用基于频率响应与图像特征提取的动车组变压器绕组状态诊断方法能够识别车载变压器绕组的典型故障类型和位置。

基于2D人体图像特征学习的女西装合体性判别

为解决服装远程定制和网络购衣过程中服装合体性无法预先判断的问题,文章提出利用2D人体图像判断女西装合体性。首先采集了462名18~25周岁青年女性的2D图像及3D尺寸,建立人体数据集。并制作10件虚拟女西装,建立服装数据集。其次提取用于女西装合体性判别的服装特征、2D人体图像关键点距离特征和整体特征。基于感性工学原理,采用专家评价法获取女西装合体性评价标签。最后利用贝叶斯分类器建立女西装合体性判别模型。研究结果显示,将文章提出的特征应用于基于贝叶斯算法的女西装合体性判别模型判别准确率可达到84.8%,说明提出的服装合体性评价指标有效,可以用于基于2D图像的服装合体性预测。

浮选泡沫图像特征提取方法研究进展

机器视觉作为设备操作人员的工具,在泡沫浮选设备的监测中得到了广泛的应用。利用泡沫图像数据集建立预测识别模型,以初级泡沫特征参数为输入,以品位和回收率等浮选指标为输出。根据是否需要手动提取浮选泡沫图像特征,可以将特征提取算法划分为两大类别:一种是基于颜色、形态特征等的传统手动特征提取方法,另一种是基于深度神经网络的自动特征提取方法。本文总结并归纳了近年来浮选泡沫图像特征提取算法领域的研究进展,分析了各种方法的优势和不足,对当前难以人工识别泡沫状态及实现浮选自动化提升浮选效率,具有一定的指导价值。

息肉样脉络膜血管病变患者光学相干断层扫描血管成像与吲哚菁绿血管造影图像特征的比较

目的总结对照息肉样脉络膜血管病变患者光学相干断层扫描血管成像(OCTA)与吲哚菁绿血管造影(ICGA)的图像特征。方法通过便利抽样法,选取2021年4月至2022年4月在南昌大学附属眼科医院接受治疗的50例息肉样脉络膜血管病变患者作为研究对象。所有患者在治疗前均接受OCTA与ICGA检查,以ICGA检查结果作为金标准,对OCTA与ICGA检查结果进行对照分析。结果50例患者中,ICGA检查可见特征性息肉样病灶17例,异常分支血管网21例,异常分支血管网合并特征性息肉样病灶10例,因出血遮挡无异常表现2例,检出率为96.00%(48/50)。OCTA检查可见特征性息肉样病灶16例,异常分支血管网19例,异常分支血管网合并特征性息肉样病灶11例,无异常表现4例,检出率为92.00%(46/50);两种检查方式检出率比较,差异无统计学意义(χ^(2)=0.709,P=0.400)。Kappa一致性检验分析结果显示,ICGA与OCTA诊断息肉样脉络膜血管病变具有较高一致性(Kappa=0.816,P<0.001)。以ICGA检查结果作为金标准,OCTA诊断息肉样脉络膜血管病变的敏感度、特异度、准确度分别为97.83%(45/46)、75.00%(3/4)和92.00%(46/50)。结论ICGA与OCTA诊断息肉样脉络膜血管病变的病变一致性较高,ICGA检查表现为异常分支血管网者,OCTA检查可见相似表现;ICGA检查表现为特征性息肉样病灶者,OCTA检查可见明显强信号亮点;ICGA与OCTA检查显示病灶形态及位置具有一定相似性。

多智能体深度强化学习的图像特征分类方法

为解决在图像特征识别分类等机器学习任务中,存在输入图像数据复杂度过高且与部分数据与特征无关的问题,提出了一种多智能体深度强化学习的图像特征分类方法。将图像特征分类任务转化为一个部分可观测的马尔可夫决策过程。通过使用多个移动的同构智能体去收集部分图像信息,并研究智能体如何形成对图像的局部理解并采取行动,以及如何从局部观察的图像中提取相关特征并分类,以此降低数据复杂性和过滤掉不相关数据。通过改进的值函数分解方法训练智能体策略网络,对环境的全局回报按照每个智能体的贡献进行拆分,解决智能体的信度分配问题。该方法在MNIST手写数字数据集和NWPU-RESISC45遥感图像数据集上进行了验证,相比基线算法能够学习到更加有效的联合策略,分类过程拥有更好的稳定性,同时精确率也有提升。

儿童传染性单核细胞增多症颈部淋巴结超声图像特征回顾性分析

目的对儿童传染性单核细胞增多症(Infectious mononucleosis,IM)颈部淋巴结超声图像特征进行回顾性分析,为临床早期发现此类疾病提供可靠的定量信息。方法252例儿童IM颈部肿大淋巴结(504个),其均接受超声检查,对其临床资料进行回顾性分析,就患者的超声检查结果及超声图像特征展开分析。超声图像特征包括淋巴结的形态、边界、内部回声特征(淋巴门髓质有无回声减低区)、淋巴门髓质是否增宽、皮髓质分界、融合、钙化、液化坏死、血流模式等。结果从性别来看,以男性患儿居多,从临床表现来看,以发热、颈部淋巴结肿大及扁桃体白苔为主;从实验室检查结果来看,患儿白细胞计数异常升高、淋巴细胞及异型淋巴细胞增多,肝功能异常;淋巴门髓质双侧增宽(98.41%),双侧融合(80.16%),部分内部可见卵圆形低回声(46.03%);皮髓质分界不清(99.60%),边界模糊(99.21%),且无钙化及液化坏死,血流模式以门型血流(98.02%)为主。在淋巴门存在的IM淋巴结中,淋巴门表现为不均匀的低/等回声(85.32%),与皮质回声分界不清,内可见门型血流,伴随淋巴门髓质增宽疏松网状。结论儿童IM颈部肿大淋巴结虽与其他病因导致的颈部肿大淋巴结的超声图像有些相同特点,但前者具有典型的超声图像特征,对其加以综合分析可为临床早期诊断儿童IM提供有效的影像学依据。

基于振动信号图像特征的降噪残差网络轴承故障诊断

针对将一维原始轴承振动信号作为既有轴承诊断模型的输入所致训练效率、抗噪性欠佳的问题,提出一种基于振动信号图像特征的自适应降噪残差网络轴承故障诊断方法。首先将一维轴承振动信号进行截断、重叠采样后重构成信号矩阵,最后将其编码为图像得到振动信号图像;再对图像进行直方图处理,计算得到其灰度分布特征矩阵,并将振动信号图像和对应的特征矩阵作为算法模型的输入;同时,在提出的网络模型中在残差卷积映射的过程中插入基于通道注意力机制的降噪路径,通过自适应地获得阈值进行降噪,提高网络对含噪声样本的故障特征提取能力。最后通过对比实验证明:网络模型在加入灰度分布特征后有更好的性能表现,提出的自适应降噪残差网络模型在将含有噪声的振动信号作为输入的情况下仍具有较高的故障识别精度。

基于自监督注意和图像特征融合的文本生成图像方法

现有的层级式文本生成图像的方法在初始图像生成阶段仅使用上采样进行特征提取,上采样过程本质是卷积运算,卷积运算的局限性会造成全局信息被忽略并且远程语义无法交互。虽然已经有方法在模型中加入自注意力机制,但依然存在图像细节缺失、图像结构性错误等问题。针对上述存在的问题,提出一种基于自监督注意和图像特征融合的生成对抗网络模型SAF-GAN。将基于ContNet的自监督模块加入到初始特征生成阶段,利用注意机制进行图像特征之间的自主映射学习,通过特征的上下文关系引导动态注意矩阵,实现上下文挖掘和自注意学习的高度结合,提高低分辨率图像特征的生成效果,后续通过不同阶段网络的交替训练实现高分辨率图像的细化生成。同时加入了特征融合增强模块,通过将模型上一阶段的低分辨率特征与当前阶段的特征进行融合,生成网络可以充分利用低层特征的高语义信息和高层特征的高分辨率信息,更加保证了不同分辨率特征图的语义一致性,从而实现高分辨率的逼真的图像生成。实验结果表明,相较于基准模型(AttnGAN),SAF-GAN模型在IS和FID指标上均有改善,在CUB数据集上的IS分数提升了0.31,FID指标降低了3.45;在COCO数据集上的IS分数提升了2.68,FID指标降低了5.18。SAF-GAN模型能够有效生成更加真实的图像,证明了该方法的有效性。

基于BI-RADS超声风险分层系统的乳腺图像特征与腋窝淋巴结转移的相关性研究

目的:探究基于美国放射学会(ACR)乳腺影像报告与数据系统(BI-RADS)的乳腺图像特征与腋窝淋巴结转移(ALNM)的相关性。方法:选取2020年3月至2023年1月期间本院收治的165例乳腺癌(BC)患者171个乳腺病灶作为研究对象,所有患者进行乳腺超声(US)检查,分析BC的超声图像特征与ALNM的相关性。结果:BC患者ALNM与钙化灶有无存在显著相关性(P<0.05),与肿瘤单发/多发或弥漫、血流丰富程度、病灶最大径存在极显著相关性(P<0.001),与形态、边缘、纵横比、后方回声无显著相关性(P>0.05);将单个超声图像特征与ALNM相关的4个指标作多因素分析,钙化灶、血流丰富程度、肿瘤数量、最大径的相对危险度分别为:0.943、8.216、2.768、3.867,其中血流丰富度对于判断ALNM的意义较大;具有4个或5个恶性超声图像特征的乳腺病灶的ALNM阳性率较高。结论:基于BI-RADS超声风险分层系统,可以根据不同的图像特征判定腋窝淋巴结是否转移,为临床分期和评估预后方案的制定提供可靠依据。

基于图像特征的铁路车辆制动组件异常检测

铁路车辆制动组件图像目标与背景无法分离,导致组件异常检测结果不精准,提出基于图像特征的铁路车辆制动组件异常检测方法。使用TFDS系统采集车辆制动组件图像,构建图像区域阶段矩阵和中心矩阵,使用二值化处理方法预处理图像。构建图像特征模型,将RGB空间转换为HSV空间,根据颜色感知度对图像进行非均匀量化处理,利用欧氏距离分析图像帧间差异。利用K-means统计理论,将不同位置特征与背景属性值转换为距离矩阵,通过计算被聚类对象和其感知范围内所有对象整体相似性,结合异常序列实现制动组件异常检测。由实验结果可知,该方法能够清晰识别制动缸体压强异常情况,经过7 min保压后检测的压强为127 kPa,与实际压强一致,检测结果精准。

融合人工智能图像特征的知识图谱表示学习研究

原有知识表示模型没有充分考虑知识图谱以外的丰富信息,在缺少对应信息时难以完成推理和补充,处理知识推理任务时会产生较大性能缺陷,本文研究了融合人工智能图像特征的知识图谱表示学习方法.采用最大似然值任务概率,在相似性计算函数中定义知识图谱实体.结合目标检测算法构建残差网络层次结构,在多输出维度中提取知识图谱局部特征.融合人工智能图像特征表示知识图谱,实现学习方法设计.实验结果表明:将本文方法应用在多个知识表示模型中,对缺失的实体关系完成推理预测,可以增加多个模型推理结果的准确性.

未破裂型输卵管妊娠与妊娠黄体囊肿的超声图像特征比较

目的:比较未破裂型输卵管妊娠与妊娠黄体囊肿的超声图像特征。方法:回顾性分析2022年2月至2023年3月该院收治的68例未破裂型输卵管妊娠患者的临床资料,设为观察组;另选取同期40例妊娠黄体囊肿患者的临床资料,设为对照组。两组均行阴道彩色多普勒超声检查,比较两组超声图像特征、包块血流分布情况、包块血流频谱形态、包块与同侧卵巢位置变化率。结果:经阴道彩超检查结果显示,两组包块大小、环壁厚度比较,差异均无统计学意义(P>0.05);观察组阻力指数(RI)、环壁高回声率均高于对照组,环壁低回声率低于对照组,差异有统计学意义(P<0.05);两组包块血流分布情况比较,差异有统计学意义(P<0.05);观察组高阻力型、低阻力型血流频谱均高于对照组,极低阻力型血流频谱率低于对照组,差异有统计学意义(P<0.05);变换体位后,观察组包块与同侧卵巢位置变化率为88.24%,高于对照组的0,差异有统计学意义(P<0.05)。结论:未破裂型输卵管妊娠患者超声图像特征中的RI、环壁高回声率、高阻力型血流频谱率、低阻力型血流频谱率、包块与同侧卵巢位置变化率均高于妊娠黄体囊肿患者,环壁低回声率、极低阻力型血流频谱率均低于妊娠黄体囊肿患者,且包块血流分布不丰富。

工业产品件缺陷图像特征处理系统设计与实现

当前,检测技术是装备制造业的质量与过程控制的重要环节,特别是随着人工智能技术快速发展,传统的检测方法存在易漏检、检测效率低等问题,且人工成本高,很难满足现代化生产需要。以工业产品件为典型检测对象,以机器视觉技术为检测手段,结合缺陷特征提取技术,开展工业产品件的划痕、丝印断裂等缺陷的图像特征处理系统设计与实现,以此实现缺陷特征的自动、实时及准确检测,并依据典型缺陷检测结果,支持对工业产品件的参数与缺陷率模型构建工作研究。

基于放射-DR投照技术的图像特征与临床应用价值分析

探究放射-DR投照技术的图像特征,并对其临床应用价值进行评估。选取2021年3月—2023年3月普定县中医医院100例疑似股骨头坏死患者为研究对象,所有患者均实施传统X线投照、放射-DR投照技术诊断,以病理学诊断结果为金标准,对上述措施实施的诊断价值进行分析。结果显示,100例疑似股骨头坏死患者中,金标准诊断显示为96例,占比为96.00%,传统X线投照诊断出76例,占比为76.00%,放射-DR投照技术诊断出95例,占比为95.00%,传统X线投照与放射-DR投照技术诊断结果差异大,具有统计学意义(P<0.05);研究发现,放射-DR投照技术具有较高的诊断敏感度、准确度,可以提升疾病检出率,对后续治疗具有指导意义。

砂样岩屑图像特征的岩性智能高效识别

在录井过程中,岩屑的岩性分析主要依靠人工,效率较低且稳定性较差,难以在钻进地层过程中快速识别岩性变化。为此,提出基于砂样图像中颗粒岩屑纹理、色泽和形状等特征的岩性智能识别方法。首先,计算砂样图像的像素值梯度并求取颗粒质心,采用分水岭算法获取颗粒岩屑轮廓线并标记;然后,采用图像分割算法从砂样图像中分离出待检测的单个颗粒岩屑图像,建立颗粒岩屑图像样本库;最后,利用注意力机制及特征融合模块改进MobileNetV2网络,提取颗粒岩屑特征并分类,实现单个颗粒岩屑图像岩性识别,进而获取砂样岩性成分比。该方法将以往岩性智能识别过程中常采用的砂样整体识别方式转变为对砂样中单颗粒岩屑的岩性识别,大幅度减少了颗粒岩屑之间的相互干扰。多个油气区块的砂样图像测试结果表明,该方法对灰岩、泥岩、砂岩和页岩的识别准确率均不低于92%,一组砂样图像岩性分析的用时小于10 s。

基于掩埋图像特征的煤矿冲击地压和煤与瓦斯突出感知报警方法

分析了冲击地压和煤与瓦斯突出时抛出大量黑色煤岩的掩埋图像特征:监视区域内颜色及其对应图形面积变化、颜色及其对应图形数量变化、颜色及其对应图形形状变化、掩埋位置异常等。根据灾害发生时会造成监视区域内非黑色区域面积减少,且减少的速度和加速度较大的特征,提出了基于颜色及其对应图形面积变化特征的冲击地压和煤与瓦斯突出感知报警方法。根据灾害发生时会造成监视区域内非黑色区域数量减少,且减少的速度和加速度较大的特征,提出了基于颜色及其对应图形数量变化特征的冲击地压和煤与瓦斯突出感知报警方法。根据灾害发生时会造成监视区域内非黑色图形的圆形度、矩形度和面积周长比减少,且减少的速度和加速度较大的特征,提出了基于颜色及其对应图形形状变化特征的冲击地压和煤与瓦斯突出感知报警方法。根据灾害发生时会导致煤矿井下人员、液压支架顶部及靠近顶部等位置被煤岩掩埋的特征,提出了基于掩埋位置异常特征的冲击地压和煤与瓦斯突出感知报警方法。上述基于掩埋图像特征的煤矿冲击地压和煤与瓦斯突出感知报警方法具有响应速度快、非接触、监测范围广、成本低和使用维护方便等优点。

非对称图像特征位置误差参数求解校正方法

图像辐射强度值受到大气透过率的影响而发生改变,图像特征易发生几何失真,且特征的畸变于其几何位置具有复杂的非线性关系,导致特征位置误差校正难度较大。为此,提出基于深度学习的图像特征位置误差校正方法。将参数代入到图像灰度插值算法中,不断调整参数值,改善图像因非均匀、非对称造成的特征点模糊现象,提取得到图像的特征点位置。基于此,构建AlexNet学习结构,构建待校正误差图像模型和校正模型。利用牛顿迭代法对校正模型中的各项参数求解校正模型,实现对图像特征位置误差的校正。实验测试结果证明,研究方法的应用损失率在实验迭代次数达15次时降至5%以下,均方根误差始终低于0.8pixel,均方误差在实验迭代次数为50次时降至10-4,说明研究方法可精准求出位置误差值和提高图像精度,校正前后图像间特征拟合程度高。

图像特征对烟幕干扰的效能评估对比研究

烟幕干扰作为现代战场常见的无源干扰方式,具有优良的光电对抗效果、较强的战术应用机动性和较高的效费比。针对基于图像的烟幕干扰定量评估研究不足,本文从跟踪的角度出发,对烟幕干扰下目标的红外成像使用灰度特征、基于LBP的纹理特征、类哈尔矩形特征、方向梯度直方图特征以及深度特征5种方法进行特征提取,通过将特征提取结果与主观评分进行相似性计算,得出不同图像特征对烟幕干扰下目标的表征能力。通过对8组外场试验所得数据的分析验证,得出结论,对烟幕干扰下目标表征能力较为优秀的三种特征分别是方向梯度直方图特征、类哈尔矩形特征以及深度特征。

基于ITD-SDP图像特征和DSCNN的道岔转辙机故障诊断

针对道岔转辙机故障诊断问题,提出一种基于ITD-SDP图像形状特征和深度可分离卷积神经网络的故障诊断方法。首先对时域压力信号使用固有时间尺度分解算法进行分解,获得一系列固有旋转分量;然后进行对称点模式变换,将分解得到的固有旋转分量映射为雪花图像;最后通过深度可分离卷积神经网络算法实现道岔转辙机的故障诊断,同时与传统的CNN模型进行对比。实验结果表明:图像特征能够有效表征道岔转辙机的工作状态,深度可分离卷积神经网络模型对道岔转辙机4种状态的平均诊断准确率达到98.5%,验证了本方法的有效性和优越性。

局部图像特征直线描述算法综述

局部图像特征直线的描述现如今不仅是图像特征直线匹配过程的关键和基础,还已成为人工智能和计算机视觉领域中的研究难点和热点问题之一。它不仅被广泛应用到宽基线匹配、图像检索、图像拼接、3D重建等计算机视觉任务中,还被应用到产品质量检测、指纹解锁、自动工件检测等实际工程应用中。近年来,随着人工智能的发展和深度学习在许多领域的成功应用,文献中出现了诸多相关学者针对局部图像特征直线描述问题而提出的不同算法。本文对经典且具有代表性的局部图像特征直线描述算法进行阐述、分析总结以及全面客观评价,最后总结归纳了局部图像特征直线描述的现状、所面临的困难与挑战以及未来可能的研究走向,为相关学者未来的研究工作提供一定的参考。