【摘 要】
：
在智能电网发展的新时期，提高业扩报装的工作效率以及智能化程度是一项重要任务，在这一过程中对于电气图纸中电气元件符号的识别尤其关键。已有方法在算法精度以及鲁棒性上都存在不足。本文基于YOLOv3提出了一种改进的电气符号识别算法，改进了模型超参数选取策略，构建了自下而上的特征融合网络以及基于图像冗余的图像预处理方法，有效的解决了传统方法精确度低的问题。平均准确率和召回率达到94.8%和96.5%，与传
论文部分内容阅读
在智能电网发展的新时期，提高业扩报装的工作效率以及智能化程度是一项重要任务，在这一过程中对于电气图纸中电气元件符号的识别尤其关键。已有方法在算法精度以及鲁棒性上都存在不足。本文基于YOLOv3提出了一种改进的电气符号识别算法，改进了模型超参数选取策略，构建了自下而上的特征融合网络以及基于图像冗余的图像预处理方法，有效的解决了传统方法精确度低的问题。平均准确率和召回率达到94.8%和96.5%，与传统的图像识别算法和基准方法相比都有明显的提升。
其他文献
低剂量CT可以降低X射线辐射、减少对人体的伤害，但成像质量也会显著下降。为得到具有精细结构细节的高质量成像，提出一种基于多尺度残差生成网络的低剂量CT图像超分辨率重建算法，在保持病理不变情况下，从低分辨率图像中恢复高分辨率图像。首先，多尺度网络可以充分利用不同大小图像特征，丰富图像细节信息，提高重建过程中对特征的利用率；其次，引入残差网络，在实现特征重复利用的同时能够很好的防止过拟合现象；最后，将
由于植物根茎交点目标较小，识别率低，且在使用嵌入式设备进行植物移植与栽培的过程中资源及功耗受限。针对这类问题，提出了一种基于改进的YOLOv4目标检测解决方法，更设配于本场景。首先，采集8629张植物叶茎数据集图像，并对这些植物叶茎数据集进行标注，利用生成对抗网络（GAN）进行数据增强预处理。然后，改进YOLOv4目标检测算法，选取四个不同尺度的锚框，以获得更多植物叶茎交点信息，同时对网络的结构和
复杂场景下的行人检测存在着行人遮挡问题，如行人与行人、行人与物体之间的遮挡。众所周知，与人体的多变性相比，人体的头肩区域的形状变化范围小，而且稳定性高。但是头部在人体整体区域中占比较小，现有的通用检测方法在小目标检测上仍存在漏检率较高的问题。为了提高头部的检测率，在YOLOv3基础上提出了ResNet DenseNet MDC(Mixed Dilated Convolution)YOLOv3(RD
针对单幅图像中存在非正常曝光的问题，本文在去雾模型能够有效解决图像曝光校正问题的理论指导下，对去雾模型中的透射率进行改进，提出了一种基于反转融合框架的图像曝光校正方法：首先，对过度曝光的局部高亮光源进行雾度建模，采用改进去雾模型完成过度曝光校正任务。针对曝光不足校正问题，通过反转操作得到伪雾图；然后联合去雾模型及Retinex理论和去雾方法间的对偶性得到曝光不足区域校正的结果图；最后，借助多尺度图
为了解不同类型土壤的酸缓冲能力及其主要影响因子，测定了我国东部地区不同纬度8种代表性土壤（黑土、风沙土、棕壤、黑钙土、紫色土、红壤、黄壤和砖红壤）表层（0～20 cm）的酸缓冲容量和相关理化性质。对于有农业耕种的地区，选取相邻的自然植被（林地或草地）和农田土壤进行对比分析。结果表明：北方土壤酸缓冲容量(44.8 mmol·kg~(-1))显著高于南方土壤(15.8 mmol·kg~(-1))，其原
准确地估计小麦叶片病害的严重度，可以针对性施用农药，减少种植成本和农业生态环境污染，同时有助于实现对麦田病情的精准防控。本文以小麦叶片条锈病和白粉病为研究对象，针对同类型病害的不同严重度之间的图像颜色及纹理特征差异较小，传统方法病害严重度估计准确率不高的问题，提出一种基于循环空间变换的卷积神经网络(Recurrent spatial transformer convolutional neural
针对土壤湿度观测数据量过少，导致模型出现过拟合而影响预测精度的问题，本文提出融合迁移学习的土壤湿度预测时空模型，首先将ERA5-land数据集作为源域，然后通过三维卷积层提取土壤湿度滞后时刻的空间特征，并融入长短期记忆网络中提取其时间特征，对网络模型进行预训练，最后以微调方式在SMAP数据集中调整网络参数，进而预测未来土壤湿度。实验结果表明本文提出的时空深度学习模型相对于卷积神经网络，长短期记忆网
针对水下图像降质的问题，提出一种基于条件生成对抗网络(CGAN)的自适应密集特征融合水下图像增强算法。该算法提出一种新颖的自适应密集特征融合(ADFF)模块，通过自适应学习不同级别特征的空间重要性权重，从而促使网络从以前和现在的特征中学习更有效的特征进行融合。实验中，采用U-Net结构的生成器，将ADFF模块集成在生成器的每一级别，使用WGAN-GP对抗损失与L_(1)和L_(2)损失的组合损失对
针对变工况环境下采集到的滚动轴承振动数据特征分布不一致及待诊断样本标签较难获取的问题，提出了一种子领域自适应的深度迁移学习故障诊断方法。首先，为充分利用卷积神经网络图像特征提取能力，将滚动轴承振动信号采用连续小波变换生成图像数据集。其次，源域与目标域通用特征提取采用改进图像集预训练的Resnet-50网络结构，子领域自适应度量引入局部最大均值差异（Local Maximum Mean Discre
针对目前点云在大数据量下的自动配准算法计算效率低下，粗配准初值匹配稳定性差，参数难以设置等问题，提出一种基于匹配对间相对几何不变性特点的快速粗配准算法。首先通过点云邻域特征值筛选一定量的关键点，利用快速点特征直方图(Fast Point Feature Histogram， FPFH)描述子初步获取最邻近匹配对；然后通过点云特征的对称候选寻点策略及两组正确匹配对在源点云与目标点云对应边的2-范数比