基于改进PointNet++的输电杆塔点云语义分割模型

针对现有输电线路点云提取精度不高、无法满足无人机自主精细化巡检需求的问题,提出一种改进的PointNet++的输电杆塔点云语义分割方法,以实现对导线、地线、引流线、绝缘子和杆塔塔身的点云分割。首先,对经典PointNet++模型参数进行调整,使模型在特征提取数量、感受野方面更适用于输电杆塔点云数据;然后,采用核心点卷积作为点云特征提取算法,进一步提升模型对点云特征的提取能力;最后,针对点云数据中存在的数据不平衡问题,采用focal loss作为损失函数,使占比较少的类别得到充分训练。为验证所提方法有效性,在2284基输电杆塔组成的点云数据集上进行了实验,实验结果表明:改进后的算法平均F1值达到97.26%,较经典PointNet++提高了3.95个百分点。

面向全量测点耦合结构分析与估计的工业过程监测方法

实际工业场景中,需要在生产过程中收集大量测点的数据,从而掌握生产过程运行状态.传统的过程监测方法通常仅评估运行状态整体的异常与否,或对运行状态进行分级评估,这种方式并不会直接定位故障部位,不利于故障的高效检修.为此,提出一种基于全量测点估计的监测模型,根据全量测点估计值与实际值的偏差定义监测指标,从而实现全量测点的分别精准监测.为克服原有的基于工况估计的监测方法监测不全面且对测点间耦合关系建模不充分的问题,提出多核图卷积网络(Multi-kernel graph convolutional network,MKGCN),通过将全量传感器测点视为一张全量测点图,显式地对测点间耦合关系进行建模,从而实现全量传感器测点的同步工况估计.此外,面向在线监测场景,设计基于特征逼近的自迭代方法,从而克服在异常情况下由于测点间强耦合导致的部分测点估计值异常的问题.所提出的方法在电厂百万千瓦超超临界机组中引风机的实际数据上进行验证,结果显示,与其他典型方法相比,所提出的监测方法能够更精准地检测出发生故障的测点.

基于面部行为分析的驾驶员疲劳检测方法

眼睛和嘴部状态检测是疲劳检测方法的重要步骤,但眼镜遮挡及光照变化使得眼睛状态识别效果不佳。为此,提出一种新的驾驶员疲劳检测方法。使用红外采集设备对驾驶员面部图像进行采集,通过结合AdaBoost与核相关滤波器算法进行人脸检测及跟踪。采用级联回归方法定位特征点,提取眼睛和嘴部区域。运用卷积神经网络进行眼睛和嘴部状态识别,在此基础上计算多个疲劳参数进行疲劳检测。实验结果表明,该方法在多种情况下均能准确地检测眼睛和嘴部状态,可有效地进行疲劳检测。

基于改进高斯卷积核的复杂场景红外图像目标识别研究

考虑复杂环境因素干扰,提出基于改进高斯卷积核的复杂场景红外图像目标识别方法。计算图像梯度值,利用扩散阈值抑制梯度较大点和加强梯度较小点,保证图像内像素点统一,采用改进高斯卷积核计算复杂场景红外图像像素点度量值,将其与既定值对比划分前景与背景点图像,根据目标在红外图像中表现为恒温的特点,判定待识别目标点灰度值是否符合高斯分布,符合则认定为目标像素点,实现图像目标识别。仿真实验证明,所提方法240 dBm外界噪声输入环境下图像信噪比在52.5 dB~57.9 dB之间变化,识别准确率平均值为96.5%,识别精度高。

基于模拟退火剂量计算模型的自动匹配算法

基于模拟退火优化算法,提出了一种点核卷积叠加剂量计算模型参数的自动匹配算法.模拟退火优化算法具有可以达到全局最优的优势,但模拟退火优化的随机性是不可控的.针对此问题,基于点核叠加剂量计算原理采用了定向约束模型能谱参数的方法,使得优化过程的迭代效率及稳定性大大提高.为了减少迭代次数,采用了BeamNRC软件模拟出加速器较好的初始能谱参数.通过临床实际加速器设备数据进行试验,结果表明,利用模拟退火优化算法进行模型参数的自动匹配的方法在保证临床精度要求的前提下,优化时间基本上控制在1.6h左右,在临床上是完全可以接受的,甚至针对一些加速器较好的能谱初始值,优化时间比国际上同类产品的优化时间还要短.模型参数的自动匹配功能也大大降低了软件对操作人员业务能力的依赖,增加了产品的安全性,降低了产品的维护成本.

基于改进高斯卷积核的变电站设备红外图像检测方法

在无锚点算法CenterNet模型的基础上,针对基于红外图像的目标检测算法检测精度低、耗时长的问题,给出了一种基于改进高斯卷积核的变电站设备红外图像检测方法,该目标检测方法模型网络结构精简,模型计算量较小。通过现场变电站巡检机器人设备收集数据样本,进行算法模型的训练及验证,实现红外图像变电站设备精准识别及定位。本文以变电站巡检机器人搭配红外热成像仪采集到的红外图像库为基础,用深度学习方法对数据集进行训练和测试,研究变电站红外图像的目标检测技术。通过深度学习技术判断设备中心点位实现目标分类和回归。实验结果表明,该方法提高了变电站目标检测方法的识别定位精度,为变电站设备红外图像智能检测提供了新的思路。

基于点密度加权的多尺度分层点云识别网络

与密集且规则分布的2D栅格状图像不同,3D点云是不规则且无序的,对其进行卷积可能会存在一定的困难,因此,提出了一种针对原始3D点云的卷积运算。该方法使用高斯核密度估计和多层感知器(multi-layer perceptron,MLP)网络来学习密度函数,将学习到的点的密度尺度结合点的相对位置,通过由MLP网络近似的权重函数之中,得到局域中每个点的权重值。整个卷积核可视为由权重函数和密度函数组成的3D点局域坐标的非线性函数,可用于对3D空间中任意点集进行平移不变和置换不变的卷积,并融合多尺度采样分组和法向特征使网络达到最佳效果。在ModelNet40和ModelNet10数据集的分类实验中,该网络分别取得了92.8%和94.7%的准确率,均高于所对比的同类方法的性能水平。将CIFAR-10和MNIST图像数据集转为点云并进行测试,结果表明网络在2D图像中的性能基本等效于传统2D卷积网络。

金字塔卷积和改进铰链损失的特征点检测方法

针对传统的特征点检测方法易受视角、光照、图像质量等影响,导致图像的特征匹配不准确,提出了一种基于金字塔卷积和改进铰链损失函数的特征点检测方法用于图像匹配。首先,将金字塔卷积核用于特征点检测和描述子提取算法研究,使用多尺度的卷积核捕捉场景中不同级别的信息;其次,在下采样过程中引入模糊滤波方法,提升平移不变性;然后,考虑到描述子信息对图像的特征匹配起决定性作用,采用基于自定义优化的铰链损失函数,在训练过程中给每一对描述子训练样本增加可变权重;最后,在HPatches数据集上对提出算法的可重复性和单应性估计能力进行测试,在KITTI数据集上对所提算法的视觉里程计应用进行测试。实验结果表明,提出的算法结果优于其他方法,同时能有效提高视觉里程计的定位精度。

局部高密度残差点包裹相位的解包方法

为了解决在用(0-1)掩膜和最小二乘迭代法处理局部高密度残差点包裹相位解包时,由于真实相位丢失、误差传递和过度平滑作用引起的相位解包精度低的问题,提出一种新的解包方法。采用(2k+1)×(2k+1)维亚像素离散高斯卷积核对高密度残差点区域进行掩膜处理,有效保留该区域真实相位信息。再利用调节度-最大相位梯度质量图定义四向最小二乘迭代法的权值,改善最小二乘迭代法的过度平滑作用,抑制误差在残差点区域的传递,有效提高该区域解包的精确性。实验结果表明,该方法能很好地解决局部存在高密度残差点的解包裹问题,快速有效地还原高密度残差点区域的原始相位。与传统最小二乘迭代法相比,在相同的迭代次数下,该方法高密度残差点区域的平均误差仅为最小二乘迭代法的10%,更适合于高密度残差点较为集中的包裹相位精确解包。

基于特征增强核点卷积网络的多光谱LiDAR点云分类方法

多光谱LiDAR系统可同时提供目标地物的三维空间和光谱的信息,为地物识别、土地覆盖分类以及场景理解提供了便利。针对目前大规模多光谱LiDAR点云几何信息挖掘不充分与数据处理效率低问题,本文提出一种利用局部点云几何信息增强特征的端到端连续核点卷积网络—特征增强核点卷积网络的机载多光谱LiDAR点云分类方法。该网络是一个编解码结构,网络结构中结合随机采样与最远点采样快速处理大规模多光谱LiDAR点云,保证采样效率的同时减少随机采样导致的关键几何结构信息缺失。为提高多光谱LiDAR点云数据语义信息表达,设计了基于连续可变卷积的增强卷积模块,在聚合局部特征的同时,利用邻近点与中心点的位置关系增强赋予核点的局部特征;最后结合加权标签平滑损失与Lovasz-Softmax损失进一步提升多光谱LiDAR点云分类性能。通过对加拿大Optech公司的Titan多光谱LiDAR点云数据集的实验表明,本文所提出的特征增强核点卷积网络的综合精度、macro-F1指数和mIoU值分别为96.80%、88.51%和83.42%,相较于同类型网络在多光谱LiDAR点云分类性能上具有一定优越性;使用格网采样与KD-Tree结合更好地保留原始点云的几何特征;在单批次65536个点情况下,点云采样时间较同类多光谱LiDAR点云分类网络减少28261.79 ms,实现快速处理海量点云。实验结果证明了特征增强核点卷积网络在多光谱LiDAR点云分类任务上的潜力。