1 重庆理工大学 理学院，重庆400054
2 四川云辰园林科技有限公司，四川宜宾644000
为了实现电致发光（Electroluminescent，EL）条件下太阳能电池的高精度裂纹和碎片缺陷检测，将多尺度YOLOv5（You Only Look Once version 5）模型用于真实工况下的太阳能电池缺陷检测。首先，提出一种融合可变形卷积（Deformable Convolutional Networks Version 2，DCNv2）和坐标注意力（Coordinate Attention，CA）的改进特征提取网络，拓宽小目标缺陷的感受野，有效增强小尺度缺陷特征的提取。其次，提出一种名为CA-PANet的改进路径聚合网络（Path Aggregation Network，PANet），将CA与跨层级联整合在路径增强结构中，实现浅层特征的复用，使深层特征和浅层特征结合，增强不同尺度缺陷的特征融合，提高缺陷的特征表达能力，提升缺陷检测框的准确度。轻量级CA的计算成本低，保证了模型的实时性。实验结果表明，融合DCNv2与CA注意力的YOLOv5模型平均精度均值（Mean Average Precision， mAP）值可达95.4%，较YOLOv5模型提高3%，较YOLOX模型提高1.4%。每秒帧数（Frames Per Second， FPS）可达51，满足工业实时性需求。对比其它算法，改进YOLOv5模型能精确检测到太阳能电池的微裂纹和碎片缺陷，能满足光伏电站真实工况下的实时高精度缺陷检测需求。
太阳能电池 缺陷检测 YOLOv5 可变形卷积 注意力网络 solar cells defect detection YOLOv5 deformable convolution v2 attention networks 光学 精密工程
2023, 31(12): 1804
1 福州大学电气工程与自动化学院, 福建 福州 350108
2 福州大学电力系统与装置产业研究院, 福建 福州 350108
针对光纤布拉格光栅(FBG)传感网络中重叠光谱的中心波长解调问题,提出一种基于门控循环单元(GRU)网络的波长检测方法。该方法将FBG重叠光谱的波长解调问题转换为模型回归问题,同时考虑到光谱数据的序列特征和频谱特性,采用GRU网络实现对光谱数据的特征学习,训练得到相应的波长检测模型,从而实现对重叠光谱的精确快速解调。经实验验证,所提方法能够解决FBG传感网络光谱部分重叠或完全重叠条件下的中心波长的精确解调问题,其方均根小于1 pm的测试结果占总数的88.2%。相比现有的解调方式,所提方法在检测精度和稳定性上均有一定的提升,为提高FBG传感网络的复用能力提供了新的途径。
光纤光学 光纤布拉格光栅 波长检测 深度学习 门控循环单元网络
中国人民解放军空军航空大学飞行器控制系, 吉林 长春 130022
由于目标姿态、摄像头角度、光线条件等因素的影响, 行人重识别仍然是一个具有挑战性的问题。目前大多数方法主要注重提高重识别精度, 对实时性考虑较少。因此, 本文提出了一种基于增强聚合通道特征(ACF)的实时行人重识别算法。利用ACF对行人进行检测, 并在此基础上, 结合直方图特征和纹理特征构成增强ACF, 作为行人重识别的特征描述子。利用测度学习方法对重识别模型进行训练。在4个数据集上的实验结果表明, 与传统的重识别特征相比, 提出的特征描述子逼近最好的重识别准确率, 并且具有更快的计算速度。整个行人检测与重识别系统的运行速度达到10 frame·s-1以上, 基本可以满足实时行人重识别的需求。
图像处理 实时行人重识别 增强聚合通道特征 测度学习 深度学习 激光与光电子学进展
2017, 54(9): 091001
