为了解决当前电力系统巡检难度大、效率低、数据不足以支撑大规模训练的问题,提出一种基于孪生网络的小样本检测方法。首先,在Faster RCNN(faster region convolutional neural network)目标识别算法的框架下,搭建支持图片和查询图片共...为了解决当前电力系统巡检难度大、效率低、数据不足以支撑大规模训练的问题,提出一种基于孪生网络的小样本检测方法。首先,在Faster RCNN(faster region convolutional neural network)目标识别算法的框架下,搭建支持图片和查询图片共享的孪生网络模型;然后,利用改进的RPN(region proposal network)模块产生更高质量的proposals;最后,在检测头上对支持图片和查询图片的RoI(region of interest)进行关联匹配。结果表明,将算法应用于自主构建的EPD(electric power detection)数据集,在仅利用10张支持图片的情况下,就能实现对电力背景下鸟巢异物和绝缘子相关类别的检测,检测指标mAP达到18.92%。与其他算法相比,应用于电力行业目标检测的孪生网络小样本模型,在极端小样本情况下性能优良,同时具有更加轻量化的优势,可为电力检测新方法研究提供参考。展开更多
在射频识别(Radio Frequency Identification,RFID)系统中,如何在保证准确度的基础上实现对标签空间位置的实时感知是一个重要问题.本文首次提出一种基于多相位差的标签三维定位算法3DinSAR,适用于独立可移动的射频识别系统进行实时、...在射频识别(Radio Frequency Identification,RFID)系统中,如何在保证准确度的基础上实现对标签空间位置的实时感知是一个重要问题.本文首次提出一种基于多相位差的标签三维定位算法3DinSAR,适用于独立可移动的射频识别系统进行实时、高精度的三维定位,且不需提前部署任何辅助设施.此方法依托干涉综合孔径雷达(Interferometric Synthetic Aperture Radar,InSAR)的测高原理,在通过全息图谱方法获取二维伪坐标的基础上,利用不同高度上的多组相位差估算目标标签的高度信息,最后融合基于密度的聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)实现相位解缠并给出三维坐标的估计结果.同时本文还提出了一种快速计算方法,通过估计标签到达方向(Aperture Beam Predicting,ABP)来提升全息图谱的实效性,从而降低3DinSAR算法整体的时间开销.仿真结果表明相较于原始的全息图谱方法,ABP方法能够有效减少99.4%的执行时间.在实际环境下的实验结果表明3DinSAR的平均三维空间误差为24 cm,最小误差为6 cm,算法整体的运行时间小于95 ms.展开更多
文摘为了解决当前电力系统巡检难度大、效率低、数据不足以支撑大规模训练的问题,提出一种基于孪生网络的小样本检测方法。首先,在Faster RCNN(faster region convolutional neural network)目标识别算法的框架下,搭建支持图片和查询图片共享的孪生网络模型;然后,利用改进的RPN(region proposal network)模块产生更高质量的proposals;最后,在检测头上对支持图片和查询图片的RoI(region of interest)进行关联匹配。结果表明,将算法应用于自主构建的EPD(electric power detection)数据集,在仅利用10张支持图片的情况下,就能实现对电力背景下鸟巢异物和绝缘子相关类别的检测,检测指标mAP达到18.92%。与其他算法相比,应用于电力行业目标检测的孪生网络小样本模型,在极端小样本情况下性能优良,同时具有更加轻量化的优势,可为电力检测新方法研究提供参考。
