Study on Image Recognition Algorithm for Residual Snow and Ice on Photovoltaic Modules

The accumulation of snow and ice on PV modules can have a detrimental impact on power generation,leading to reduced efficiency for prolonged periods.Thus,it becomes imperative to develop an intelligent system capable of accurately assessing the extent of snow and ice coverage on PV modules.To address this issue,the article proposes an innovative ice and snow recognition algorithm that effectively segments the ice and snow areas within the collected images.Furthermore,the algorithm incorporates an analysis of the morphological characteristics of ice and snow coverage on PV modules,allowing for the establishment of a residual ice and snow recognition process.This process utilizes both the external ellipse method and the pixel statistical method to refine the identification process.The effectiveness of the proposed algorithm is validated through extensive testing with isolated and continuous snow area pictures.The results demonstrate the algorithm’s accuracy and reliability in identifying and quantifying residual snow and ice on PV modules.In conclusion,this research presents a valuable method for accurately detecting and quantifying snow and ice coverage on PV modules.This breakthrough is of utmost significance for PV power plants,as it enables predictions of power generation efficiency and facilitates efficient PV maintenance during the challenging winter conditions characterized by snow and ice.By proactively managing snow and ice coverage,PV power plants can optimize energy production and minimize downtime,ensuring a sustainable and reliable renewable energy supply.

Radar Signal Intra-Pulse Modulation Recognition Based on Deep Residual Network

In view of low recognition rate of complex radar intra-pulse modulation signal type by traditional methods under low signal-to-noise ratio(SNR),the paper proposes an automatic recog-nition method of complex radar intra-pulse modulation signal type based on deep residual network.The basic principle of the recognition method is to obtain the transformation relationship between the time and frequency of complex radar intra-pulse modulation signal through short-time Fourier transform(STFT),and then design an appropriate deep residual network to extract the features of the time-frequency map and complete a variety of complex intra-pulse modulation signal type recognition.In addition,in order to improve the generalization ability of the proposed method,label smoothing and L2 regularization are introduced.The simulation results show that the proposed method has a recognition accuracy of more than 95%for complex radar intra-pulse modulation sig-nal types under low SNR(2 dB).

Automatic modulation recognition of radiation source signals based on two-dimensional data matrix and improved residual neural network

Automatic modulation recognition(AMR)of radiation source signals is a research focus in the field of cognitive radio.However,the AMR of radiation source signals at low SNRs still faces a great challenge.Therefore,the AMR method of radiation source signals based on two-dimensional data matrix and improved residual neural network is proposed in this paper.First,the time series of the radiation source signals are reconstructed into two-dimensional data matrix,which greatly simplifies the signal preprocessing process.Second,the depthwise convolution and large-size convolutional kernels based residual neural network(DLRNet)is proposed to improve the feature extraction capability of the AMR model.Finally,the model performs feature extraction and classification on the two-dimensional data matrix to obtain the recognition vector that represents the signal modulation type.Theoretical analysis and simulation results show that the AMR method based on two-dimensional data matrix and improved residual network can significantly improve the accuracy of the AMR method.The recognition accuracy of the proposed method maintains a high level greater than 90% even at -14 dB SNR.

基于Inception-Residual和生成对抗网络的水下图像增强

为解决光在水下传播过程中由吸收与散射效应导致的水下图像模糊、对比度低和颜色失真问题,提出一种基于Inception-Residual和生成对抗网络的水下图像增强算法。首先,将退化水下图像缩放至256×256×3大小,以获得用于训练模型的数据集。接着,将Inception模块、残差思想、编码解码结构和生成对抗网络相结合,构建IRGAN(Generative Adversarial Network with Inception-Residual)模型来增强水下图像。然后,利用全局相似性、内容感知和色彩感知构造多项损失函数,约束生成网络和判别网络的对抗训练。最后,通过训练好的模型对退化水下图像进行处理以获得清晰的水下图像。实验结果表明与现有增强方法相比,所提算法增强的水下图像在PSNR、UIQM和IE指标上的平均值分别比第二名提升13.6%、4.1%和0.9%。在主观感知和客观评估中,增强后的水下图像在清晰度、对比度增强和颜色校正方面均得到改善。

A Single Image Derain Method Based on Residue Channel Decomposition in Edge Computing

The numerous photos captured by low-price Internet of Things(IoT)sensors are frequently affected by meteorological factors,especially rainfall.It causes varying sizes of white streaks on the image,destroying the image texture and ruining the performance of the outdoor computer vision system.Existing methods utilise training with pairs of images,which is difficult to cover all scenes and leads to domain gaps.In addition,the network structures adopt deep learning to map rain images to rain-free images,failing to use prior knowledge effectively.To solve these problems,we introduce a single image derain model in edge computing that combines prior knowledge of rain patterns with the learning capability of the neural network.Specifically,the algorithm first uses Residue Channel Prior to filter out the rainfall textural features then it uses the Feature Fusion Module to fuse the original image with the background feature information.This results in a pre-processed image which is fed into Half Instance Net(HINet)to recover a high-quality rain-free image with a clear and accurate structure,and the model does not rely on any rainfall assumptions.Experimental results on synthetic and real-world datasets show that the average peak signal-to-noise ratio of the model decreases by 0.37 dB on the synthetic dataset and increases by 0.43 dB on the real-world dataset,demonstrating that a combined model reduces the gap between synthetic data and natural rain scenes,improves the generalization ability of the derain network,and alleviates the overfitting problem.

融合Inception V1-CBAM-CNN的轴承剩余寿命预测模型

针对现有的滚动轴承剩余寿命(RUL)预测方法精度低、轴承健康指标(HI)构建困难等问题,提出了一种基于卷积神经网络(CNN)并融合Inception V1模块和卷积注意力机制模块(CBAM)的滚动轴承RUL预测模型。首先,在CNN中添加了CBAM机制,并进行了加权处理,在通道和空间维度对重要特征进行了强化,对次要特征进行了抑制,通过添加改进的InceptionV1模块,提高了CNN通道间信息交互水平,全面提取了退化特征;然后,进行了网络优化,采用全局最大池化(GMP)方法对模型进行了简化,采用Dropout和批量归一化(BN)方法,避免了过拟合,提高了精度,且克服了训练时出现的梯度消失问题;最后,对数据进行了处理,将降噪后的信号重组为三维张量,将其作为HI,构建了退化标签,引入了评价指标,采用PHM2012轴承数据集进行了实验验证,在3种工况下将其与深度神经网络(DNN)、CNN方法、结合注意力机制的残差网络方法(ResNet)进行了对比。研究结果表明:该方法在变负载条件下的平均RMSE为0.033,较其他方法的RMSE值分别降低了86%、78%和69%,在预测精度和泛化能力方面具有明显优势。

基于双阶段特征解耦网络的单幅图像去雨方法

针对现有的单幅图像去雨方法无法有效地平衡背景图像细节恢复与有雨分量去除问题,提出一种基于双阶段特征解耦网络的单幅图像去雨方法,采用渐进式的学习方式从粗到细分阶段进行单幅图像去雨.首先构建压缩激励残差模块,实现背景图像与有雨分量的初步分离;然后设计全局特征融合模块,其中特别引入特征解耦模块分离有雨分量和背景图像的特征,实现细粒度的图像去雨;最后利用重构损失、结构相似损失、边缘感知损失和纹理一致性损失构成的复合损失函数训练网络,实现高质量的无雨图像重构.实验结果表明,在Test100合成雨图数据集上,所提方法峰值信噪比为25.57dB,结构相似性为0.89;在100幅真实雨图上,所提方法的自然图像质量评估器为3.53,无参考图像空间质量评估器为20.16;在去雨后的RefineNet目标分割任务中,平均交并比为29.41%,平均像素精度为70.06%;视觉效果上,该方法能保留更多的背景图像特征,有效地辅助下游的目标分割任务的开展.

改进D-Linknet的眼底视网膜血管分割

临床医生可通过观察眼底视网膜血管及其分支对人体是否患有疾病进行早期诊断,但由于视网膜中的血管错综复杂,模型在分割时会出现对微细血管分割精确度不足的问题。为此,提出一种结合残差模块Res2-net以及高效通道注意力机制(efficient channel attention,ECA)的D-Linknet模型。首先,利用Res2-net代替基础模型中的残差模块Res-net以提升每个网络层的感受野;其次,在Res2-net中添加一种结合压缩激励(squeeze and excitation,SE)和门通道(gated channel transformation,GCT)的注意力机制模块,改善处于复杂背景下的血管分割效果和效率;在网络的解码层加入ECA确保模型计算的性能,避免因降维导致的精度下降;最后,融合改进的模型输出图与掩膜图细化分割结果。在公开数据集DRIVE、STARE上进行分割实验,模型准确度(accuracy,AC)分别为97.11%、96.32%,灵敏度(sensitivity,SE)为84.55%、83.92%,曲线下方范围的面积(area under curve,AUC)为0.9873和0.9766,分割效果优于其他模型。实验证明了算法的可行性,为后续研究提供科学依据。

基于改进AOD-Net的图像去雾算法

为了更好解决图像去雾后颜色失真、去雾不彻底和耗时等问题,提出了一种基于改进AOD-Net的图像去雾算法。首先,在原有的卷积模块中引入残差连接,并保留了第二个特征融合层第一层的特征信息,以增强网络的特征提取能力。其次,在第三个特征融合层后引入注意力模块,强化雾图中的关键特征信息,抑制无关背景干扰。最后,采用新的复合损失函数进行训练。实验结果表明,改进算法在公共数据集上的峰值信噪比提高了3.8 dB,结构相似性达到了93.6%。相较于其他去雾算法,该算法在去雾精度和处理效率方面均表现出色。

改进YOLOv4的遥感图像目标检测算法

为有效解决遥感图像目标检测算法在复杂背景下的检测效果不佳的问题,提出一种改进YOLOv4的目标检测算法。设计一种跨阶段残差结构,替换原主干网络的简单残差结构,降低模型参数量和计算负担;引入CBAM注意力机制,加强CSP模块间有效特征交互;使用跨阶段分层卷积模块重构特征融合阶段对深层特征图的处理方式,防止网络退化和梯度消失;采用Mish激活函数,增强融合网络对非线性特征的提取能力。在RSOD、DIOR数据集上的实验结果表明,改进YOLOv4算法的测试mAP相比原YOLOv4算法分别高出4.5%、7.3%,其检测速度分别达到48 fps、45 fps,在保证实时性的同时检测精度有较大提升。

基于GRU-DRSN的双通道人体活动识别

人体活动识别(human activity recognizition, HAR)在医疗、军工、智能家居等领域有很大的应用空间。传统机器学习方法特征提取难度较大且精度不高。针对上述问题并结合传感器时序特性,提出了一种融合CBAM(convolutional block attention module)注意力机制的GRU-DRSN双通道并行模型,有效避免了传统串行模型因网络深度加深引起梯度爆炸和消失问题。同时并行结构使得两条支路具有相同的优先级,使用深度残差收缩网络(deep residual shrinkage network, DRSN)提取数据的深层空间特征,同时使用门控循环结构(gated recurrent unit, GRU)学习活动样本在时间序列上的特征,同时进行提取样本不同维度的特征,并通过CBAM模块进行特征的权重分配,最后通过Softmax层进行识别,实现了端对端的人体活动识别。使用公开数据集(wireless sensor data mining, WISDM)进行验证,模型平均精度达到了97.6%,与传统机器学习模型和前人所提神经网络模型相比,有更好的识别效果。

一种基于多跳注意残差网络的调制识别算法

为了进一步提升通信信号调制识别的准确率,在ResNet网络的基础上提出一种基于多跳注意残差网络(Multi-skip Attention Residual Network,MARN)的调制识别方法。该方法利用提取不同特征的卷积核进行多跳连接构建3种残差块,进而构建多跳残差网络,提取信号的时域特征;加入CBAM(Convolutional Block Attention Module)注意力机制自适应地调整通道权重,加强信号特征的表征能力;采用自适配归一化(Switchable Normalization,SN)加速网络收敛;加入丢弃率为0.3的AlphaDropout层,提高算法的拟合能力,最终实现对通信信号端到端的分类识别。在RadioML2018.01a数据集上仿真实验,结果表明在信噪比为-10~15 dB下,MARN网络平均识别率达到63.3%,较ResNet网络的平均识别率提升3.7%。

基于卷积—反残差和组合注意力机制的航天器多余物检测

航天器密闭电子设备内腔多余物给航天器飞行安全带来了巨大隐患。由于多余物体积小、与设备内常规组件形态结构相似且易被其他组件遮挡,采用现有的方法对其进行检测时误检、漏检频发。为解决上述问题,提出一种基于卷积—反残差和组合注意力机制的航天器密闭电子设备多余物检测网络RPDN。首先,网络通过构建卷积—反残差模块,保证了多余物细粒度特征的完整性;其次,设计组合注意力机制,增强了多余物特征的表征能力;最后,结合多尺度特征融合模块与目标检测层从多维度进行目标预测。实验结果表明RPDN在各项评价指标上均取得了良好的效果,mAP达到92.16%,检测效率达到了13FPS,实现了航天器密闭电子设备内腔多余物高效、精准检测。

LRAE-Unet:轻量级MRI脑肿瘤全自动分割网络

提出一种轻量级脑肿瘤全自动分割网络,即轻量级残差注意力增强网络(LRAE-Unet)。首先采用轻量级残差模块解决网络层数增加时出现的梯度消失和网络退化问题;其次采用轻量级自注意力模块抑制输入图像中的不相关区域,同时突出特定局部区域的显著特征;最后通过增强视野平均池化模块减少特征图的空间,节省计算资源,控制网络过拟合现象。在BraTS 2019数据集的测试结果显示LRAE-Unet在完整肿瘤、肿瘤核心与增强肿瘤区域的Dice相似系数为91.24%、88.64%与88.32%,证明使用LRAE-Unet进行脑瘤分割具有可行性与有效性。

基于多域特征的多雷达信号自动识别方法

为解决复杂电磁环境中多台雷达在相似的频段上同时发射各自的信号,导致侦察接收信号在时域和频域上重叠的问题,提出一种低信噪比(SNR)下自动调制识别(MR)方法。通过接收脉冲间列快速傅里叶变换(FFT)将接收信号的能量集中在各自的多普勒频率上,以达到分离多个截获信号的目的;将每个信号的Wigner-Ville分布(WVD)和模糊函数(AF)作为一幅图像的2层同时发送到训练后的残差神经网络(ResNet),以解决某些类型的信号仅采用单一时频分布时识别精度低的问题。理论分析和仿真结果表明:所提方法不仅能有效分离时域和频域重叠的多个雷达信号,而且能在SNR为-10 dB的条件下准确识别其调制模式。

基于多尺度注意残差网络的地震波形分类研究

选用2010年2月—2016年12月发生在北京顺义及河北三河等首都圈邻近区域的117个地震事件(包括54个天然地震事件和63个非天然地震事件——爆炸事件)作为研究对象,利用文章所提出的多尺度注意残差网络对其中的天然地震事件和爆炸事件波形进行二分类。首先,对原始地震波形进行简单预处理并截取成相同长度的地震时序数据,直接将其作为网络模型的输入;其次,选用含有残差模块的深度神经网络作为基础网络,利用深度神经网络对特征的自动提取能力,省略了传统波形分类需要提前提取时域波形的特征作为分类算法输入的步骤;然后,融合通道注意力机制(ECA)并对其进行改进,将空间维度的信息融入通道信息,优化了网络对关键信息的关注,更好地聚焦重要特征;最后,使用空间金字塔池化代替最大池化进行多尺度特征融合,得到更多的特征信息,构成多尺度注意残差网络。实验结果表明,最高分类准确率为97.11%,平均分类准确率为96.53%,证明了多尺度注意残差网络在地震波形分类任务中的有效性,为震源类型识别工作提供了一种新的方法。

基于有效感受野和注意力融合机制的脑肿瘤全自动分割

深度学习在医学图像分割领域取得了显著成果,但其在脑肿瘤分割任务中,仍面临感受野不足、冗余信息过多、信息丢失等问题;为此,本研究提出一种基于编-解码结构的脑肿瘤分割网络模型(EAU-Net)。EAU-Net采用有效感受野拓展模块和注意力融合模块改善脑肿瘤分割网络感受野不足与冗余信息过多带来的不利影响;同时,引入基于倒残差结构的瓶颈重采样模块,有效避免上下采样时造成的信息损失,并采用深度卷积降低网络的计算量。在BraTS2020数据集上的实验结果表明,EAU-Net获得最优的分割精度,验证了其在脑肿瘤分割任务中的可行性和有效性。

基于多层小波深度聚合网络的高光谱图像超分辨率方法

利用低空间分辨率高光谱(Low Resolution HyperSpectral Image,LR-HSI)和高空间分辨率多光谱图像(High Resolution Multi Spectral Image,HR-MSI)的有机结合,实现高光谱空间分辨率增强,是当前高光谱图像处理的热点问题.目前,深度学习已成为高光谱-多光谱图像融合超分辨率的代表性方法,然而如何有效挖掘两者的互补空谱信息,实现空间结构和细节注入,在提升高光谱图像空间分辨率的同时保持高保真光谱信息,依然存在诸多挑战.本文提出了一种多层小波深度聚合网络(Multilevel Wavelet-Deep Aggregation Network,MW-DAN).该网络有机结合非抽取小波(Un Decimated Wavelet Transform,UDWT)分解和深度残差网络,建立双分支互补信息融合网络,提升图像重建性能.其中,通过深度残差网络中引入跳层汇聚连接,设计信息聚合型结构,并对多光谱图像进行UDWT方向子带分解,逐层注入到网络中间隐层,增强了方向子带结构的细节注入和光谱保真能力.整个网络通过LR-HSI,HR-MSI和HRHSI(High Resolution HyperSpectral Image)端对端训练,能够学习性能优越的空-谱融合的超分辨非线性映射.大量仿真数据集和真实数据集上的大量融合实验表明,本文提出的方法在客观评价指标、光谱保持和视觉效果上优于目前主流的深度学习方法 .

基于多级残差信息蒸馏的真实图像去噪方法

深度神经网络对真实图像有较强的去噪能力,可以学习含噪图像和干净图像之间复杂的非线性映射关系。然而,过多的卷积操作导致计算成本增加并占据大量内存,限制了去噪技术在低运算能力设备中的应用,现有去噪算法容易损坏细节信息,恢复图像存在边缘过度平滑、纹理缺失、含有残留噪声等问题。针对这些问题,构造一种多级残差信息蒸馏模块。通过对特征通道进行分割,保留部分特征用于后续多级融合,并进一步通过深度提取单元提取细化后的特征信息;引入对比度感知通道注意力机制对不同通道的特征分配权重;使用多级跳跃连接充分融合不同阶段提取到的上下文信息。构建1个轻量级的多级残差信息蒸馏网络,采用块间复杂度低的编码-解码结构,编码部分为含噪图像特征提取模块,解码部分为干净图像恢复模块。为了加快训练速度,采用混合图像尺寸的渐进式训练方法。实验结果表明,该方法在SSID和DND真实图像数据集上的峰值信噪比分别为39.43 dB和39.49 dB,与其他网络相比提升了0.17~15.77 dB和0.02~7.06 dB,而模型参数量仅为6.92×106,所提模型在提高去噪性能的同时具有较少的参数量。

基于轻量级UNet的复杂背景字符语义分割网络

针对传统复杂背景字符分割算法的不足,提出了一种基于轻量级UNet的复杂背景字符语义分割网络.网络结构基于UNet,在特征提取模块中,将传统卷积变为深度可分离卷积,减少了网络特征提取模块的参数量以及计算量,并引入残差学习模块解决网络退化问题.在自制数据集以及H-DIBCO2018公开数据集上展开实验,并与FCN8s、AttationUNet和UNet进行比较.实验结果表明:所提出的网络可同时兼顾计算效率与分割精度,具有实用性.