公开(公告)号：CN119027669A

公开(公告)日：2024-11-26

申请号：CN202411248260.0

申请日：2024-09-06

Applicant: 华北电力大学(保定)

Inventor： 石超君 ,  谢雄彬 ,  张珂 ,  李星宽 ,  张筱筠 ,  苏子博 ,  卢翘楚 ,  张宁轩

IPC: G06V10/26 ,  G06N3/0455 ,  G06N3/0464 ,  G06Q50/06 ,  G06V10/44 ,  G06V10/80 ,  G06V10/82

Abstract: 本发明公开了一种基于卷积和注意力的地基云图细粒度分割方法，该方法采用编码‑解码结构对输入地基云图图像进行自动语义特征提取以及恢复重建地基云图图像信息。由于CNN对云图全局特征提取能力较弱，只能通过不断叠加卷积层来实现从局部到全局的图像提取，缺乏鲁棒性。因此本发明采用Swin Transformer作为基础模块用于提取地基云图图像的全局信息，采用类似于CNN的分层结构。该模块对原始Transformer注意力机制进行改进，引入了基于窗口的多头注意力机制W‑MSA和基于移位窗口的多头注意力机制SW‑MSA，这使得全局注意力优势被保留同时降低了原始Transformer二次计算复杂度。同时为了进一步增强云图局部特征提取能力和全局相关性，设计了特征融合模块Fg‑FFM级联到编码器中。

公开(公告)号：CN118212546A

公开(公告)日：2024-06-18

申请号：CN202410208305.5

申请日：2024-02-26

Applicant: 华北电力大学(保定)

Inventor： 张珂 ,  郑宪 ,  石超君 ,  赵振兵 ,  苏子博 ,  卢翘楚

IPC: G06V20/13 ,  G06V20/10 ,  G06V10/82 ,  G06V10/80 ,  G06V10/774 ,  G06V10/776 ,  G06V10/764 ,  G06N3/0464

Abstract: 本发明公开了基于大核选择特征融合网络的电力杆塔遥感目标检测方法，属于电力计算机视觉领域。所述方法包括步骤：选取YOLOv5作为基础模型，设计大核空间选择注意融合模块改进主干网络，扩大模型感受野，准确定位电力杆塔位置。设计多尺度特征对齐融合结构改进颈部网络，解决输电塔、配电塔尺度差距大且不一致的问题，提高配电塔此类微小杆塔检测精度，实现复杂背景下电力杆塔多尺度特征融合。训练模型，引入MPDIoU改进CIoU，设计滑动加权损失使模型在训练过程中更关注负样本，使用训练所得最优模型对电力杆塔进行检测和识别，评估模型效果。本发明有效提升了卫星遥感图像中电力杆塔的检测精度，可为基于卫星遥感的电力线路智能巡检提供重要技术支持。

公开(公告)号：CN117911693A

公开(公告)日：2024-04-19

申请号：CN202311846806.8

申请日：2023-12-29

Applicant: 华北电力大学(保定)

Inventor： 石超君 ,  苏子博 ,  张珂 ,  李星宽 ,  卢翘楚 ,  张筱筠 ,  谢雄彬 ,  张宁轩

IPC: G06V10/26 ,  G06V10/764 ,  G06V10/82 ,  G06V10/44 ,  G06N3/0464 ,  G06N3/0455

Abstract: 本发明公开了基于改进编码器‑解码器结构的地基云图细粒度分割方法，包括步骤：构建地基云图细粒度数据集，将云分为五类并进行人工标注，得到不同类型的细粒度地基云图像；选取U型结构网络作为基础模型；在编码器下采样前引入可选择的通道注意力，更好地捕捉细粒度地基云图的多尺度特征；提出了并行膨胀卷积模块取代原始瓶颈层结构的卷积块，增大感受野范围，进一步学习细粒度特征；引入CARAFE上采样模块，避免上采样过程中无法恢复语义信息；训练模型，与其他分割模型对比。本发明将U型网络应用于地基云图分割，实现了地基云图细粒度分割，输出多类别彩色图像，同时分割精度与其他语义分割网络相比取得了最高精度。

公开(公告)号：CN118072071A

公开(公告)日：2024-05-24

申请号：CN202311787098.5

申请日：2023-12-22

Applicant: 华北电力大学(保定)

Inventor： 石超君 ,  苏子博 ,  张珂 ,  韩磊乐 ,  项洪印 ,  郑宪 ,  卢翘楚

IPC: G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08 ,  G06N5/04

Abstract: 本发明公开了一种基于注意力卷积的地基云图分类方法，选取多阶段分类器作为基本架构，使用改进的重参化深度卷积神经网络作为主干网络并分为训练和推理两个阶段。训练阶段，地基云深度表征卷积网络采用具有丰富的梯度信息和复杂的网络结构的多分支拓扑结构提取地基云图特征；为得到图像的全局特征表示，引入新高效通道注意力网络并学习序列间的特征关系；此外，CloudRVE在训练阶段引入学习率预热算法，可动态优化模型学习率，旨在加速模型参数收敛并增强训练效果。推理阶段，CloudRVE采用结构重参数化方法将多分支拓扑结构轻量化，转化为VGG‑style的单分支拓扑结构致使其推理速度增加，并避免过拟合现象并加快模型收敛速度。