基于PANet网络和先验知识的变压器表计图像识别算法

本文中作者针对传统图像处理识别方法鲁棒性较差以及深度学习算法数据量需求大的问题,本文将先验知识引入PANet模型,提出了一种全新的电气表计识别技术。此外,为解决光照干扰问题,该框架还构建了基于感知理论的光照补偿模块。整体实现思路为:首先调整图像亮度,利用PANet网络检测表盘、指针、刻度等关键信息,再结合先验知识对上述信息进行修正,最终根据修正后的信息计算准确读数。实验表明,该方法在电力表计识别任务中相较于其它模型,具有更强的迁移性,且识别准确率明显提升,对电力设备图像识别这一小样本问题具有一定的借鉴意义。

基于改进深度网络的钢材表面缺陷检测

为解决传统的采用人工方法进行钢材表面缺陷检测存在错检、漏检、精度低等问题,提出一种改进Faster RCNN的钢材表面缺陷检测算法。使用融合残差网路和密集连接网络的DPN网络进行特征提取,提出改进PANet网络进行多尺度特征融合;使用CIoU损失函数替代原算法中的Smooth L1作为边框回归损失函数;构建用于模型训练的钢材缺陷数据集。通过对比实验进行分析,实验结果表明,提出方法能够快速、准确地识别和定位钢材表面缺陷。