基于声电联合的开关柜局部放电在线监测系统研究

针对高压开关柜局部放电的在线监测,分析了多种局部放电类型和局部放电的检测方法,主要研究了用于高压开关柜的超高频检测法和超声波检测法的实现方法,设计了一种声电联合在线监测系统。该系统使用峰值检测芯片代替传统的检波降频电路,增加了系统的可控性。系统采用FPGA芯片处理超高频信号和超声波信号,实时性好,响应速度快。结果表明,系统能够独立进行信号的采集和处理,准确地识别出放电类型,完成放电信号的在线监测和定位,保障了开关柜的运行安全。

基于NSCT域的动态WNMF图像融合算法的研究

在红外线与可见光图像的融合过程中,经常会出现融合图像细节方面缺失的情况。为了解决这一问题,采用了改进的非下采样轮廓波变换(NSCT)图像融合算法,融入动态的加权非负矩阵分解规则(WNMF),对图像进行融合处理。结果表明,利用非下采样轮廓波变换算法对两幅源图像进行多尺度多方向的分解,可得到低频与高频部分;动态的WNMF融合规则作为低频部分的融合规则;高频部分中最高层的分解尺度采用绝对值取大的方法;高频部分其它各层则设定匹配度阈值;低于阈值时,使用基于区域能量匹配度的区域方差选大的方法;如果高于阈值时,采用加权平均的方法进行;通过对低频部分与高频部分的处理,用NSCT逆变换方式获得了融合图像。该方法有效提高了融合图像清晰度,凸显了其细节信息,缩短了所需的计算时间。

改进YOLOV3算法在行人识别中的应用

为了避免人与物体之间相互遮挡,对小目标检测不准确,以及复杂光照强度对行人检测的影响,针对这一问题,提出了一种多尺度聚类卷积神经网络MK-YOLOV3 算法,来实现对行人的识别与检测。该算法是对YOLOV3进行改进,首先通过简单聚类对图像特征进行提取,得到相应的特征图,再通过抽样K -means 聚类算法结合核函数确定锚点位置,以达到更好的聚类。针对小目标的浅层特征信息进行多尺度融合,提高小目标的检测效果。仿真结果验证了该算法在VOC数据集上对小目标识别的精度和速度上有较大提高,以及视频智能分析中有较高的召回率和精确度。

基于Jetson TX1的目标检测系统

针对目标检测算法在实际应用中速度仍需提高的问题,提出一种改进的YOLOv3算法.通过将多层次特征金字塔网络嵌入到YOLOv3算法中的DarkNet-53网络,解决了由实际检测对象尺度差异引起的误差问题,既增加了输出特征的尺度,又加深了网络层数;并针对损失函数中的激活函数零均值、梯度消失等问题,提出了一种新的激活函数.实验结果表明,改进的YOLOv3算法可以更好地对多尺度目标进行检测,提高了检测速度和准确性,并在硬件上实现时具有较为高效的性能表现.

改进YOLO与Deepsort检测跟踪算法的研究

针对传统YOLO算法检测准确率低和误检率高,以及传统Deepsort算法速度慢和准确率低,并在发生遮挡情况时的跟踪效果会变差的问题,提出了将帧间差分法融入YOLO算法来检测运动目标,采用K邻域筛选运动目标框,结合Deepsort算法完成目标的跟踪。实验结果得出:改进的检测算法识别精度有明显提高,跟踪运行时间更短、准确率更高,即使对于场景中遮挡的目标也能很好地完成跟踪任务。故改进的YOLO算法和Deepsort算法无论对于简单还是复杂场景中的目标检测和跟踪,其准确率更高、效果更加良好。

基于模糊算法的彩色图像边缘检测

彩色图像的边缘检测算法有很多;但检测结果仍存在细节丢失、抗噪性差的问题。提出一种新的彩色图像边缘检测算法。首先,在RGB空间下,采用矢量梯度算法,分别在三个通道中求出像素的梯度值。然后,采用自适应双阈值算法,对梯度值进行判断,筛选出图像的边缘点。最后,只采用筛选后的边缘点的信息,构造新的模糊矩阵的隶属函数,从而形成新的模糊算法。利用该算法,检测出最终的图像边缘信息。实验证明,该算法得到的图像检测结果,不仅对比度高、边缘连续、细节保存完整;而且具有较强的抗噪性。

一种基于多权值SAD-Census立体匹配算法

在立体匹配算法中,局部立体匹配中最常使用的算法为SAD算法和census算法,文章通过分析两种算法的优点与缺点,并针对传统立体匹配精度较低这一问题,提出了一种基于多权值SAD-Census立体匹配算法。首先,先计算出传统SAD与传统census算法的匹配代价,再进行融合,在不同的自适应窗口中通过提供不同的权重从而进行聚合代价的计算。再通过利用赢家通吃算法以及一致性检测算法来进行视差优化和空洞填充,从而得到最终的视差图。实验结果表明,文章改进后的算法与传统SAD算法和传统census算法相比,缩短了运行时间,提高了匹配的精度,增强实验结果的鲁棒性。

基于卷积神经网络的图像分割算法

在计算机视觉领域中,图像分割技术为基础的部分之一,图像分割的精确与否对后续图像处理存在重要的影响。对全卷积网络进行改进,将卷积网络、多尺度特征提取和空洞卷积进行结合,将不同卷积层抓取到的具有更强描述力的特征进行融合,并且增加网络的层数来提升网络的泛化能力。对网络在CamVid数据集上进行测试,其测试结果与FCN-16s的测试结果进行对比,证明了网络的精确度有所提升。