【摘 要】
：
自动化与智能化技术在变电站中的推广应用为智能巡检奠定了基础，但是目前二次设备的保护硬压板仍然大多采用人工现场核对的方式，存在核对频次低、校对过程溯源性不足的问题。为此，文中提出了一种基于图像内容识别的压板运行状态智能识别方法。采用基于空间领域信息的OTSU算法进行阈值分割消除光照不均阴影区域的影响，在此基础上基于Graham的最小外接矩形算法检测压板开关的最小矩形面积，通过识别面积大小来判断压板是
论文部分内容阅读
自动化与智能化技术在变电站中的推广应用为智能巡检奠定了基础，但是目前二次设备的保护硬压板仍然大多采用人工现场核对的方式，存在核对频次低、校对过程溯源性不足的问题。为此，文中提出了一种基于图像内容识别的压板运行状态智能识别方法。采用基于空间领域信息的OTSU算法进行阈值分割消除光照不均阴影区域的影响，在此基础上基于Graham的最小外接矩形算法检测压板开关的最小矩形面积，通过识别面积大小来判断压板是否投入。该方法能够有效减少阴影干扰的影响，准确辨识图像中压板的运行状态。
其他文献
现有识别算法所使用的数据集过于简单，对真实场景中的安检图像危险品识别准确率低，易导致误检和漏检，给辅助安检的人员造成了很大的困扰。针对这一问题，本文基于渗透假设的类平衡分层求精，提出了加入多层通道注意力机制和空间注意力机制的算法。该算法在安检图像分层建模的思想的基础上，首先在特征图上加入通道注意力机制，在通道上对其通道特征赋予不同的权重。其次加入空间注意力机制，在空间上对安检图像特有的颜色特征赋予
利用低成本的Kinect相机可以实现人体姿态捕捉，代替价格昂贵的光学动作捕捉系统进行异常步态分析。本文从病理性异常步态特征、步态数据集、Kinect相机可靠性和异常步态识别方法四个方面分别对异常步态分析的发展现状展开综述。首先，总结了常见的异常步态的病理性特点，介绍了步态分析中常用的步态特征和步态事件；然后，介绍了基于Kinect相机采集的异常步态骨架数据集和可穿戴设备、压力传感器采集的异常步态数
高动态范围(High Dynamic Range，HDR)图像相比低动态范围(Low Dynamic Range，LDR)图像有更宽的色域和更高的亮度范围，更符合人眼视觉效果。但由于目前的图像采集设备大都是LDR设备，导致HDR图像资源匮乏，解决该问题的一种有效途径是是通过逆色调映射将LDR图像映射为HDR图像。本文提出一种基于条件生成对抗网络(Conditional Generative Adv
当前深度残差网络模型训练缓慢，为解决这一问题该文设计了一种新型的残差结构。与典型的残差结构相比，该结构仅含有一个BatchNormalization和 ReLU模块，通过减少网络训练过程的计算量降低了耗时，提升了模型训练速度。在常用的CIFAR10/100图像分类数据库上进行了对比实验分析，以该方法构建的深度为110层的网络CIFAR10分类错误率为5.29%，CIFAR100分类错误率为24.8
近年来,深度学习在图像分类、目标检测及场景识别等任务上取得了突破性进展,这些任务多以卷积神经网络(ConvolutionalNeuralNetwork,CNN)为基础搭建识别模型,训练后的模型拥有优异的自动特征提取和预测性能,能够为用户提供―输入-输出‖形式的解决方案.然而,由于分布式的特征编码和越来越复杂的模型结构,人们始终无法准确理解CNN模型内部知识表示,以及促使其做出特定决策的潜在原因.另
当前目标检测算法的成功，很大程度取决于大量数据的支撑。当数据量较少时，多数目标检测算法无法达到较好的性能水平。有限样本下的目标检测主要研究标注样本数量较少类别情况下的目标检测算法。本文提出一种新的有限样本下的目标检测方法，该方法首先在具有大量标注信息的基类数据集上进行训练，从而得到一个具有较强语义特征提取能力的特征提取器以及候选区域推荐网络，其次，将该网络应用于只有少量标注样本的新类数据上训练候选
针对改进的密集轨迹算法（Improved Dense Trajectories， iDT）提取的轨迹数量较为庞大的问题，提出了一种轨迹滤除方法。首先密集采样兴趣点，利用光流图计算每个兴趣点下一帧的位置进而组成轨迹，之后对每帧光流图进行最大值归一化以及二值化，得到光流二值化图，以此反映该点的运动是否相对显著。利用光流二值化图统计轨迹上各点的有效性从而判断轨迹是否满足有效条件，并将不满足条件的轨迹滤除
针对传统相关滤波器使用特征单一、背景信息不足等缺点，提出一种多特征融合的自适应加权采样的上下文感知相关滤波算法。首先，对于灰度图像序列，采用方向梯度直方图（FHOG）特征、局部二值模式（LBP）特征以及灰度特征相融合；对于彩色图像序列，则采用方向梯度直方图（FHOG）特征、局部二值模式（LBP）特征以及颜色（CN）特征相融合。其次，自适应采样响应图中的高响应区域，将其作为负样本引入滤波器训练中，并
基于视频图像的视觉行人再识别是指利用计算机视觉技术关联非重叠域摄像头网络下的相同行人，在视频安防和商业客流分析中具有重要应用.目前视觉行人再识别技术已经取得了相当不错的进展，但依旧面临很多挑战，比如摄像机的拍摄视角不同、遮挡现象和光照变化等所导致的行人表观变化和匹配不准确问题.为了克服单纯视觉匹配困难问题，本文提出一种结合行人表观特征跟行人时空共现模式的行人再识别方法.所提方法利用目标行人的邻域行
为提高自然场景下交通标志检测实时性差的问题，提出一种基于视频码流的交通标志检测方法。此方法充分利用编码块像素之间的相关性和码流中能体现不同交通标志颜色特征和边缘特征，通过分析视频码流帧内预测模式、像素残差分布情况值和像素残差信息，对交通标志进行目标粗定位；通过分析视频码流帧间预测码流预测模式、像素残差分布情况值和运动矢量信息，对交通标志检测进行修正。此方法避免了视频解码过程中整数IDCT变换、反量