基于域泛化的非均衡电力设备分/合闸X射线图像识别

针对电力开关设备分/合闸X射线图像呈现设备种类多、数据量少、类别不平衡问题,提出一种基于域泛化的非均衡电力设备分/合闸X射线图像识别方法。首先以AlexNet和改进的ResNet作为骨干网络设计识别算法;然后利用最大熵对抗数据增强(MEADA)训练算法对训练集进行样本扩充,以模拟未知类型分/合闸图像的域分布;最后通过将Focal Loss损失函数引入到识别算法中解决分/合闸数据类别不平衡问题。实验结果表明,使用所提方法AlexNet和简化ResNet(ResNet-F)模型的平均准确率相比其基线方法分别提升5.31个和6.52个百分点,且ResNet-F的识别精度比AlexNet高出3.54个百分点。类激活图、受试者工作特征(ROC)曲线和t-随机嵌入(t-SNE)等可视化分析结果进一步验证了所提方法的有效性,为多域非均衡电力设备分/合闸X射线图像识别提供了新思路。

一种基于深度学习的X射线透射铀矿识别算法

铀资源是我国重要的战略资源,在工农业生产、科学技术以及国防领域中有广泛的用途,但我国已探明铀矿床主要以中低品位为主,矿体形态复杂,不连续分散分布,开采成本高,利用率低。为了识别可冶炼铀矿石,提高资源利用率,更好地支持国家的铀矿资源储备,采用X射线透射成像技术,并以收集到的铀矿石透射图像为研究对象,提出了一种名为SAxVit的轻量化高性能铀矿识别算法。该算法采用了ShuffleNet的思想,设计了一个轻量级的主干网络用于初步的特征提取。其次,提出了一种轴向平均注意力机制来进行深度特征提取,该机制通过计算特征图横轴纵轴上的平均值获取特征分布趋势矩阵,然后加权该矩阵计算特征图上每个像素点与其他像素点之间的关联性,以符合透射图像根据不同灰度值区分元素的工作原理。最后,基于Vision Transformer模型,剔除特征图分割操作,设计了一种即插即用的轻量化的ViT模块用作轴向平均注意力机制的载体。试验结果表明,SAxVit算法的参数量低至0.077M,识别速度低至3.481 ms,在铀矿透射图像测试集上该算法的识别准确率达到了95.7%。相比于MobileNetV2、ShuffleNetV2_0.5、Vit_64x64以及MobileVit_small,SAxVit在识别准确率、轻量化和识别速度等方面都取得了显著的改进。