基于改进暗通道先验去雾的无人机目标检测研究

图像去雾是图像处理领域的一个重要研究热点。为了解决雾霾天气下图像的去雾与增强问题,提出了一种基于改进暗通道的去雾算法。首先为了使雾霾图像更接近无雾图像,提高图像的清晰度,该算法分别减少雾图像的RGB通道值,并结合每个减少的通道和其他两个先前未减少的通道,使用该图像去雾算法后再对三个新图像加权来恢复图像;为了解决图像天空区域出现颜色失真的问题,设置了一个参数K来分别计算天空区域和非天空区域的透射率;为了解决图像中亮度过暗和增加目标对比度,本文引入CLAHE的方法对图像进行增强处理。实验结果表明:本算法在5张图像的对比度值分别是MDCP和RSD算法的2倍多和3倍多,在5张图像中的信息熵均值为7.5589,均明显优于其余2种算法,并且该算法在雾霾天气下目标检测的平均精度可达73%,相比于未经处理图像前提升了15%,具有一定的可行性。

基于改进粒子群算法与油中溶解气体的变压器故障诊断的研究

利用电力变压器故障时产生的气体(DGA)来对变压器进行故障诊断已经成为国内外重要的诊断方法。本文选择采用卷积神经网络(CNN)作为变压器故障的诊断模型,对电力变压器进行故障诊断。但CNN的诊断性能很大程度取决于它的结构,存在着模型超参数难以人工选择的问题。针对该问题,为了提高模型的诊断准确率,设计了利用改进粒子群算法(IPSO)来对CNN的超参数进行自动寻优。通过对PSO算法中的惯性权重w以及学习因子c_(1)、c_(2)进行改进,提高粒子的寻优能力,从而构建出性能更好的诊断模型,达到提高诊断准确率的目的。实验结果表明,IPSO算法具有比PSO更好的全局寻优能力和局部寻优能力,且基于IPSO算法搭建的CNN比人工经验搭建的CNN具有更高的诊断准确率,准确率提高了5.84%。