基于全卷积神经网络的绝缘设备紫外图像评估算法研究

针对绝缘子表面沉积污秽容易导致闪络的问题,文中分析了全卷积神经网络(fully convolutional networks,FCN)的典型结构和训练方法,提出了基于全卷积神经网络的绝缘子紫外图像污秽度评估方法.该方法首先采用全卷积神经网络进行绝缘子放电紫外图像光斑分割提取,然后将分割的紫外光斑图像作为卷积神经网络(convolutional neural networks,CNN)的输入,实现绝缘子污秽度的评估.仿真算例的计算结果表明,FCN-16s模型融合浅层细节特征适中,应用于绝缘子放电紫外图像光斑分割的效果更优;验证了文中所提FCN-CNN算法能够实现绝缘子污秽度的评估,具有更高的准确度,为输变电系统的智能化运维提供了参考.     

一种基于CV模型的电晕放电紫外成像分割方法

为了判断高压设备发生电晕放电的位置和大致的放电强度,利用紫外成像仪对设备进行记录并判断高压设备的绝缘缺陷。通过C-V(Chan-Vese)模型方法对紫外图像光斑进行图像分割提取,且引入了光斑面积和光斑边界周长两个特征量来判断设备放电状态。结果表明,C-V模型提取光斑自动化程度高,耗时短,抗噪能力更强,具有很好的全局优化,能够在一定程度上减少漏检的放电区域,且引入的特征量能够较好地表征放电状态。     

紫外辐射强度表示电晕放电特征的试验研究与分析

目前在电晕放电故障的紫外检测过程中,电晕紫外辐射强度与传输距离的关系,以及放电过程中的电光特征量之间的量化关系仍然需要进一步研究.在晴朗天气下采用CoroCAM紫外成像仪观察电晕放电,发现20几米内探测到的紫外辐射强度仅与距离平方成反比.此外,通过电光传递函数研究放电过程中的电光特征量之间的量化关系,发现同一湿度下,起晕后即使电压增大约一倍,紫外光脉冲数仍与电晕电流强度有着近似的线性比例关系,因此可以通过紫外光脉冲数来表征电晕放电强度等级.     

基于像素分类的图像语义分割方法及其应用研究

为了提高药片外观缺陷检测效率,提出一种使用深度学习进行药片外观缺陷检测的基于像素分类的图像语义分割方法 .首先,利用全卷积神经网络对预处理后的样本数据集进行训练,提取药片外观的缺陷特征,然后,采用像素精度和交并比来评估模型分割的精确度,最后,使用训练得到的模型分割出药片的缺陷位置并加以语义的描述.实验结果 表明,该方法...     

基于机器学习和超声成像的缺陷识别与分析

为了量化分析样本中的缺陷,利用卷积神经网络(Convolutional Neural Network,CNN)结合阈值分割和深度优先搜索算法实现了对超声检测图像中样品内部缺陷的识别,将实际图像输入神经网络模型中,成功完成了对缺陷的标记,验证了模型的可靠性.利用Field Ⅱ对全矩阵捕获(Full Matrix Capture,FMC)过程及对数据以全聚焦成像方法(Total Focus Method,TFM)进行成像的过程进行了仿真模拟,获得了可用于机器学习的数据集.基于方向梯度直方图(Histogram of Oriented Gradient,HOG)提取了全聚焦成像结果图的图像特征,利用改进的支持向量机(Support Vector Machine,SVM)获得由图像预测缺陷半径的模型并对该模型进行了评价.结果表明,利用上述方法提取的缺陷半径信息精准度在0.1 mm,能够应用于缺陷半径的量化分析,预测误差主要来源于数据集两端,可以通过预处理算法进一步提升检测精度.     

基于密集连接的高分辨率遥感图像分类

高分辨率遥感图像分类是当前一个研究热点，基于深度卷积网络和全连接条件随机场的高分辨率遥感图像分类模型(Deeplab),因其高效精准的分类性能被广泛应用于该研究领域，但Deeplab模型存在空洞卷积核对高分辨率遥感图像的信息利用率不足、限制分类精度进一步提高的问题。本文提出一种基于密集连接的轻量级高分辨率遥感图像分类模型Dspp,采用密集卷积网络连接结构，将Deeplab的空洞卷积金字塔结构替换成密集连接结构，以提高信息利用率且增强模型的泛化能力，并与当前经典的FCN、FCN8S、Deeplab分类网络模型进行实验对比。结果表明，Dspp模型相较于FCN模型、FCN-8S模型和Deeplab模型的整体精度分别提高16.8、11.7和7.7个百分点，验证了本模型的有效性。     

基于改进编解码网络的钢箱梁疲劳裂纹分割

针对基于图像的疲劳裂纹检测方法精度受焊缝、涂层等复杂背景因素影响较大的问题,提出了一种基于深度学习的空洞金字塔注意力网络(APA-Net)模型用于疲劳裂纹分割．在传统编解码网络的基础上引入预训练ResNet34模型、密集空洞卷积(DAC)模块、尺度感知金字塔融合(SAPF)模块和注意力门控(AG)机制,极大地提升了模型提取多尺度上下文信息的能力．通过图像裁剪制作了包含多种干扰因素的钢箱梁疲劳裂纹分割数据集,然后利用该数据集对APA-Net,FCN,U-Net,Attention U-Net,U-Net++和CE-Net等经典网络进行测试,结果表明：所提出的APA-Net在复杂背景干扰下对钢箱梁表面图像中的疲劳裂纹提取能力最佳,分割结果的平均交并比达72.2%,比其他经典网络中表现最优的CE-Net的平均交并比提高了约4%．最后通过消融实验讨论了所提模块对裂纹分割精度的影响．     

紫外成像技术对发现电力设备绝缘缺陷的应用

电力设备在运行的过程中，需要承担功能量和高负荷的工作。因此，出现绝缘的缺陷也是较为常见的一种现象。从目前的检测技术上看来，其方法体现出一定的多样性。但是从其工作原理上来进行分析，电力设备或者是其母线的周围会产生较强的电场，空气会发生电离的作用，出现紫外光。这是，采用紫外成像技术就可以对紫外线进行收集和检测，进而确定电力设备的故障位置，为判定电力设备的绝缘状况提供相应的依据。因此，本文主要对紫外成像技术进行深入探讨和分析，希望能够给电力工作人员提供帮助。     

基于改进U-Net的电子换向器表面缺陷分割方法

电子换向器的表面缺陷形状各异、缺陷与背景差异较小,同时还存在表面杂质干扰缺陷分割结果等问题,导致电子换向器缺陷难以精细分割。本文提出一种基于多尺度融合和残差分离卷积的改进U-Net缺陷分割方法。将不同尺度的图像输入编码模块便于网络模型提取多尺度下缺陷特征信息,并构建残差分离卷积模块,在增大感受野的同时保留细节特征。将多尺度的输出图像放大到相同尺度并融合作为最终输出,实现特征信息语义和位置的信息互补,从而提高网络的分割精度。在公开的KolektorSDD数据集上的实验结果表明,该方法的相似性系数和精确率分别达到97.3%与97.8%,缺陷分割效果相比于SegNet、FCN-8S等经典分割网络更加优秀,能够更加准确地识别细小缺陷。     

EUV成像仪信号处理设计与实现

极紫外成像仪通过对于30.4nm的He 谐振散射分布进行成像,从而对地球等离子体层的冷等离子体分布进行研究.极紫外成像仪采用单光子成像技术,通过记录到达成像仪像平面的每个光子的位置,并经过时间积累达到总体成像的目的.信号处理部分是极紫外成像仪的核心部分,担负着对来自传感器探头的信号进行采集、分析、处理的重任.其基于:DSP系统设计,以快速实时为设计要求,并配合模块化的软件程序完成成像工作.通过实验室仿真实验测试,极紫外成像仪信号处理系统工作稳定,符合系统设计要求.     

基于鲁棒背景检测的显著性电力线路故障识别

红外技术能有效地检测电力设备过热缺陷,具有远距离、不接触、不取样、准确、快速、直观等特点。传统的电力设备故障红外人工诊断耗时、耗力,而针对人工诊断不足提出的智能诊断其难点之一在于能否较好的获得感兴趣区域。红外图像具有强度集中、对比度低等性质,常用的分割算法用于电力设备红外图像ROI获取,其结果往往是过分割。为了加强对设备的故障检测,本论文根据电气设备站安装的固定红外摄像头全天候实时监测,并且拍摄交联电缆、电缆头、电流互感器接头、变比接头、断路器、干式变压器、支柱绝缘子等二十种相关设备的电气设备故障红外图片,再经过基于鲁棒背景检测的显著性检测对故障部位进行图像分割,结果表明图片边界连通性、背景加权对比度以及优化效果,均优于传统方法,有效避免了图像过分割问题。证实了基于鲁棒背景检测的显著性检测对故障部位进行图像分割是可行的。     

ZnO纳米棒的结构及其光学性质研究

应用水热方法,合成了直径约30nm的ZnO纳米棒并通过X射线衍射、透射电子显微镜和拉曼光谱对其结构进行表征.还研究了他们的光学性质,如:室温下的光致发光谱以及温度依赖的光致发光光谱.研究结果显示,反应溶液的pH值修饰了ZnO纳米棒的长径比.观测到了ZnO纳米棒中源自激子的紫外发光(3.2eV)和来自于深能级缺陷的可见发光(2.0eV).根据变温发射光谱,通过对实验数据的拟合获得了一些重要的参数,如:激子的爱因斯坦温度及深能级的热激活能等.     

基于深度学习的CT影像肺结节检测

为辅助医生检测大量肺部CT( Computed Tomography) 图像中难以发现的肺结节的问题,提出使用深度U-Net网络对肺部结节进行分割。由于U-Net 网络出自于全卷积网络( FCN: Full Convolution Network) ,特点是端到端,像素到像素,网络对每个像素点进行分类,能将深层特征抽象的特征信息和浅层特征具象的位置信息相结合得到CT 图像的分割掩膜。实验结果表明,该方法对肺结节的检测效果良好。     

基于融合多尺度多通道特征的深度监督网络实现裂缝检测

尽管卷积神经网络浅层特征可蕴含一些细节信息,但也包含大量噪声。对于宽裂缝,浅层信息则作用不大。因此,本文提出了一个基于VGG16骨架并融合深层特征的FCN分割网络,并在每层加入侧边输出以直接监督模型。此外,我们还采用了一种名为Focal Loss的损失函数来解决数据集本身正负样本分类不平衡的问题。这种多尺度多通道深层特征与独特的损失函数融合应用,使网络具备很强的抗干扰性和更快的收敛速度。在DeepCrack数据集上,本文提出的深层特征融合网络(Deep Feature Fusion Network,DFFN)与HED、FCN和DeepCrack相比,表现出更好的性能和更快的推理速度。     

紫外老化对双酚A型环氧树脂综合性能影响

为了研究紫外线对以环氧树脂及其复合材料的影响,本文以双酚A型环氧树脂为研究对象,利用氙灯老化箱对双酚A型环氧树脂进行加速老化试验,研究了紫外老化对其电气、力学及热学性能的影响。实验结果表明,经28天紫外老化后,热分解后的质量残余减少,这是由于紫外及热的作用使得部分区域的环氧树脂由原先的致密网络结构转换为游离的自由基,形成了局部的缺陷。对力学性能的测试结果显示样品的弯曲强度下降至原有强度的74%,拉伸强度下降至原有强度的79%,说明老化后的双酚A型环氧树脂出现了局部的微观缺陷导致其承受外力破坏的能力有所减弱,但仍保持有较高的力学强度;对电气性能的测试结果显示样品的击穿电压下降14.8%,介质损耗因数上升12.7%。经紫外老化后,环氧树脂的热学、力学及电气性能均有一定程度的下降,但整体上性能下降程度不大,说明双酚A型环氧树脂具有一定的耐紫外老化性能。     

基于粒子群算法的多尺度反卷积特征融合的道路提取

研究基于传统FCN算法下的不同比例的多尺度特征融合对于复杂场景下道路提取准确度的提高.针对复杂的航拍道路场景,设计了针对于农田环境下的FROBIT农田道路数据集,并使用全卷积神经网络（FCN）对FROBIT农田道路数据集和Massachusetts城市道路数据集进行道路提取工作.本文基于传统的FCN的网络,对其反卷积方式进行改进,采用粒子群算法（PSO）设计了不同比例的多尺度特征融合.通过将本文提出的Multi-Scale FCN网络与传统的FCN神经网络在FROBIT数据集和Massachusetts道路数据集上进行对比实验,结果表明Multi-Scale FCN网络相比于传统的FCN神经网络在提取精度上得到了提高.      

多特征全卷积网络的地空通话语音增强方法

为了研究空中交通管理领域中的语音增强问题,并且节约存储资源,提出了一个新的语音增强方法.在基于全卷积神经网络(FCN)的基础上加入了跳跃连接(Skip Connection),并引入次要特征来进行联合学习.具体而言,使用语音的对数功率谱(LPS)作为网络的主要训练特征,引入对数梅尔倒谱系数(L-MFCC)作为网络的次要训练特征,来联合优化网络参数.实验证明,相较于单个LPS特征输入的架构,结合LPS和L-MFCC的多特征网络架构具有更好的语音增强性能表现,且作为次要特征的L-MFCC还可以用作其它用途.实验还证明,跳跃连接的加入可以很好的提高FCN的网络性能,且相较于基线的深度神经网络(DNN)模型,新的网络结构在相同参数数量的情况下,要具有更好的性能.     

基于深度CRF模型的图像语义分割方法

从图像中提取多种特征向量堆叠为一个高维特征向量用于图像语义分割,会导致部分特征向量的分类能力减弱或丢失。针对此问题,提出了一种结合深度卷积神经网络AlexNet和条件随机场的图像语义分割方法。利用预训练好的AlexNet模型提取图像特征,再通过条件随机场对多特征及上下文信息的有效利用来实现图像的语义分割。与利用传统经典特征的方法进行对比,实验结果表明:在利用AlexNet模型提取特征进行图像语义分割时,Conv5层为最有效的特征提取层,在Stanford background和Weizmann horse数据集下的识别准确率分别为81.0%和91.7%,均高于其他2种对比方法,说明AlexNet可以提取更有效的特征,得到更高的语义分割精度。     

紫外相机在电晕检测中的应用研究

高压输电线的电晕放电现象消耗大量的电能,而目前的电晕检测技术,如远红外望远镜、超声电晕探测器及人工目视检查都有一定的不足。日盲紫外探测因为背景干扰微弱、可靠方便而具有独特的优势。经比较分析提出了一种紫外探测方案,给出了一种系统结构。