基于自适应注意力机制的红外与可见光图像目标检测

针对红外和可见光目标检测方法存在的不足,将深度学习技术与多源目标检测相结合,提出了一种基于自适应注意力机制的目标检测方法。该方法首先以深度可分离卷积为核心构建双源特征提取结构,分别提取红外和可见光目标特征。其次,为充分互补目标多模态信息,设计了自适应注意力机制,以数据驱动的方式加权融合红外和可见光特征,保证特征充分融合的同时降低噪声干扰。最后,针对多尺度目标检测,将自适应注意力机制结合多尺度参数来提取并融合目标全局和局部特征,提升尺度不变性。通过实验表明,所提方法相较于同类型目标检测算法能够准确高效地在复杂场景下实现目标识别和定位,并且在实际变电站设备检测中,该方法也体现出更高的泛化性和鲁棒性,可以有效辅助机器人完成目标检测任务。

自适应双光融合人体摔倒检测方法研究

针对基于可见光图像的人体摔倒检测方法在光照变化情况下性能不佳,无法满足全天候工况的问题,提出一种适用于变化光照条件下全天候工况的双光融合人体摔倒检测方法。首先利用Sobel算子提取可见光图像的边缘特征,通过非线性灰度变换增强红外图像的对比度;同时,将可见光图像从RGB空间转换到HSI空间并根据归一化亮度进行自适应双光融合;最后,将融合的双光图像作为CenterNet检测器的输入样本,完成人体姿态检测任务。在自建双光数据集上开展验证实验,自适应光照融合策略在SSIM指标上达到了0.77,在MI指标上达到了1.21。在CenterNet检测模型上融合后,平均检测精度mAP提升了9.71%。实验结果证明了方法的有效性。

基于3D卷积的红外视频人体行为识别

为了解决家庭看护的隐私问题以及时效性,设计了一种在被动红外的家庭看护场景的3D卷积神经网络Care3DNet。Care3DNet是一种基于C3D的改进算法,将前3层卷积层进行卷积分解,分解为深度卷积层与点卷积层的组合方式;再加一层卷积层并引入快捷连接来加强网络中特征信息流的传递。为了验证Care3DNet的实际行为识别效果,在行为数据集进行测试与评估,Care3DNet的TOP-1正确率可达到93.8%,相比原C3D算法提高了6.7%。并与其他经典行为识别网络进行混合动作实验对比,结果表明使用该方法在被动红外的家庭看护场景中的行为识别能够达到更为准确的效果,具有更优良的市场应用前景。

用于输煤廊道的智能巡检机器人自动化巡视系统

为了满足电厂输煤廊道的日常巡检需求,设计用于输煤廊道的智能巡检机器人自动化巡视系统。在机器人本体上搭载高清摄像头、温度传感器、声音传感器等传感器,利用轨道传动模块保障机器人巡检过程中灵活移动,利用搭载的传感器采集输煤廊道的图像信息与环境信息。利用通信模块在输煤廊道中布置通信基站,基于通信基站构建通信网络拓扑,利用通信网络将所采集的输煤廊道巡检信息传送至监控平台。监控平台通过控制软件以及远程数据显示软件的设计,输出输煤廊道巡视结果。经测试所设计系统可以实现输煤廊道的日常巡检。

基于改进EfficientNet的轻量化性别与年龄段估计算法

为提升面向嵌入式设备的人脸性别识别和年龄段估计任务的鲁棒性和检测效率,提出了一种共享浅层卷积特征的多任务学习网络。以裁剪后的EfficientNet为卷积特征提取层,构建多任务学习卷积神经网络(CNN)模型;并将年龄判别中的序数回归问题转换为多个二分类子问题以优化损失函数;通过将系统部署在NVIDIA TX2嵌入式平台上,验证了改进后算法识别准确率提高了7.95%,运行速率可达30 fps。

基于混合注意力及自适应多尺度的语义分割算法研究

为提升语义分割网络特征提取的有效性以及尺度不变性,提出了一种基于混合注意力机制和多尺度特征自适应融合的轻量级语义分割算法。算法采用颜色空间转化、边缘提取以及灰度化等图像预处理方法增强输入图像信息;利用深度可分离卷积、池化和H-Swish激活结合残差结构逐步提取目标局部和全局特征,并设计混合注意力机制从最大、均值和标准差等角度分别捕获特征通道及空间位置的全局上下文信息,使网络聚焦目标关联特征,降低背景信息干扰;针对不同大小目标,引入了多尺度特征自适应加权融合结构,以自主选择的方式来避免各尺度目标特征相互影响。通过在标准、仿真以及实际场景数据集上的实验结果表明,所提方法有效提升了特征多样性以及关键特征的贡献,保障了多尺度目标准确识别,并能较好地应用于实际场景中,高效实现语义分割任务。

改进RetinaNet的遮挡目标检测算法研究

针对目标检测任务中目标实例密集、重叠等因素导致的检测精度不高的问题,提出一种改进回归损失函数与动态非极大值抑制的目标检测框架。采用结合排斥因子Rep的GIoU-Loss进行目标位置回归,在增加回归参数间相关性的同时降低候选边框向邻近真值偏移概率。Rep-GIoU-Loss不仅有效提升目标位置回归精度,对目标遮挡情形也具有较好的鲁棒性。此外,增加稠密度预测分支预测目标被遮挡程度,并将遮挡程度预测值作为NMS方法的动态阈值,以减少漏检、虚检目标实例。实验结果表明,改进方法检测精度在PASCALVOC2007测试数据集上提高了1.3个百分点,自制数据集可提高2.8个百分点,验证了该方法的有效性。

基于深度学习的变电站巡检机器人道路场景识别

为了提升变电站巡检机器人对自身所处环境的理解能力,将深度学习技术应用于变电站巡检机器人对道路场景的识别中,提出了一种全卷积道路场景识别网络(road scene recognition net,RSRNet)。该网络主要由相对浅层的编码网络和镜像结构与跳层融合结构相结合的解码网络组成,通过编码网络提取图像特征后由解码网络识别出图像目标信息。通过实验表明,本文提出的网络在同类型网络中识别精度及效率更高,同时在实际变电站场景中也表现出了优良的场景识别性能。

基于空时域信息融合的水面垃圾显著性检测

针对现有目标检测算法在水面垃圾检测中,由于图像存在光照、水纹、倒影等干扰导致的算法鲁棒性不足的问题,提出了一种融合空域先验信息和频域相位谱的水面垃圾显著性检测方法。在空域融合基于背景先验、局部对比度先验和暗部区域先验信息生成的最小障碍距离图、对比度图和背景图,得到初始的水面垃圾显著图;在频域对图像相位谱进行低秩分解再加权融合,得到冗余较少的显著目标。实验证明,该方法准确率可达96.4%,可有效抑制波纹、光照、倒影的干扰。

基于深度强化学习的轨道式巡检机器人巡检驻点规划方法

针对三峡水电站中轨道式巡检机器人的实际巡检需求,对巡检驻点规划展开研究。机器人的巡检驻点一般为人为根据经验及场景预设,因此难以规划最优驻点,影响检测效果。该文通过机器人本体搭载的各种传感设备信息构建综合环境感知函数,作为无模型强化学习算法的环境信息,引导机器人找到最优检测驻点。最后设计实验评估了该方法的有效性。

变电站巡检机器人避障方法研究与应用

为提升变电站巡检机器人的导航避障能力,将深度学习技术应用于变电站场景识别中,提出了一种基于深度卷积神经网络的避障方法。该方法联合图像分类和语义分割两个分支来共同辅助机器人导航避障,分类分支通过获取图像全局信息,保证机器人正确行驶方向;而语义分割支路则根据图像局部信息以及机器人前方目标类别,指导机器人准确避障。实验结果表明,避障方法可以高效地对图像进行分类和分割,同时,在实际变电站环境中,该方法也能为巡检机器人提供有效的避障信息,实现实时自主避障。

多特征融合的道路场景语义分割算法

为提升道路场景语义分割的性能以及实际应用性,将传统的图像处理算法与深度学习技术相结合,提出了一种多特征融合的轻量级道路场景语义分割网络模型。首先,该模型利用颜色空间转化、图像均衡化、边缘检测等算法对图像多种特征信息进行增强;其次,以深度可分离卷积为基本单元搭建高效率特征提取结构,对特征增强后的图像进行信息融合和提取,并结合跳层上采样操作完成初步分割;最后,引入边缘检测支路来对分割图像的目标边界信息进行细化,保障网络高精度分割。通过实验结果表明,所提网络在分割精度、计算效率上得到了较好的平衡,同时,在实际变电站道路场景应用中,该网络也能实现高效语义分割,为巡检机器人提供有效的道路信息。

面向变电站机器人的仪表检测与场景理解技术

为提升变电站巡检机器人巡检效率和环境适应能力,将深度学习算法应用于变电站巡检机器人仪表检测和道路场景理解中,提出一种多视觉任务交替实现的轻量级卷积神经网络。该网络由骨干结构、控制模块、任务分支3部分串联组成,通过改进的Inception结构结合注意力模型提取图像特征信息,引入基于分类思想的控制模块实现仪表检测和场景理解支路交替运行,使网络充分利用平台计算资源,避免对无效信息的处理。实验结果表明,所提网络与传统网络相比,其精度与效率都有较大的提升,同时,在实际变电站场景中,该网络也体现出更高的适应性,可以更好辅助机器人完成巡检任务。

变电站巡检机器人道路语义分割方法及其应用

为提升变电站巡检机器人对道路场景的识别理解能力,将深度学习技术应用于变电站巡检机器人中,提出了一种适用于变电站道路场景的全卷积语义分割网络。该网络借鉴ENet编码结构提取图像特征,同时融入多种解码结构来获取更多有效特征,恢复图像目标信息。同时,针对巡检机器人以及变电站道路特点,将语义分割结果转化为机器人前方目标信息以及机器人偏离情况信息,辅助机器人导航避障。实验结果表明:所提出的网络有效地提升了图像分割精度,并能较好地适应于实际变电站环境中。研究结果为机器人提供了有效的道路场景信息,辅助机器人导航避障。

基于多种传感信息融合的大型立式水轮发电机电晕检测方法

电晕放电一直是大型发电机安全运行的重要威胁之一。通过巡检机器人可以有效的避免传统人工巡检的弊端。为了高效检测电晕的发生,本文对轨道式巡检机器人搭载的各项传感器的传感数据进行处理,通过Logistic回归结合随机梯度上升法估计各项传感参数的回归系数,得到综合传感信息指标,进而判断电晕的发生以及严重程度,提高了检测的准确性。

变电站密闭空间中设备故障的智能判定方法

变电站设备大多处于密闭空间中,依赖传感器和专家经验来判别故障,为避免当前故障判别方式的弊端并提高变电站智能化水平,提出一种智能判定方法。首先,在对各类巡检需求分析的基础上完成数据的采集和标注,构建数据库;其次,分别介绍门控循环单元和粒子群算法,基于粒子群优化的门控循环单元网络(particle swarm optimization-gated recurrent unit,PSO-GRU)提出智能故障判定方法,给出了具体的网络结构和算法流程;最后,结合实际数据设计仿真实验,提供了具体的实验方式和流程,将本文方法的判别效果进行验证并与其他两种网络进行对比。结果表明:PSO-GRU对故障的判定更加快速和准确。

并行多特征提取网络的红外图像增强方法

为解决低质量红外图像细节模糊、对比度低等问题,提出了并行多特征提取网络的红外图像增强方法,设计了结构特征映射网络和双尺度特征提取网络。结构特征映射网络用于建立全局结构特征权重,以保持原始图像的空间结构信息。双尺度特征提取网络采用多尺度卷积层和融合多空洞卷积的注意力,增强网络对上下文信息的关注力,提升网络对感兴趣区域的特征提取能力,同时学习不同尺度的特征信息,完成双尺度间信息的交换,生成目标增强映射,实现目标区域细节纹理自适应增强。实验证明,所提方法能有效提高对比度,避免过增强,丰富图像细节纹理,减少伪影和光晕现象,在BSD200数据集上的PSNR与SSIM较典型的传统方法和深度学习方法分别提升了约37.35%、2.1%与25.94%、3.15%,在真实红外数据集上分别提升了约30.62%、1.04%与24.83%、2.08%,且对不同对比度因子的低质量图像,文中方法也具有良好的增强效果。

基于深度学习的变电站机器人仪表检测研究

为提升变电站巡检机器人对仪表的识别检测能力,将深度学习技术应用于变电站仪表检测中,提出一种适用于变电站巡检机器人的轻量级卷积神经网络。该网络以深度可分离卷积替代传统卷积作为特征提取基本单元,有效降低网络参数。同时,针对不同尺寸的目标,采用反卷积多通道融合和多支路空洞卷积相结合的方式,提升网络对图像多尺度特征信息的获取,保证网络检测精度。通过实验表明,所提网络在目标检测精度以及效率上都有较大提升,并能较好地应用于变电站巡检机器人仪表检测中,实现高效识别检测。

基于激光测距仪与里程计融合定位技术的变电站智能巡检机器人研究

随着科技水平的提高,智能巡检机器人已在逐步替代人工巡检。在巡检过程中,定位功能是其合理巡检的关键。基于此,本文对多信息融合定位技术进行研究,明确该技术应用在变电站智能巡检机器人定位工作中的可行性。

变电站智能巡检机器人的系统设计研究

随着智能化、现代化的推广,越来越多的机器人进入了人们的视野,在生产、巡检、军事领域做出了极大的贡献,推动了社会的发展。尤其在变电站中,智能巡检机器人的应用极大程度上提高了巡检的效率及精度,也减少了人工巡检的安全风险问题,为变电站的巡检工作提供了极大的帮助。基于此,本文从控制系统、后台控制系统以及硬件系统出发,对智能巡检机器人系统设计进行了研究,为智能巡检机器人的发展提供了正向助力。