结合E-YOLO和水体指数约束的大面幅影像水利设施检测

水利设施对水资源与水量调度、自然湿地生态保护与修复、资源和生态功能的利用及经济效益发展有重要作用。传统方法统计水利设施位置、数量等依赖于汇编资料,存在耗时长、资料更新不够及时以及具体地理位置不详等缺点,遥感为大规模监测水利设施提供了新的可能。本文以YOLO v3网络为基础,结合水利设施的特点,提出了一种基于大面幅影像快速检测水利设施的算法,主要分为两个方面:(1)改进的YOLO算法(E-YOLO)。E-YOLO提出PPA特征融合方法和等比预测框与四特征图交叉预测方法,对小样本等问题进行优化;改进损失函数,突出置信度损失;同时使用迁移学习的方法,读取特征提取部分的预训练模型参数。(2)基于E-YOLO算法和水体指数约束的大面幅水利设施检测算法。通过水体指数约束滑动步幅来解决影像面幅大、目标尺度小的问题,同时降低漏检率和误检率,再结合轮廓合并方法,优化检测结果。本研究中采用高分二号影像数据实现大面幅影像水利设施检测,实验结果表明:E-YOLO算法可以明显提高水利设施检测效果,相比平均F2精度相比YOLO v3提高了1.25%。且有更好的稳定性;水体指数约束的大面幅检测方法可以在保证效率的情况下提高检测精度,其F2精度相比大步幅和小步幅方法分别提高了3.72%和2.70%,为遥感水利设施检测提供了良好方案。

基于大数据驱动的农村电商产品自动化识别系统

农村电子商务的发展和建设,为多样化的电商产品流向农村、服务农村提供了良好契机。促进农村电商产品推广和分销的同时,如何正确甄别面向农村的电商产品是否合适,通过电商产品的参数识别、统计进行分析,从而提高电商产品质量,降低管理电商产品成本,成为亟需解决的问题。电商产品在电商平台中的介绍往往以图像形式呈现,想要对电商产品进行参数识别,提取参数并进行统计分析,就需要一种时效性好、精确度高的自动化识别系统,针对此种问题,提出以大数据驱动为基础,依靠神经网络学习算法结合OCR技术的方式进行商品图像识别,保证在提高时效性的同时,提高图像识别的精确度。改进的识别系统以YOLO模型为基础依据,并针对其存在的不足进行了进一步优化。系统设计的部分包括检测模型的搭建、文字识别以及图片处理等。

基于YOLO-E与改进OCRNet图像分割的变电站仪表读数自适应识别方法

变电站仪表读数的准确识别对实时感知设备运行状态,提高变电设备运维智能化水平意义重大。然而,现有基于指针偏转角度检测的变电站仪表读数识别方案准确性差,未能结合表盘色带判别设备状态,无法自适应表盘量程。对此,提出了一种基于YOLO-E改进OCRNet图像分割的变电站仪表读数识别方法,首先提出了基于YOLO-E的表盘位置检测算法,通过透视变换实现图像校准;其次,使用极化注意力模块分支改进OCRNet网络结构,提出基于改进OCRNet的表盘分割算法,实现表盘刻度、指针及色带的准确分割提取;最后,基于PGNet从表盘文本中自适应识别量程信息,结合指针与刻度的分割结果实现读数识别。算例证明,与其他先进电力视觉算法相比,所提方法能适应不同量程的仪表,实现了读数与设备运行状态的准确识别,有助于推动运检数字化转型。