基于改进YOLOv7-Tiny的变电设备红外图像识别

针对复杂背景下变电设备红外图像目标识别精度不高、识别速度慢的问题,本文提出一种基于改进YOLOv7-Tiny的变电设备红外图像识别算法。首先,引入轻量级瓶颈结构GhostNetV2 BottleNeck替换部分CBS模块构建轻量级高效聚合网络L-ELAN(Lightweight-EfficientLayerAggregation Network),同时在特征提取阶段嵌入CA(CoordinateAttention)注意力机制,在降低网络参数量的同时加强网络对目标关键特征的提取,提升检测精度;将网络坐标损失函数替换为SIoU Loss,以提升锚框定位精度和网络收敛速度;在变电设备红外数据集上进行测试,结果表明,改进后网络的精确率达到96.28%,检测速率达到26.42 frame/s,模型大小降低至7.82 M。与YOLOv7-Tiny原算法相比较,本文算法在提升识别精度的同时将检测速率提升21.69%,模型大小减少36.89%,可以满足变电站设备的精准实时识别要求,为后续的变电站设备故障诊断奠定基础。

基于改进YOLOv7的变电站设备红外图像识别

高效快速地识别变电站设备是变电站安全状态检测中至关重要的一个环节。针对变电站场景复杂且目标设备尺度不同的特点,在YOLOv7的基础上引入PSA模块,实现局部和全局通道之间的信息交互,提高模型对不同尺度设备的识别精度。再结合PConv和GSConv,建立轻量化网络,在确保模型精度的同时提升检测速度。使用Dyhead将3个感知嵌入一个目标检测头中,提升了目标的检测能力。构建变电站设备红外图像数据集,并进行训练、测试和验证,与原来的YOLOv7算法对比,准确率提升了3%,模型减小了10%,满足高效快速识别变电设备的要求,为后续变电设备故障诊断提供了基础。

局部对比度融合重加权的红外图像小目标检测

红外图像块小目标检测算法在数据链、预警、制导等领域有较为广泛的应用,如利用数据链可以将红外图像块小目标精确传送给雷达。为了在复杂背景条件下进一步提高红外小目标检测的效果,提出了一种重加权和局部先验融合的红外图像块(IPI)小目标检测算法。首先,采用加权Schatten p范数对背景图像块进行约束;其次,引入局部对比度先验信息和加权l_(1)范数抑制非目标稀疏点,进一步增强目标图像稀疏性,使算法模型性能进一步得到提升。仿真结果表明,所提算法在抑制背景杂波和精确检测目标方面均有较好的结果,优于现有经典算法。

基于深度卷积网络的红外图像人体姿态识别方法

针对传统红外图像行人姿态识别的问题,在经典LeNet-5模型的基础上,提出一种改进型LeNet-5的网络模型.网络设定输入红外图像尺寸为256×256×1,选取4层卷积计算增加网络深度,以Leaky ReLu为激活函数并加入dropout层,最后以1×1卷积代替全连接,减小模型参数尺寸,防止过拟合.实验将改进型LeNet-5与经典LeNet-5模型进行比对,结果表明改进型LeNet-5效果最好.与流行的ShuffleNet,Nas Net-mobile,EfficientNet-b0和MobileNetV2算法进行对比,实验结果表明,所得测试集的准确率达到97.5%,mean average precision,average recall和F_(1-score)性能指标均优于其他算法.

基于Kapur熵与改进蝴蝶优化算法的电力设备红外图像分割模型

电力设备红外图像分割是电力故障诊断的主要手段。针对传统电力设备图像分割方法计算代价高、分割精度差、速度慢的不足,提出改进蝴蝶优化Kapur熵算法对红外图像进行多阈值分割。引入Levy飞行策略改进蝴蝶优化算法IBOA(Improved Butterfly Optimization Algorithm)的位置更新方式,提升算法全局寻优能力;设计高斯混沌变异机制对精英个体进行扰动,提升种群多样性,使算法避免收敛于局部最优。利用基准函数测试IBOA的寻优性能。以Kapur熵作为IBOA的适应度函数,设计基于IBOA和Kapur熵最大化的图像分割方法,并利用三幅经典伯克利图像和一幅核磁共振图像验证了图像分割性能。将改进算法应用于电力设备红外图像分割,证实算法在非均匀背景和噪声干扰下依然能够有效提高红外图像分割的精度和效率,从而保障电力设备故障诊断成功率。

基于改进迁移学习的红外光谱图像自适应分割研究

为了从红外光谱图像中获取有用信息,设计基于改进迁移学习的红外光谱图像自适应分割方法。采集系统获取红外光谱图像,采用直方图均衡技术对红外光谱图像进行增强处理,依据增强后图像各帧像素的高斯正态分布,重建红外光谱图像,将红外光谱图像重建结果输入双分支卷积神经网络模型,利用迁移学习子网提取红外光谱图像全局特征,结合残差注意力子网提取的图像细小特征;通过集成学习融合差异红外光谱图像特征,输出分割后的红外光谱图像。测试结果表明:该方法可实现红外光谱图像分割,且分割结果清晰,具有显著细节特征。

基于红外图像特征参量和GK-SVM算法的复合绝缘子劣化诊断方法研究

复合绝缘子劣化、局部温升已成为输电系统运行过程中的严重问题,红外图像可用于复合绝缘子发热的识别,但复合绝缘子发热影响因素复杂、缺乏有效识别方法等问题制约了红外图像的有效应用。考虑风速、湿度、碳化通道长度、水分侵入等条件,建立了复合绝缘子碳化通道电—热—流多物理场仿真模型,系统研究了劣化复合绝缘子发热的影响因素,并提出基于环境输入参量及红外图像特征参量的粒度高斯核支持向量机(GK-SVM)故障识别方法。研究结果表明:电压等级、风速、湿度、碳化通道长度、水分侵入等级均对复合绝缘子缺陷处温度产生影响,相同条件下,220 kV复合绝缘子缺陷处的相对温升最大,可达13.2℃。其中碳化通道缺陷长度和水分侵入等级对复合绝缘子缺陷处温度产生较大影响,当缺陷长度从0 mm升至200 mm时,缺陷处温度相对于环境温升增加了4.3倍;而水分侵入等级从0级升至3级时,缺陷处温度相对于环境温升增加了0.7倍。湿度和风速均对缺陷处温度产生负向影响,当环境湿度从30%升至80%时,缺陷处温度相对于环境温升降低了20.6%;而环境风速从0 m/s升至6 m/s时,缺陷处温度相对于环境温升降低了24.2%。基于环境输入参量及红外图像特征参量,应用GK-SVM算法的复合绝缘子发热故障识别方法对110 kV和220 kV线路故障绝缘子的故障识别率分别可达93.98%和94.67%,误报率仅为7.14%和5.33%。研究结果对于劣化复合绝缘子诊断方法的应用具有重要的参考价值。

基于CBAM改进YOLOv7的电力设备红外图像分类检测

针对复杂环境下电力设备红外图像的深度学习目标检测数据繁杂、检测精度较低等问题,本文提出一种基于卷积块注意模块(Convolutional Block Attention Module,CBAM)改进YOLOv7的电力设备红外图像分类算法。首先将已有数据集进行标注,并按一定比例划分成训练集、验证集以及测试集,然后在YOLOv7的主干网络中引入CBAM,使模型能对感兴趣的区域进行强调并抑制无用信息,其次将划分好的数据集放入改进后的YOLOv7进行模型训练,同时对比了6种改进的YOLOv5s模型。实验结果表明,在相同实验条件下改进YOLOv7模型优于YOLOv7模型、YOLOv5s模型和基于YOLOv5s的6种注意力模型。改进YOLOv7性能有明显提升,可实现快速、精准的红外图像分类。

一种基于二阶OGS全变分红外图像去噪模型

红外成像系统可以将接收到的不同对象的红外辐射信号转换成图像信息,这种成像系统可实现夜视成像,相比于可见光成像,具有优秀的环境适应性和良好的隐蔽性。由于红外成像系统的特殊性,红外图像相对于普通的光学图像往往包含更加复杂和强烈的噪声。

基于YOLOv8的变压器套管红外图像发热缺陷识别

变压器作为电力系统的关键设备,其安全可靠运行显得尤为重要,变压器套管的发热缺陷是影响其运行可靠性的重要因素之一。针对变压器套管红外图像发热缺陷识别问题,引入YOLOv8目标检测算法。首先,分析了变压器套管发热缺陷的产生原因、传统变压器套管发热缺陷红外识别方法及其存在的不足。其次,对比分析了中值滤波、引导滤波两种不同去噪方法。然后,设计增广、增强+增广两种不同方法构建数据集,基于YOLOv8算法分别进行训练。最后,在测试集上进行对比实验,结果表明,增强+增广处理后训练所得模型的识别精确率提高了3%、召回率提高了2.3%、平均精度均值提高了0.8%。

基于改进CNN-SVM的光伏组件红外图像故障诊断方法

为识别光伏组件故障类型,提高光伏系统发电效率,提出了一种基于改进CNN-SVM模型的光伏组件红外图像故障诊断方法。首先以光伏组件红外图像为输入样本构建改进CNN模型,采用全局平均池化层代替传统CNN模型的全连接层,在进行图像特征提取的同时降低模型参数量;利用数据增强和批归一化技术提高模型泛化能力,降低模型过拟合。其次采用非线性支持向量机SVM代替传统CNN模型中的Softmax分类器,以提高光伏组件红外图像故障识别准确率。最后采用Infrared Solar Modules数据集对所提模型进行了实例验证。结果表明:与传统CNN模型相比,改进CNN-SVM模型故障诊断准确率高,对各故障类型的识别能力强。

基于空间非一致模糊核标定的红外图像超分辨率重建方法

近年来,红外成像系统在工业、安防、遥感等领域获得了广泛的应用,但由于制造工艺及成本制约,红外系统的分辨率仍然较低。基于深度神经网络的单帧图像超分辨率重建技术是提高红外图像分辨率的有效方法,获得了广泛研究,并在仿真图像上取得了显著进展,但应用于实际场景图像时容易出现伪影或图像模糊等现象。造成这种性能差异的主要原因是目前方法大多假定造成图像退化的模糊核是空间一致的,然而实际红外光学系统不可避免地存在像差、热离焦等,由此造成的图像模糊的模糊核并非空间一致的。针对这一问题,提出了一种非盲模糊核估计方法,通过采集特定的靶标图像,并设计模糊核估计网络,求解空间非一致模糊核;设计基于图像分块的超分辨率重建方法,将图像块和对应区域的模糊核一起输入非盲超分辨率重建网络进行子块图像重建,再通过子块合并和重叠区域图像融合,得到最终的高分辨率图像。实验结果表明,光学系统自身引起了模糊核随空间位置缓慢变化,在实验室条件下标定模糊核并基于图像分块进行超分辨率重建的方法可显著提高红外图像超分辨率重建的效果。

基于对抗生成的轻量化红外图像增强网络

目前,红外成像技术在医学、安保、环境监测、军事探测等方面获得了广泛应用。然而,由于低成本红外成像设备的固有缺陷及大气环境对热辐射传导的影响,导致其采集的图像亮度较暗、细节模糊、对比度低,影响后续图像语义分析及目标检测识别等任务。传统基于模型的红外图像增强方法常需利用图像先验信息,模型参数与场景相关,模型泛化能力不强;基于深度学习的红外图像增强算法有助于增强红外图像质量,但结构冗余,不利于边缘端部署。生成对抗网络(GAN)可以通过判别器和生成器两个网络的轮流对抗训练显著提升红外图像增强效果,但网络训练参数量大,边缘端部署占用资源多,运算复杂度高。本文设计了一种基于对抗生成的轻量化红外图像增强网络,通过在GAN模型的基础上增加多层次特征融合结构并设计多尺度损失函数,提升了特征提取效率并减少了网络层数,在提升图像质量的同时提高了增强效率,利于算法的边缘端部署。实验表明,本文方法在同等参数量下,通过添加多层次特征融合结构和多尺度损失函数,兼顾了图像的全局和局部特征,保证了细节信息不丢失,在提高网络性能的前提下未明显增加计算复杂度;在红外图像增强效果相当的情况下,模型参数量降低75.0%,边缘端设备推断时间降低32.07%。

基于旋转等变卷积的航拍红外图像目标识别算法

为提高传统无人机红外目标识别算法对输入图像的旋转鲁棒性,提出一种具有旋转等变性的红外图像目标识别算法。参照可见光三通道结构,将红外图像扩张为三通道以丰富输入图像的细节及边缘信息;以旋转等变卷积为基础,设计并实现能够高度保留图像旋转特征的标准旋转等变卷积模块和旋转残差模块,使得所设计模型FC-YOLOv5对图像及图像中目标旋转具有鲁棒性;加入压缩和激励注意力机制自适应地学习到每个通道的重要性,并且根据任务的需要加权调整特征图中的通道贡献,提取重要的特征信息并抑制不重要的特征信息。在航拍行人车辆数据集和海上船舶数据集上验证模型的性能,以基准模型YOLOv5s及常见轻量级目标识别任务所用模型YOLOv8s、NanoDet作为对照组模型。实验结果表明,所提算法的平均精度均值相较于基准模型能够提升2%~4%,且当输入图像具有不同角度的旋转时,能够比对照组模型识别到更多旋转目标,且识别错误更少。

基于注意力机制与光照感知网络的红外与可见光图像融合

部分图像融合方法未充分考虑图像环境的光照状况,导致融合图像中出现红外目标亮度不足以及整体画面亮度较低,从而影响纹理细节的清晰度.为解决上述问题,提出一种基于注意力机制与光照感知网络相结合的红外与可见光图像融合算法.首先,在训练融合网络之前利用光照感知网络计算当前场景是日间或夜间的概率,将其运用至融合网络损失函数中,用以指导融合网络训练;然后,在网络的特征提取部分采用空间注意力机制和深度可分离卷积对源图像进行特征提取,得到空间显著信息后,输入卷积神经网络(CNN)以提取深度特征;最后,将深度特征信息进行拼接用于图像重建,进而得到最终的融合图像.实验结果表明:本文方法的互信息(MI)、视觉保真度(VIF)、平均梯度(AG)、融合质量(Qabf)与空间频率(SF)较对比方法分别平均提高39.33%、11.29%、26.27%、47.11%和39.01%;融合后的图像能够有效保留红外目标亮度,且包含丰富的纹理细节信息.

基于信息增强和掩码损失的红外与可见光图像融合方法

针对低光场景下红外与可见光融合图像中存在的细节弱化和边缘模糊等问题,提出一种基于信息增强和掩码损失的图像融合方法。首先,采用引导滤波增强可见光图像的纹理细节和红外图像的边缘梯度;其次,构建双分支特征提取网络提取不同模态图像的特征信息,并设计交互增强模块以渐进交互的方式集成不同特征分支的互补信息,增强特征的细节表示;然后,在融合阶段设计注意力引导模块从空间和通道维度上关注特征信息,提升网络对关键特征的感知能力;最后,提出一种掩码损失以指导融合网络有针对性地保留源图像信息,提升融合质量。为验证所提方法的融合性能,在MSRS、TNO和LLVIP公开数据集上与9种主流的融合算法进行实验对比。结果表明,所提方法在定性和定量评估上均优于其它对比算法,生成的融合图像具有丰富的纹理细节、清晰的显著性目标和良好的视觉感知。

基于目标增强与鼠群优化的红外与可见光图像融合算法

针对传统红外与可见光图像融合结果存在目标模糊、信息丢失问题,提出一种基于目标增强与鼠群优化的红外与可见光图像融合方法,记为TERSFuse。为了减少融合结果中原始图像细节信息丢失,分别构建了红外对比度增强模块和基于亮度感知的可见光图像增强模块;利用拉普拉斯金字塔变换对红外和可见光增强图像进行多尺度分解,从而得到对应的高、低频图像;为了使融合结果充分保留原始图像信息,分别采用“最大绝对值”规则对红外和可见光高频图像进行融合以及通过计算权重系数对低频图像进行融合;设计了基于鼠群优化的图像重构模块以实现高频图像和低频图像重构权重的自适应分配,进而提高融合图像的视觉效果。为了验证所提算法优势,与7种经典融合算法进行比较,实验结果表明所提算法不仅具有良好的视觉效果,而且融合图像能够保留原始图像丰富的边缘纹理和对比度信息。

红外图像量化影响目标检测性能实验研究

为了研究不同红外图像量化方法对目标检测网络性能影响的差异,将红外图像量化对深度学习目标检测网络性能影响的研究和分析设计成教学实验。实验内容涉及图像处理、模式识别、计算机视觉等多个专业课程。实验过程包括红外图像量化、网络模型训练、测试分析等多个环节,贯穿基于深度学习的高层视觉任务开发全流程。该实验紧跟学科前沿,促进学生科研能力和综合素质的培养。

基于多层级深度神经网络的电力设备红外图像故障识别

电力设备的故障可能导致电力系统不稳定甚至解列,对电力安全和国民经济造成巨大损失,因此迅速且准确地识别这些故障至关重要。红外图像特征在捕捉发热故障的电力设备方面表现出良好的特征表达能力。然而,在图像采集过程中,可能会发生目标重叠、遮挡以及类目标干扰等问题。因此提出了一种复杂图像故障识别算法。基于多层级深度神经网络,充分利用多层网络模块的高层次特征提取能力和多级网络模块的特征融合能力,以提高故障识别的准确性。实验结果表明,该算法在准确率和运行时间等评估指标上优于现有的Faster-RCNN、VGG16、VGG19以及传统Resnet等模型,验证了其在解决图像中目标重叠、遮挡和类目标干扰等问题上的有效性。

一种基于红外图像的空间目标探测方法

针对空间环境中的监视高速运动小目标的需求,提出一种基于红外图像的空间目标探测方法,实现对空间非合作目标的检测、跟踪与识别。根据目标红外特性,目标检测过程采用阈值分割算法分割目标,通过重心法提取目标质心,采用星图匹配方法剔除恒星背景;目标跟踪识别过程采用轨迹关联算法进行多目标编批及轨迹跟踪,采用基于目标运动速度信息和方向矢量信息的目标分类算法最终识别目标。实验结果表明,应用该方法能够在1 s内实现空间目标探测,满足空间环境监视对目标探测的实时性好、检测概率高、虚警概率低等要求。