-
公开(公告)号：CN115601644A
公开(公告)日：2023-01-13
申请号：CN202211292721.5
申请日：2022-10-21
Applicant: 东北电力大学(CN) , 国网吉林省电力有限公司吉林供电公司(CN)
Abstract: 本发明公开了一种基于生成对抗网络的低光照度下输电线路图像增强方法，其特点是：本发明设计了基于混合注意力机制的残差模块，并结合并行空洞卷积模块等设计了可以提取更多有效特征信息的生成网络，以对低光照度下输电线路图像进行增强。其次，本发明还设计了基于全局判别网络和局部判别网络的双判别网络的对抗网络，提高了对抗网络对输入图像的判别能力。最后，本发明还设计了基于上述生成对抗网络的低光照度下输电线路图像增强网络的损失函数。本发明可以在有效提高低光照度下输电线路图像亮度的同时，避免增强后的图像出现过度曝光或者曝光不足，以及伪影现象的出现，保留更多的图像细节信息，提高增强后的输电线路图像质量。
-
公开(公告)号：CN115588142A
公开(公告)日：2023-01-10
申请号：CN202211277224.8
申请日：2022-10-18
Applicant: 国网吉林省电力有限公司吉林供电公司 , 东北电力大学
IPC: G06V20/17 , G06V10/82 , G06V10/80 , G06V10/774 , G06V10/764 , G06V10/32 , G06T7/00
Abstract: 本发明是一种基于改进VarifocalNet模型的架空输电线路设备缺陷检测方法，其特征是，包括：数据采集、样本标注、模型检测头改进、模型损失函数改进、模型训练、模型性能评估和模型应用。能够检测出绝缘子缺陷、耐张线夹缺陷、悬垂线夹缺陷、导线保护金具缺陷、导线接续金具缺陷、导线缺陷以及防振锤缺陷，提高了架空输电线路设备缺陷检测的精度。
-
公开(公告)号：CN115641263A
公开(公告)日：2023-01-24
申请号：CN202211327327.0
申请日：2022-10-26
Applicant: 北华大学 , 国网吉林省电力有限公司吉林供电公司
IPC: G06T3/40 , G06V10/74 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明是是一种基于深度学习的单幅电力设备红外图像超分辨率重建方法，其特点是，包括的步骤有：构建模型的训练集和测试集、构建改进的生成网络、构建改进的对抗网络、构建融合损失函数和模型训练、模型性能评估和模型应用。能够在提高电力设备红外图像分辨率的同时，更好地重建电力设备红外图像细节，提高超分辨率重建后电力设备红外图像的质量。
-
公开(公告)号：CN116912118A
公开(公告)日：2023-10-20
申请号：CN202310850872.6
申请日：2023-07-12
Applicant: 北华大学 , 国网吉林省电力有限公司吉林供电公司
IPC: G06T5/00 , G06N3/0475 , G06N3/0464 , G06N3/094 , G06N3/048
Abstract: 一种基于生成对抗网络的变电站监控图像去雾方法属于图像处理技术领域。本发明设计了多尺度特征提取模块、注意力模块和边缘增强模块；还设计了基于上述模块的生成网络，在对变电站监控图像去雾的同时，更好的保留图像边缘信息和颜色信息，使得去雾后的图像更清晰，更自然；设计了多尺度对抗网络，更好的提取特征信息，提高对抗网络的对图像是否是真实图像还是生成图像的判决能力，进而提高生成网络的图像去雾能力。采用本发明提出的方法对变电站监控图像进行去雾，可以有效的去处除图像中的雾霾，而且更够更好的保留图像的颜色信息和物体的边缘信息，去雾后的图像视觉效果更好。
-
Patent Agency Ranking
公开(公告)号：CN118887133A
公开(公告)日：2024-11-01
申请号：CN202410917014.3
申请日：2024-07-10
Applicant: 北华大学 , 国网吉林省电力有限公司吉林供电公司
IPC: G06T5/73 , G06T5/70 , G06T5/60 , G06V10/44 , G06V10/46 , G06V10/54 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464
Abstract: 一种基于深度卷积网络的配电房烟雾图像去烟雾方法，属于计算机视觉技术领域，包括构建含有烟雾的配电房图像去烟雾网络模型训练数据集和测试数据集；构建含有烟雾的配电房图像纹理特征提取网络分支，图像特征提取主干网络以及配电房烟雾图像重构网络；利用训练数据集对上述构建的网络进行训练，得到最优的网络模型；利用测试数据集对训练后的网络模型进行测试，将满足测试结果的网络模型作为最终去烟雾网络模型；否则调整参数继续训练；将真实含烟雾的配电房图像输入到训练后网络模型中，得到去除烟雾后的配电房图像。本发明在实现配电房烟雾图像去烟雾的同时，提高图像清晰度，更好的保留局部细节信息。
-
公开(公告)号：CN118887124A
公开(公告)日：2024-11-01
申请号：CN202410916844.4
申请日：2024-07-10
Applicant: 北华大学 , 国网吉林省电力有限公司吉林供电公司
IPC: G06T5/70 , G06T5/60 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 基于生成对抗网络的电缆隧道无人机巡检图像去噪方法，属于计算机视觉技术领域，包括构建用于电缆隧道无人机巡检图像去噪模型训练的训练数据集和测试数据集；构建生成网络和对抗网络，利用训练数据集对生成网络和对抗网络进行交替训练，得到最优的已训练模型；利用测试集对已训练模型进行测试，若测试结果满足要求，则将该模型作为最终的电缆隧道无人机巡检图像去噪模型；若不满足调整参数，继续训练；将电缆隧道无人机巡检含噪图像，输入到最终去噪模型，得到去噪后的电缆隧道无人机巡检图像。本发明可提高电缆隧道无人机巡检图像去噪后的图像质量，同时更好的还原图像细节信息。
-
-
公开(公告)号：CN114387475A
公开(公告)日：2022-04-22
申请号：CN202210041161.X
申请日：2022-01-14
Applicant: 东北电力大学
IPC: G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明属于迁移学习技术领域，具体的说是基于自注意力机制和最小二乘的条件对抗领域自适应方法，该方法包括如下；通过自注意力机制的特征提取网络和最小二乘的条件形成对抗领域自适应损失函数；并提出使用最小二乘损失函数代替条件对抗领域自适应方法中的交叉熵损失函数，解决算法模型出现模式崩塌、梯度消失以及训练过程不稳定等问题；基于自注意力机制和最小二乘的条件对抗领域自适应方法具有训练过程稳定，数据集分类任务精度高和收敛速度快等优点。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.036 seconds)
