基于金字塔池化网络的质子交换膜燃料电池气体扩散层组分推理方法

针对质子交换膜燃料电池气体扩散层(gas diffusion layer composition,GDL)形貌划分与制备工艺改进问题,提出了一种基于金字塔池化网络(pyramid scene parsing network,PSPNet)与多层感知器(multi-layer perception,MLP)的气体扩散层组分识别与比例推理方法:首先将带标签的气体扩散层扫描电镜(scanning electron microscope,SEM)图片输入神经网络,得到特征图;得到的图像特征层进入金字塔池化模块后,获取SEM图像的深层和浅层特征;随后将深层和浅层特征图层融合输入全卷积网络(fully convolutional network,FCN)模块,得到预测图像;最后统计各个组分上的像素点比例,通过MLP完成组分比例推理。结果表明:所提方法组分识别像素准确率达81.24%;在5%偏差范围内,比例推理准确率为88.89%。该方法解决了气体扩散层多组分无法区分、比例无法获知的问题,可有效应用于气体扩散层的质检、数值重构以及制备工艺改进。

基于金字塔池化网络的道路场景深度估计方法

针对从单目视觉图像中估计深度信息时存在的预测精度不够准确的问题,该文提出一种基于金字塔池化网络的道路场景深度估计方法。该方法利用4个残差网络块的组合提取道路场景图像特征,然后通过上采样将特征图逐渐恢复到原始图像尺寸,多个残差网络块的加入增加网络模型的深度;考虑到上采样过程中不同尺度信息的多样性,将提取特征过程中各种尺寸的特征图与上采样过程中相同尺寸的特征图进行融合,从而提高深度估计的精确度。此外,对4个残差网络块提取的高级特征采用金字塔池化网络块进行场景解析,最后将金字塔池化网络块输出的特征图恢复到原始图像尺寸并与上采样模块的输出一同输入预测层。通过在KITTI数据集上进行实验,结果表明该文所提的基于金字塔池化网络的道路场景深度估计方法优于现有的估计方法。

面向电网施工人员识别的轻量化检测网络

针对电网施工环境多样、传统方法存在监控盲区导致监控精度和覆盖面低的问题,提出了一种面向电网工作人员识别的轻量化检测网络,以高空及地面立体化的巡查模式来监控电网工作人员的作业行为。该方法采用一个轻量化的目标检测网络检测出监控视频中的电网工作人员,并判断其是否佩戴安全帽,使用人员识别网络来辨别未佩戴安全帽人员的身份。仿真实验结果表明,所提方法可以实现立体化电网工作人员作业行为巡查,相比于传统方法,所提出的轻量化网络具有更小的计算量,可达到63.4%的识别精度。

改进YOLOv3网络结构的遮挡行人检测算法

针对YOLOv3算法在监控视频行人检测中对遮挡目标漏检率较高的问题,文中提出改进YOLOv3网络结构的遮挡行人检测算法.首先在网络全连接层引入空间金字塔池化网络,增强网络的多尺度特征融合能力.然后采用网络剪枝的方式,精简网络冗余结构,避免网络层数加深导致的退化和过拟合问题,同时减少参数量.在走廊行人数据集上进行多尺度训练,获得最优的权重模型.实验表明,文中方法在平均准确率和检测速度上都有所提升.

面向密集型场景的多尺度行人检测方法

针对目标检测算法对小目标行人识别率低、对监控远处视野目标检测精度不理想的问题,提出了改进YOLOv5高效多尺度特征利用的行人检测算法。首先,通过在原网络中改进高效的特征融合结构,提高模型对深层特征的感知力来提高模型精度;其次,采用Res2Net Block重构骨干网络,加强对细粒度特征信息的利用;最后,加入改进的空间金字塔注意力池化网络,强化模型的多层次特征表达能力。在CrowdHuman数据集进行训练和验证,YOLOv5-SA的平均检测精度达到了85.6%,相比原算法提高了3.8%,检测速度可以达到51 FPS(frames per second),识别精度和检测速度均具有较好的效果,可以有效应用于密集目标行人检测任务。

基于YOLOV3模型的甘蔗丛环境下行人检测方法

针对在“一垄双沟”甘蔗丛高秆作物环境下行人目标检测的重要性及难度问题,提出一种改进YOLOV3算法的甘蔗丛中高秆作物遮挡的行人目标检测算法(YOLOV3-my-prune)。为获得更好的行人特征表达,使用Imgaug库对自制的数据集增强,并结合数据集中行人尺寸特点,使用K-means聚类分析方法,为神经网络重新聚类目标锚箱。对YOLOV3网络改进,设计了在网络全连接层中引入空间金字塔池化模块,并增加第四尺度预测特征图,同时增强网络多尺度特征融合能力及小尺度特征提取能力。完成改进的模型基础训练后,采用通道和层剪枝混合剪枝方法轻量化模型,并在数据集上进行多尺度训练并测试,结果表明:此方法准确率达80.1%,检测速度为30fps,均有所提升。

采用多层次特征融合SPP-net的暂态稳定多任务预测

为提升基于卷积神经网络(CNN)的电力系统暂态稳定预测性能并呈现更全面的预测结果,提出一种基于多层次特征融合空间金字塔池化网络(MSPP-net)的暂态稳定多任务预测方法.首先,通过同步相量测量装置(PMUs)获取故障清除后各发电机功角、机端母线电压幅值及相角数据,构造出一个三维输入矩阵;其次,在CNN的基础上采用空间金字塔池化层提取高层特征的多尺度信息,通过跳跃链接获取不同卷积层多层次特征信息,并进行特征融合;最后,通过硬参数共享机制建立MSPP-net多任务学习模型,以实现暂态稳定性判断、临界发电机识别和稳定裕度预测.在IEEE 10机39母线系统、IEEE 50机145母线系统和中国某省简化系统上进行仿真验证.与传统浅层及深度学习方法相比,结果验证了所提方法的有效性和更优的预测性能,以及该方法在噪声环境或PMUs非100%覆盖条件下的适用性.