稠密电力场景中的双目复空间立体定位与识别方法

为解决数字孪生三维运检中小尺度、复杂多目标电力设备的精准定位、语义关联及类型识别问题,构建了二维平面视觉三基色和深度维(three primary colors and depth dimension,RGB-D)的复数空间融合模型。通过提取稠密电力场景下二维图像三基色、纹理和双目立体三维图像深度等多要素的像素灰度值特征,在RGB-D复空间中对小尺度、遮挡及倾斜设备的3个特征要素进行了表征。采用要素线性叠加融合的方式实现目标体空间结构表达,并利用复空间要素归一均衡化增强了目标体的深度特征,从而达到小尺寸、复杂多目标体的空间定位量化目的。在此基础上,基于优化非极大值抑制(optimized non-maximum suppression,NMS)算法对目标定位映射结果进行了优化筛选,经过鲁棒分析得知,该方法具有较强的抗遮挡鲁棒性。以隔离开关、断路器等设备为对象的实验结果表明:该方法相对于传统目标检测方法不仅在目标的定位与识别准确率方面得到显著提高,且在应对稠密电力场景中设备复杂遮挡解决方面具备较大优势,可有力促进电力数字孪生化的理论和技术发展。

基于YOLOv7的动态图像定位与识别

目前行人检测技术已趋于成熟,但动态图像检测依然是难点,尤其是在动态图像中需要快速对图像定位与识别的技术。针对动态图像定位与识别困难的问题,本文提出了一种基于YOLOv7的快速定位与识别方法。该方法不同于其他实时目标检测方法集中在高效体系结构设计的思路,YOLOv7将优化重点放在训练过程优化上,通过引入bagof-freebies模块训练方法,采用增加训练成本但不增加推理成本的方式来提高目标定位与识别的准确性。实验表明,该方法能有效减少实时目标检测器40%左右的参数和50%的计算量,对于动态图像有更好的定位与识别效果。

一种基于多尺度特征簇的舰船目标快速定位与识别方法

针对海天背景下彩色近景舰船图像,采用了一种基于多尺度特征簇的舰船目标快速定位与识别方法,此方法对旋转具有鲁棒性,对光照具有良好的适应性。借鉴Canny边缘检测与图像金子塔及最小生成树聚类算法的思想,设计了一套可适应目标多尺度特性并提高Canny边缘检测自适应性的"特征簇"目标定位算法,结合概率树分类器与二维主成分分析算法,可对多视角、多目标类型舰船目标进行识别,并根据全概率公式评估识别结果。

磁梯度张量系统目标探测技术研究进展

磁梯度张量系统作为磁性目标全张量梯度探测的应用基础,以区域磁异常产生的磁梯度张量场为信息源,通过矢量磁传感器间的差分计算实现磁梯度张量分量测量。相较磁总场和矢量场探测设备,磁梯度张量系统具有分辨率高、信息量大、抗干扰能力强等优势,能获取目标更多的潜在物性信息,研究世界范围内基于磁梯度张量系统的目标探测技术进展,可为我国磁探测设备现代化信息化建设提供理论参考和技术支持。通过阐述现代磁法探测技术发展过程和阶段,对国内外研究团队设计搭建的基于超导效应和磁通门法两种类型的磁梯度张量系统及其应用进行了介绍和归纳,并针对磁梯度张量系统的校正补偿与降噪、磁性目标定位与识别等关键技术进行了前沿综述,展望了未来高精度磁梯度张量探测仪器的设计研发思路,对磁梯度张量探测各类关键技术目前存在的问题和发展趋势进行了总结。

基于边端轻量级网络的电力仪表设备检测方法

电力仪表设备边端智能化检测,是构建数字化变电站的必要环节。在利用移动边端视觉设备检测电力仪表时,边端算力难以实现对复杂环境下的小尺度、高似然目标图像的快速检测,为此,提出一种基于轻量级EF-YOLOv4网络的电力仪表图像目标检测方法。通过改进模型的主干特征网络,利用深度可分离卷积(depthwise separable convolutions,DSC)计算方法提取仪表多属性特征,同时降低模型计算复杂度,提高检测速度;改进特征融合结构,增加具有高分辨率以及颜色、纹理等仪表信息的浅层特征层,提升模型对小尺度仪表目标的注意力;融入最近邻快速特征匹配(fast library for approximate nearest neighbors,FLANN)方法,通过单位符号特征细粒度检测仪表目标。利用迁移学习参数共享机制调整模型权重,使模型快速适应于电力仪表小样本数据集。最后构建电力仪表图像测试集对模型进行验证。实验结果表明,相比于传统目标检测方法,所提方法对于电能表、电压表等多尺度、细粒度仪表设备图像的目标检测保持了较高的精确度与速度。可为电力仪表的可视化、信息化与智能化提供可行的技术方案及借鉴。