An Optimized Transformerless Photovoltaic Grid-Connected Inverter

合集下载

无源毫米波成像改进POCS超分辨率算法

无源毫米波成像改进POCS超分辨率算法
( 子 科 技 大 学 电子 工程 学 院 ,四川 成 都 6 1 3 ) 电 1 7 1 摘 要 :在 无 源 毫 米 波成 像 中 , 因为 受 天 线 孔 径 大 小 的 限 制 而 导 致 获 取 的 图 像 分 辨 率 低 , 以 必 须 采 所
取 有 效 后 处理 措 施 增 强 分 辨 率 。提 出 了一 种 改进 的 P C O S超 分 辨 率 算 法 , 算 法结 合 了 Wi e 滤 波 器 复 原 该 e r n 算 法和 凸 集投 影 ( OC ) 法 的优 点 , 用 W i e 滤 波 复 原 算 法 恢 复 图像 通 带 内的 低 频 分 量 , 用 P C P S算 使 e r n 运 O S算
A b t a t The sr c : pr e oblm of oo r s l in a q r d m a i t pa sv m ilm e e w a e m a ng p r e o uto of c uie i ge n he s ie li t r v i gi
( c o l f Elcr ncE g n e ig, n v r i f E eto i S in ea d S h o e to i n i ern U i e s y o lcr nc ce c n o t
T c n l g f C ia,C e g u 6 1 3 ,C ia eh o o yo h n hn d 1 7 1 hn )
g rt m m p o e h o v r e tr t n s c mp t t n l c r fii n h n P oi h i r v st ec n eg n aea d i o u a i a l mu h mo ee fce tt a OCS ag r h o y l o i m.Th t e ag rt m se sl mp e n e n r a i o a sv li t rwa e i g n . lo i h i a i i l me t d i e lt y me f rp s ie mi me e v ma i g l Ke r s p s i e mi i t r wa e i g n ; s p r r s l t n;POCS ag rt m ; i g e t r to y wo d : a sv l me e v ma i g l u e—eo ui o lo i h ma e r so a i n;

优美斯(Optimax Systems)的相位平移干扰光学测量方法白皮书说明书

优美斯(Optimax Systems)的相位平移干扰光学测量方法白皮书说明书

The Effect Of Phase Distortion On InterferometricMeasurements Of Thin Film Coated Optical SurfacesJon Watson, Daniel SavageOptimax Systems, 6367 Dean Parkway, Ontario, NY USA*********************©Copyright Optimax Systems, Inc. 2010This paper discusses difficulty in accurately interpreting surface form data from a phase shifting interferometer measurement of a thin film interference coated surfaces.PHASE-SHIFTING INTERFEROMETRYPhase-shifting interferometry is a metrology tool widely used in optical manufacturing to determine form errors of an optical surface. The surface under test generates a reflected wavefront that interferes with the reference wavefront produced by the interferometer 1. A phase-shifting interferometer modulates phase by slightly moving the reference wavefront with respect to the reflected test wavefront 2 . The phase information collected is converted into the height data which comprises the surface under test3.Visibility of fringes in an interferometer is a function of intensity mismatch between the test and reference beams. Most commercially available interferometers are designed to optimize fringe contrast based on a 4% reflected beam intensity. If the surface under test is coated for minimum reflection near or at the test wavelength of the interferometer, the visibility of the fringe pattern can be too low to accurately measure.OPTICAL THIN-FILM INTERFERENCE COATINGSOptical thin-film interference coatings are structures composed of one or more thin layers (typically multiples of a quarter-wave optical thickness) of materials deposited on the surface of an optical substrate.The goal of interference coatings is to create a multilayer film structure where interference effects within the structure achieve a desired percent intensity transmission or reflection over a given wavelength range.The purpose of the coating defines the design of the multilayer structure. Basic design variables include:• Number of layers• Thickness of each layer• Material of each layerThe most common types of multilayer films are high reflector (HR) and anti-reflection (AR) coatings. HR coatings function by constructively interfering reflected light, while AR coatings function by destructively interfering reflected light. These coatings are designed to operate over a specific wavelength range distributed around a particular design wavelength.To produce the desired interference effects, thin-film structures are designed to modulate the phase of the reflected or transmitted wavefront. The nature of the interference effect depends precisely on the thickness of each layer in the coating as well as the refractive index of each layer. If the thickness and index of each layer is uniform across the coated surface, the reflected wavefront will have a constant phase offset across the surface. However, if layer thicknesses or index vary across the coated surface, then the phase of thereflected wavefront will also vary. Depending on the design of the coating and the severity of the thickness or index non-uniformity, the distortion of the phase of the reflected wavefront can be severe. 4Layer thickness non-uniformity is inherent in the coating process and is exaggerated by increasing radius of curvature of the coated surface.5 All industry-standard directed source deposition processes (thermal evaporation, sputtering, etc) result in some degree of layer thickness non-uniformity.5 Even processes developed to minimize layer non-uniformity, such as those used at Optimax, will still result in slight layer non-uniformity (within design tolerance).TESTING COATED OPTICS INTERFEROMETRICALLYPhase-shifting interferometers use phase information to determine the height map of the surface under test. However, surfaces coated with a thin-film interference coating can have severe phase distortion in the reflected wavefront due to slight layer thickness non-uniformities and refractive index inhomogeneity. Therefore, the measured irregularity of a coated surface measured on a phase shifting interferometer at a wavelength other than the design wavelength, may not represent the actual irregularity of the surface. Even using a phase shifting interferometer at the coating design wavelength does not guarantee accurate surface irregularity measurements. If a coating has very low reflectance over any given wavelength range (such as in the case of an AR coating), the phase shift on reflection with wavelength will vary significantly in that range.7 Figure 1 shows an example of how the phase can vary with coating thickness variations.Figure 1In this particular case, if a point at the lens edge has the nominal coating thickness and the coating at lens center is 2% thicker, expect ~38° phase difference in the measurement (~0.1 waves). This will erroneous be seen as height by the interferometer, despite the actual height change in this case being less than 7nm (~0.01 waves). Also, depending on coating design, low fringe visibility may inhibit measurements.There is an extreme method to determine the irregularity of a thin-film interference coated surface by flash coating it with a bare metal mirror coating. A metal mirror coating is not a thin-film interference coating, and the surface of the mirror represents the true surface, This relatively expensive process requires extra time, handling, and potential damage during the metal coating chemical strip process.CONCLUSIONS•There can be practical limitations to getting accurate surface form data on coated optical surfaces due to issues with phase distortion and fringe visibility.•The issues are a function of thin film coating design particulars and the actual deposition processes.1 R.E. Fischer, B. Tadic-Galeb, P. Yoder, Optical System Design, Pg 340, McGraw Hill, New York City, 20082 H.H. Karow, Fabrication Methods For Precision Optics, Pg 656, John Wiley & Sons, New York City, 19933 MetroPro Reference Guide OMP-0347J, Page 7-1, Zygo Corporation, Middlefield, Connecticut, 20044 H.A. Macleod, Thin Film Optical Filters, Chapter 11: Layer uniformity and thickness monitoring, The Institute of Physics Publishing, 2001.5 R.E. Fischer, B. Tadic-Galeb, P. Yoder, Optical System Design, Pg 581, McGraw Hill, New York City, 2008。

基于太赫兹波谱图像识别无缺陷水果

基于太赫兹波谱图像识别无缺陷水果

基于太赫兹波谱图像识别无缺陷水果近年来,基于太赫兹波谱图像的无缺陷水果识别技术逐渐受到人们的关注。

太赫兹波谱图像识别是一种基于太赫兹波谱技术的无损检测方法,通过分析水果的太赫兹波谱图像,可以准确判断水果的品质和完整性,为消费者提供高质量的水果选择。

太赫兹波(terahertz wave)是介于微波与红外线之间的电磁波,其频率范围约为100GHz至10THz。

太赫兹波谱图像由太赫兹波谱仪获取,其中记录了水果对太赫兹波的反射、透射和散射等信息。

通过对这些信息的分析,可以得出水果的成分、结构和缺陷等有用的信息。

无缺陷水果识别是太赫兹波谱图像识别的重要应用之一。

随着人们对食品安全和质量的要求越来越高,无缺陷水果的识别成为了一个重要的问题。

传统的水果检测方法,如视觉检测和机械检测,通常需要繁琐的操作和专业知识,且容易出现误判的情况。

而基于太赫兹波谱图像的无缺陷水果识别技术能够准确、快速地判断水果是否有缺陷,提高水果的品质和安全。

在太赫兹波谱图像识别无缺陷水果方面,有许多研究工作已经取得了令人瞩目的成果。

其中,最常用的方法是基于机器学习和图像处理技术。

首先,需要建立一个太赫兹波谱图像数据库,其中包含了大量的无缺陷水果样本。

然后,利用机器学习算法对这些样本进行训练,建立一个识别模型。

最后,通过对新的太赫兹波谱图像进行处理和分析,将其与识别模型进行比对,从而得出水果是否有缺陷的结果。

在机器学习算法方面,支持向量机(SVM)和随机森林(Random Forest)是常用的分类算法。

SVM是一种广泛应用于模式识别和分类问题的机器学习算法,通过在高维空间中寻找一个最优超平面对样本进行分类。

而随机森林是一种集成学习方法,通过构建多个决策树,并对结果进行投票,来得出最终的分类结果。

这些算法都能够有效地对太赫兹波谱图像进行分类,准确判断水果是否有缺陷。

除了机器学习算法,图像处理技术在太赫兹波谱图像识别中也起到了重要的作用。

基于小波变换和去噪模型的光照不变人脸识别

基于小波变换和去噪模型的光照不变人脸识别
著提 高 光 照人 脸 图像 的 识 别 率 。 关键 词 : 照 不 变 量 ; 脸 识 别 ; 光 人 小波 变换 ; 去噪 模 型
中图 分 类 号 : P 9 . 1 T 3 14 3
文 献标 志码 : A
Il i a i n i a i n a e r c g ii n ba e n lum n to nv r a t f c e o n to s d o wa e e r n f r n e ii o l v l t t a s o m a d d no sng m de
Ab ta t h e o n t n o r na a i p e r n e w t l mi ain i a d f c l ts o a e r c g i o . I h s s r c :T e r c g i o ffo tlf ca a p aa c i i u n t s i u t a k fr fc e o t n n t i i l h l o i n i p p r o e l mi ai n i v r n xr cin me h d w s p o o e o d a t h l mi ai n p o lm a e n w v lt a e ,a n v li u n t n ai te ta t t o a r p s d t el w h t e i u n t r be b s d o a ee o a o i l o t n f r a d d n iig mo e .T e i u i ai n iv ra tW Se ta td i v l td man b sn a ee — a e e o s g r s m n e osn d 1 h l m n t n a in a x rc e n wa ee o i y u ig w v ltb d d n ii a o l o s n tc n q e .T r u h ma i ua ig te h g e u n y wa ee o f ce tc mbn d w t e osn d e ,te e g e t r so e h i u s h o g np lt h ih f q e c v ltc e in o i e i d n iig mo l h d e f au e f n r i h te i u n t n iv r n sw r n a c d a d mo e u e u no ma in w sr soe n i u n t n i v ra t,w ih c ud la h l mi ai n a i t e e e h n e n r s f l f r t a e t rd i lmi ai ai n s h c o l e d o a i o l o n t n e c l n a e r c g i o e fr n e o a x el tfc e o nt n p r ma c .T e e p r n a e ut n Y l a e d tb s n e i o h x ei me t lrs l o a e fc aa a e B a d CMU I a e d tb s s P E f c aa a e s o h ts t fc oy r c g i o a e c n b c iv d b h r p s d me h d h w t a ai a tr e o nt n rt a e a h e e y t e p o o e t o . s i Ke r s l mia in i v r n ;f c e o i o ;w v ltt n fr y wo d :i u n t n a i t a e rc g t n l o a n i a ee r so m;d n ii g mo e a e o sn d l

基于深度学习的低光照图像增强技术研究

基于深度学习的低光照图像增强技术研究

基于深度学习的低光照图像增强技术研究深度学习是当前人工智能技术中的热门研究方向之一,它已经被应用于许多领域,如语音识别、图像识别、自然语言处理等。

在图像处理领域中,深度学习也有着广泛的应用,其中之一就是低光照图像增强。

低光照图像增强是指对光线不足或光线环境恶劣的图像进行处理,使其变得更加清晰明亮、细节更加丰富。

这是一个非常具有挑战性的问题,因为低光照图像通常由于光线不足导致图像信息缺失、噪点增多、色彩失真等现象,传统的图像处理方法难以有效处理。

而深度学习基于卷积神经网络的特征学习和表示能力,能够有效地处理低光照图像增强问题。

要实现低光照图像增强,需要解决以下几个问题:一、建立适合于低光照图像增强的深度学习模型传统的图像增强方法大多建立在颜色空间变换或梯度域变换技术之上,但是这些方法并不能很好地捕捉到图像的高级特征和语义信息,也不能很好地利用复杂的马尔可夫随机场模型来进行处理。

而基于深度学习的方法可以学习到更高级别的特征,通过模型的层次化特性来逐步提取图像中的语义信息,使得低光照图像增强更加准确和精细。

在建立深度学习模型时,需要对训练数据进行合理的选择和处理,以保证模型的泛化能力和鲁棒性。

同时,需要针对不同程度的低光照图像进行训练,以增强模型的适应性。

二、应用适当的损失函数损失函数是深度学习中的关键组成部分之一。

在低光照图像增强问题中,传统的损失函数往往只能通过像素级比较误差来进行刻画,不能很好地利用图像整体的特征和语义信息。

而基于深度学习的方法能够利用更丰富的先验知识,选择适当的损失函数来确保输出结果的质量。

针对低光照图像增强问题,一些研究者提出了不同的损失函数,例如平均绝对误差、结构相似性算法等。

这些损失函数可以提高图像增强效果和图像质量,提高模型的稳定性和鲁棒性。

三、提高模型的效率和速度在低光照图像增强过程中,需要处理大量的图像数据,如果深度学习模型的效率和速度不高,会导致图像增强的过程无法实时进行,大大降低用户的体验。

智能反射面增强的多无人机辅助语义通信资源优化

智能反射面增强的多无人机辅助语义通信资源优化

doi:10.3969/j.issn.1003-3114.2024.02.018引用格式:王浩博,吴伟,周福辉,等.智能反射面增强的多无人机辅助语义通信资源优化[J].无线电通信技术,2024,50(2): 366-372.[WANG Haobo,WU Wei,ZHOU Fuhui,et al.Optimization of Resource Allocation for Intelligent Reflecting Surface-enhanced Multi-UAV Assisted Semantic Communication[J].Radio Communications Technology,2024,50(2):366-372.]智能反射面增强的多无人机辅助语义通信资源优化王浩博1,吴㊀伟1,2∗,周福辉2,胡㊀冰3,田㊀峰1(1.南京邮电大学通信与信息工程学院,江苏南京210003;2.南京航空航天大学电子信息工程学院,江苏南京211106;3.南京邮电大学现代邮政学院,江苏南京210003)摘㊀要:无人机(Unmanned Aerial Vehicle,UAV)为无线通信系统提供了具有高成本效益的解决方案㊂进一步地,提出了一种新颖的智能反射面(Intelligent Reflecting Surface,IRS)增强多UAV语义通信系统㊂该系统包括配备IRS的UAV㊁移动边缘计算(Mobile Edge Computing,MEC)服务器和具有数据收集与局部语义特征提取功能的UAV㊂通过IRS 优化信号反射显著改善了UAV与MEC服务器的通信质量㊂所构建的问题涉及多UAV轨迹㊁IRS反射系数和语义符号数量联合优化,以最大限度地减少传输延迟㊂为解决该非凸优化问题,本文引入了深度强化学习(Deep Reinforce Learn-ing,DRL)算法,包括对偶双深度Q网络(Dueling Double Deep Q Network,D3QN)用于解决离散动作空间问题,如UAV轨迹优化和语义符号数量优化;深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)用于解决连续动作空间问题,如IRS反射系数优化,以实现高效决策㊂仿真结果表明,与各个基准方案相比,提出的智能优化方案性能均有所提升,特别是在发射功率较小的情况下,且对于功率的变化,所提出的智能优化方案展示了良好的稳定性㊂关键词:无人机网络;智能反射面;语义通信;资源分配中图分类号:TN925㊀㊀㊀文献标志码:A㊀㊀㊀开放科学(资源服务)标识码(OSID):文章编号:1003-3114(2024)02-0366-07Optimization of Resource Allocation for Intelligent ReflectingSurface-enhanced Multi-UAV Assisted Semantic CommunicationWANG Haobo1,WU Wei1,2∗,ZHOU Fuhui2,HU Bing3,TIAN Feng1(1.School of Communications and Information Engineering,Nanjing University of Posts and Telecommunications,Nanjing210003,China;2.College of Electronic and Information Engineering,Nanjing University of Aeronautics and Astronautics,Nanjing211106,China;3.School of Modern Posts,Nanjing University of Posts and Telecommunications,Nanjing210003,China)Abstract:Unmanned Aerial Vehicles(UAV)present a cost-effective solution for wireless communication systems.This article introduces a novel Intelligent Reflecting Surface(IRS)to augment the semantic communication system among multiple UAVs.The system encompasses UAV equipped with IRS,Mobile Edge Computing(MEC)servers,and UAV featuring data collection and local semantic feature extraction functions.Optimizing signal reflection through IRS significantly enhances communication quality between drones and MEC servers.The formulated problem entails joint optimization of multiple drone trajectories,IRS reflection coefficients,and the number of semantic symbols to minimize transmission delays.To address this non-convex optimization problem,this paper introduces a Deep收稿日期:2023-12-31基金项目:国家重点研发计划(2020YFB1807602);国家自然科学基金(62271267);广东省促进经济发展专项资金(粤自然资合[2023]24号);国家自然科学基金(青年项目)(62302237)Foundation Item:National K&D Program of China(2020YFB1807602);National Natural Science Foundation of China(62271267);Key Program of Marine Economy Development Special Foundation of Department of Natural Resources of Guangdong Province(GDNRC[2023]24);National Natural Sci-ence Foundation of China(Young Scientists Fund)(62302237)ReinforcementLearning(DRL)algorithm.Specifically,theDuelingDoubleDeepQNetwork(D3QN)isemployedtoaddressdiscreteactionspaceproblemssuchasdronetrajectoryandsemanticsymbolquantityoptimization.Additionally,DeepDeterministicPolicyGra dient(DDPG)algorithmisutilizedtosolvecontinuousactionspaceproblems,suchasIRSreflectioncoefficientoptimization,enablingefficientdecision making.Simulationresultsdemonstratethattheproposedintelligentoptimizationschemeoutperformsvariousbenchmarkschemes,particularlyinscenarioswithlowtransmissionpower.Furthermore,theintelligentoptimizationschemeproposedinthispaperexhibitsrobuststabilityinresponsetopowerchanges.Keywords:UAVnetwork;IRS;semanticcommunication;resourceallocation0 引言当前技术飞速发展的背景下,无人机(UnmannedAerialVehicle,UAV)已经成为无线通信系统中一种重要的技术[1]。

低光照图像增强算法综述

低光照图像增强算法综述

低光照图像增强算法综述一、本文概述随着计算机视觉技术的快速发展,图像增强技术成为了研究的重要领域之一。

其中,低光照图像增强算法是处理低质量、低亮度图像的关键技术,对于提高图像质量、增强图像细节、提升图像识别精度等方面具有重要的应用价值。

本文旨在对低光照图像增强算法进行全面的综述,介绍其研究背景、发展历程、主要算法及其优缺点,并探讨未来的发展趋势。

本文将对低光照图像增强的研究背景进行介绍,阐述低光照图像增强技术在视频监控、医学影像分析、军事侦察、航空航天等领域的应用需求。

本文将回顾低光照图像增强技术的发展历程,分析不同算法在不同历史阶段的发展特点和主要贡献。

接着,本文将重点介绍当前主流的低光照图像增强算法,包括基于直方图均衡化的算法、基于Retinex理论的算法、基于深度学习的算法等,并详细阐述其原理、实现方法、优缺点等。

本文将展望低光照图像增强技术的未来发展趋势,探讨新技术、新算法在提升图像质量、提高识别精度等方面的潜在应用。

通过本文的综述,读者可以全面了解低光照图像增强算法的研究现状和发展趋势,为相关领域的研究和实践提供有益的参考和借鉴。

二、低光照图像增强的基本原理低光照图像增强算法的核心目标是在保持图像细节和色彩信息的提高图像的亮度和对比度,从而改善图像的视觉效果。

这通常涉及到对图像像素值的调整,以及对图像局部或全局特性的分析和优化。

基本的低光照图像增强算法可以分为两类:直方图均衡化和伽马校正。

直方图均衡化是一种通过拉伸像素强度分布来增强图像对比度的方法。

这种方法假设图像的可用数据跨度大,即图像包含从暗到亮的所有像素值。

然而,对于低光照图像,由于大部分像素值集中在较低的亮度范围内,直方图均衡化可能会过度增强噪声,导致图像质量下降。

伽马校正则是一种更为柔和的增强方法,它通过调整图像的伽马曲线来改变图像的亮度。

伽马曲线描述了输入像素值与输出像素值之间的关系,通过调整这个关系,可以改变图像的亮度分布。

一种改进的高斯频率域压缩感知稀疏反演方法(英文)

一种改进的高斯频率域压缩感知稀疏反演方法(英文)

AbstractCompressive sensing and sparse inversion methods have gained a significant amount of attention in recent years due to their capability to accurately reconstruct signals from measurements with significantly less data than previously possible. In this paper, a modified Gaussian frequency domain compressive sensing and sparse inversion method is proposed, which leverages the proven strengths of the traditional method to enhance its accuracy and performance. Simulation results demonstrate that the proposed method can achieve a higher signal-to- noise ratio and a better reconstruction quality than its traditional counterpart, while also reducing the computational complexity of the inversion procedure.IntroductionCompressive sensing (CS) is an emerging field that has garnered significant interest in recent years because it leverages the sparsity of signals to reduce the number of measurements required to accurately reconstruct the signal. This has many advantages over traditional signal processing methods, including faster data acquisition times, reduced power consumption, and lower data storage requirements. CS has been successfully applied to a wide range of fields, including medical imaging, wireless communications, and surveillance.One of the most commonly used methods in compressive sensing is the Gaussian frequency domain compressive sensing and sparse inversion (GFD-CS) method. In this method, compressive measurements are acquired by multiplying the original signal with a randomly generated sensing matrix. The measurements are then transformed into the frequency domain using the Fourier transform, and the sparse signal is reconstructed using a sparsity promoting algorithm.In recent years, researchers have made numerous improvementsto the GFD-CS method, with the goal of improving its reconstruction accuracy, reducing its computational complexity, and enhancing its robustness to noise. In this paper, we propose a modified GFD-CS method that combines several techniques to achieve these objectives.Proposed MethodThe proposed method builds upon the well-established GFD-CS method, with several key modifications. The first modification is the use of a hierarchical sparsity-promoting algorithm, which promotes sparsity at both the signal level and the transform level. This is achieved by applying the hierarchical thresholding technique to the coefficients corresponding to the higher frequency components of the transformed signal.The second modification is the use of a novel error feedback mechanism, which reduces the impact of measurement noise on the reconstructed signal. Specifically, the proposed method utilizes an iterative algorithm that updates the measurement error based on the difference between the reconstructed signal and the measured signal. This feedback mechanism effectively increases the signal-to-noise ratio of the reconstructed signal, improving its accuracy and robustness to noise.The third modification is the use of a low-rank approximation method, which reduces the computational complexity of the inversion algorithm while maintaining reconstruction accuracy. This is achieved by decomposing the sensing matrix into a product of two lower dimensional matrices, which can be subsequently inverted using a more efficient algorithm.Simulation ResultsTo evaluate the effectiveness of the proposed method, we conducted simulations using synthetic data sets. Three different signal types were considered: a sinusoidal signal, a pulse signal, and an image signal. The results of the simulations were compared to those obtained using the traditional GFD-CS method.The simulation results demonstrate that the proposed method outperforms the traditional GFD-CS method in terms of signal-to-noise ratio and reconstruction quality. Specifically, the proposed method achieves a higher signal-to-noise ratio and lower mean squared error for all three types of signals considered. Furthermore, the proposed method achieves these results with a reduced computational complexity compared to the traditional method.ConclusionThe results of our simulations demonstrate the effectiveness of the proposed method in enhancing the accuracy and performance of the GFD-CS method. The combination of sparsity promotion, error feedback, and low-rank approximation techniques significantly improves the signal-to-noise ratio and reconstruction quality, while reducing thecomputational complexity of the inversion procedure. Our proposed method has potential applications in a wide range of fields, including medical imaging, wireless communications, and surveillance.。

杜克大学推出AI图像生成器 模糊图像五秒可变清晰

杜克大学推出AI图像生成器 模糊图像五秒可变清晰

杜克大学推出AI图像生成器模糊图像五秒可变清晰作者:来源:《中国计算机报》2020年第25期近日,美国杜克大学的研究团队研发了一个AI图像生成模型PULSE。

PULSE可以在5秒钟内将低分辨率的人像转换成清晰、逼真的人像。

据了解,PULSE所做的工作并不是把输入的低分辨率人像变成一张高分辨率的人像,而是“一对多”地输出许多张面部细节各不相同的高分辨率人像。

比如,用户输入一张16×16分辨率的图像,PULSE可输出一组1024×1024分辨率的图像。

上述研究已在计算机视觉与模式识别会议CVPR 2020上发表,论文标题为《PULSE:通过对生成模型的潜在空間探索实现自监督照片上采样》。

研究人员用高分辨人脸数据集CelebA HQ评估PULSE的性能。

为了进行对比,研究人员利用CelebA HQ数据集训练了监督模型BICBIC、FSRNET和FSRGAN。

所有模型均以16×16分辨率的图像作为输入,BICBIC、FSRNET和FSRGAN模型以128×128分辨率图像作为输出,PULSE模型以128×128分辨率图像和1024×1024分辨率图像作为输出。

评估结果显示,图像质量方面,PULSE模型在生成眼睛、嘴唇等图像细节方面的能力优于其他模型。

此外,研究人员还利用平均意见分数(MOS)测试来定量评估模型的分辨率。

研究人员邀请40位评估者对6个模型的输出结果进行打分。

结果显示,PULSE的MOS分数最高。

研究人员称,未来,PULSE或可被用于天文学、医学等领域。

比如,一位天文学研究人员输入一张模糊的黑洞图像,就可以获得许多张可能的天体照片。

纹理物体缺陷的视觉检测算法研究--优秀毕业论文

纹理物体缺陷的视觉检测算法研究--优秀毕业论文

摘 要
在竞争激烈的工业自动化生产过程中,机器视觉对产品质量的把关起着举足 轻重的作用,机器视觉在缺陷检测技术方面的应用也逐渐普遍起来。与常规的检 测技术相比,自动化的视觉检测系统更加经济、快捷、高效与 安全。纹理物体在 工业生产中广泛存在,像用于半导体装配和封装底板和发光二极管,现代 化电子 系统中的印制电路板,以及纺织行业中的布匹和织物等都可认为是含有纹理特征 的物体。本论文主要致力于纹理物体的缺陷检测技术研究,为纹理物体的自动化 检测提供高效而可靠的检测算法。 纹理是描述图像内容的重要特征,纹理分析也已经被成功的应用与纹理分割 和纹理分类当中。本研究提出了一种基于纹理分析技术和参考比较方式的缺陷检 测算法。这种算法能容忍物体变形引起的图像配准误差,对纹理的影响也具有鲁 棒性。本算法旨在为检测出的缺陷区域提供丰富而重要的物理意义,如缺陷区域 的大小、形状、亮度对比度及空间分布等。同时,在参考图像可行的情况下,本 算法可用于同质纹理物体和非同质纹理物体的检测,对非纹理物体 的检测也可取 得不错的效果。 在整个检测过程中,我们采用了可调控金字塔的纹理分析和重构技术。与传 统的小波纹理分析技术不同,我们在小波域中加入处理物体变形和纹理影响的容 忍度控制算法,来实现容忍物体变形和对纹理影响鲁棒的目的。最后可调控金字 塔的重构保证了缺陷区域物理意义恢复的准确性。实验阶段,我们检测了一系列 具有实际应用价值的图像。实验结果表明 本文提出的纹理物体缺陷检测算法具有 高效性和易于实现性。 关键字: 缺陷检测;纹理;物体变形;可调控金字塔;重构
Keywords: defect detection, texture, object distortion, steerable pyramid, reconstruction
II

数字图像修复的DI灢StyleGANv2模型

数字图像修复的DI灢StyleGANv2模型

第38卷第6期2023年12月安 徽 工 程 大 学 学 报J o u r n a l o fA n h u i P o l y t e c h n i cU n i v e r s i t y V o l .38N o .6D e c .2023文章编号:1672-2477(2023)06-0084-08收稿日期:2022-12-16基金项目:安徽省高校自然科学基金资助项目(K J 2020A 0367)作者简介:王 坤(1999-),男,安徽池州人,硕士研究生㊂通信作者:张 玥(1972-),女,安徽芜湖人,教授,博士㊂数字图像修复的D I -S t yl e G A N v 2模型王 坤,张 玥*(安徽工程大学数理与金融学院,安徽芜湖 241000)摘要:当数字图像存在大面积缺失或者缺失部分纹理结构时,传统图像增强技术无法从图像有限的信息中还原出更多所需的信息,增强性能有限㊂为此,本文提出了一种将解码信息与S t y l e G A N v 2相融合的深度学习图像修复方法 D I -S t y l e G A N v 2㊂首先由U -n e t 模块生成包含图像主信息的隐编码以及次信息的解码信号,随后利用S t y l e G A N v 2模块引入图像生成先验,在图像生成的过程中不但使用隐编码主信息,并且整合了包含图像次信息的解码信号,从而实现了修复结果的语义增强㊂在F F HQ 和C e l e b A 数据库上的实验结果验证了所提方法的有效性㊂关 键 词:图像修复;解码信号;生成对抗神经网络;U -n e t ;S t y l e G A N v 2中图分类号:O 29 文献标志码:A 数字图像是现代图像信号最常用的格式,但往往在采集㊁传输㊁储存等过程中,由于噪声干扰㊁有损压缩等因素的影响而发生退化㊂数字图像修复是利用已退化图像中存在的信息重建高质量图像的过程,可以应用于生物医学影像高清化㊁史物影像资料修复㊁军事科学等领域㊂研究数字图像修复模型具有重要的现实意义和商业价值㊂传统的数字图像修复技术多依据图像像素间的相关性和内容相似性进行推测修复㊂在纹理合成方向上,C r i m i n i s i 等[1]提出一种基于图像块复制粘贴的修补方法,该方法采用基于图像块的采样对缺失部分的纹理结构进行信息的填充㊂在结构相似性度研究上,T e l e a [2]提出基于插值的F MM 算法(F a s tM a r c -h i n g M e t h o d );B e r t a l m i o 等[3]提出基于N a v i e r -S t o k e s 方程和流体力学的图像视频修复模型(N a v i e r -S t o k e s ,F l u i dD y n a m i c s ,a n d I m a g e a n dV i d e o I n p a i n t i n g )㊂这些方法缺乏对图像内容和结构的理解,一旦现实中待修复图像的纹理信息受限,修复结果就容易产生上下文内容缺失语义;同时它们需要手动制作同高㊁宽的显示待修复区域的掩码图像来帮助生成结果㊂近年来,由于深度学习领域的快速发展,基于卷积神经网络的图像修复方法得到了广泛的应用㊂Y u等[4]利用空间变换网络从低质量人脸图像中恢复具有逼真纹理的高质量图像㊂除此之外,三维面部先验[5]和自适应空间特征融合增强[6]等修复算法也很优秀㊂这些方法在人工退化的图像集上表现得很好,但是在处理实际中的复杂退化图像时,修复效果依旧有待提升;而类似P i x 2P i x [7]和P i x 2P i x H D [8]这些修复方法又容易使得图像过于平滑而失去细节㊂生成对抗网络[9](G e n e r a t i v eA d v e r s a r i a lN e t w o r k s ,G A N )最早应用于图像生成中,U -n e t 则用于编码解码㊂本文提出的D I -S t y l e G A N v 2模型充分利用S t y l e G A N v 2[10]和U -n e t [11]的优势,通过S t y l e -G A N v 2引入高质量图像生成图像先验,U -n e t 生成修复图像的指导信息㊂在将包含深度特征的隐编码注入预训练的S t y l e G A N v 2中的同时,又融入蕴含图像局部细节的解码信号,得以从严重退化的图像中重建上下文语义丰富且真实的图像㊂1 理论基础1.1 U -n e t U -n e t 是一种A u t o -E n c o d e r ,该结构由一个捕获图像上下文语义的编码路径和能够实现图像重建的对称解码路径组成㊂其前半部分收缩路径为降采样,后半部分扩展路径为升采样,分别对应编码和解码,用于捕获和恢复空间信息㊂编码结构包括重复应用卷积㊁激活函数和用于下采样的最大池化操作㊂在整个下采样的过程中,伴随着特征图尺度的降低,特征通道的数量会增加,扩展路径的解码过程同理,同时扩展路径与收缩路径中相应特征图相连㊂1.2 生成对抗网络生成对抗网络框架由生成器G 和判别器D 这两个模块构成,生成器G 利用捕获的数据分布信息生成图像,判别器D 的输入是数据集的图像或者生成器G 生成的图像,判别器D 的输出刻画了输入图像来自真实数据的可能性㊂为了让生成器G 学习到数据x 的分布p g ,先定义了一个关于输入的噪声变量z ,z 到数据空间的映射表示为G (z ;θg ),其中G 是一个由参数为θg 的神经网络构造的可微函数㊂同时定义了第2个神经网络D (x ;θd ),其输出单个标量D (x )来表示x 来自于数据而不是P g 的概率㊂本训练判别器最大限度地区分真实样本和生成样本,同时训练生成器去最小化l o g(1-D (G (z ))),相互博弈的过程由以下公式定义:m i n G m a x D V (D ,G )=E x ~P d a t a (x )[l o g (D (x ))]+E z ~P z (z )[l o g (1-D (G (z )))],(1)通过生成器㊁判别器的相互对抗与博弈,整个网络最终到达纳什平衡状态㊂这时生成器G 被认为已经学习到了真实数据的内在分布,由生成器合成的生成图像已经能够呈现出与真实数据基本相同的特征,在视觉上难以分辨㊂1.3 S t y l e G A N v 2选用高分辨率图像生成方法S t y l e G A N v 2[10]作为嵌入D I -S t y l e G A N v 2的先验网络,S t yl e G A N v 2[10]主要分为两部分,一部分是映射网络(M a p p i n g N e t w o r k ),如图1a 所示,其中映射网络f 通过8个全连接层对接收的隐编码Z 进行空间映射处理,转换为中间隐编码W ㊂特征空间中不同的子空间信息对应着数据的不同类别信息或整体风格,因为其相互关联存在较高的耦合性,且存在特征纠缠的现象,所以利用映射网络f 使得隐空间得到有效的解耦,最后生成不必遵循训练数据分布的中间隐编码㊂另一部分被称为合成网络,如图1b 所示㊂合成网络由卷积和上采样层构成,其根据映射网络产生的隐编码来生成所需图像㊂合成网络用全连接层将中间隐编码W 转换成风格参数A 来影响不同尺度生成图像的骨干特征,用噪声来影响细节部分使生成的图片纹理更自然㊂S t y l e G A N v 2[10]相较于旧版本重新设计生成器的架构,使用了权重解调(W e i g h tD e m o d u t i o n )更直接地从卷积的输出特征图的统计数据中消除特征图尺度的影响,修复了产生特征伪影的缺点并进一步提高了结果质量㊂图1 S t yl e G A N v 2基本结构根据传入的风格参数,权重调制通过调整卷积权重的尺度替代性地实现对输入特征图的调整㊂w 'i j k =s i ㊃w i jk ,(2)式中,w 和w '分别为原始权重和调制后的权重;s i 为对应第i 层输入特征图对应的尺度㊂接着S t y l e -㊃58㊃第6期王 坤,等:数字图像修复的D I -S t y l e G A N v 2模型G A N v 2通过缩放权重而非特征图,从而在卷积的输出特征图的统计数据中消除s i 的影响,经过调制和卷积后,权值的标准偏差为:σj =∑i ,k w 'i j k 2,(3)权重解调即权重按相应权重的L 2范式进行缩放,S t y l e G A N v 2使用1/σj 对卷积权重进行操作,其中η是一个很小的常数以避免分母数值为0:w ″i j k =w 'i j k /∑i ,k w 'i j k 2+η㊂(4)解调操作融合了S t y l e G A N 一代中的调制㊁卷积㊁归一化,并且相比一代的操作更加温和,因为其是调制权重信号,而并非特征图中的实际内容㊂2 D I -S t yl e G A N v 2模型D I -S t y l e G A N v 2模型结构如图2所示:其主要部分由一个解码提取模块U -n e t 以及预先训练过的S t y l e G A N v 2组成,其中S t y l e G A N v 2包括了合成网络部分(S y n t h e s i sN e t w o r k )和判别器部分㊂待修复的输入图像在被输入到整个D I -S t yl e G A N v 2网络之前,需要被双线性插值器调整大小到固定的分辨率1024×1024㊂接着输入图像通过图2中左侧的U -n e t 生成隐编码Z 和解码信号(D e c o d i n g I n f o r m a t i o n ,D I )㊂由图2所示,隐编码Z 经过多个全连接层构成的M a p p i n g Ne t w o r k s 解耦后转化为中间隐编码W ㊂中间隐编码W 通过仿射变换产生的风格参数作为风格主信息,已经在F F H Q 数据集上训练过的S t yl e G A N v 2模块中的合成网络在风格主信息的指导下恢复图像㊂合成网络中的S t y l e G A N B l o c k 结构在图2下方显示,其中包含的M o d 和D e m o d 操作由式(2)和式(4)给出㊂同时U -n e t 解码层每一层的解码信息作为风格次信息以张量拼接的方式加入S t y l e G A NB l o c k 中的特征图,更好地让D I -S t y le G A N v 2模型生成细节㊂最后将合成网络生成的图片汇入到判别器中,由判别器判断是真实图像还是生成图像㊂图2 数字图像修复网络结构图模型鉴别器综合了3个损失函数作为总损失函数:对抗损失L A ㊁内容损失L C 和特征匹配损失L F ㊂其中,L A 为原始G A N 网络中的对抗损失,被定义为式(5),X 和^X 表示真实的高清图像和低质量的待修复图像,G 为训练期间的生成器,D 为判别器㊂L A =m i n G m a x D E (X )L o g (1+e x p (-D (G (X ^)))),(5)L C 定义为最终生成的修复图片与相应的真实图像之间的L 1范数距离;L F 为判别器中的特征层,其定义为式(6);T 为特征提取的中间层总数;D i (X )为判别器D 的第i 层提取的特征:㊃68㊃安 徽 工 程 大 学 学 报第38卷L F =m i n G E (X )(∑T i =0||D i (X )-D i (G (X ^))||2),(6)最终的总损失函数为:L =L A +αL C +βL F ,(7)式(7)中内容损失L C 判断修复结果和真实高清图像之间的精细特征与颜色信息上差异的大小;通过判别器中间特征层得到的特征匹配损失L F 可以平衡对抗损失L A ,更好地恢复㊁还原高清的数字图像㊂α和β作为平衡参数,在本文的实验中根据经验设置为α=1和β=0.02㊂3实验结果分析图3 F F HQ 数据集示例图3.1 数据集选择及数据预处理从图像数据集的多样性和分辨率考虑,本文选择在F F H Q (F l i c k rF a c e s H i g h Q u a l i t y )数据集上训练数字图像修复模型㊂该数据集包含7万张分辨率为1024×1024的P N G 格式高清图像㊂F F H Q 囊括了非常多的差异化的图像,包括不同种族㊁性别㊁表情㊁脸型㊁背景的图像㊂这些丰富属性经过训练可以为模型提供大量的先验信息,图3展示了从F F H Q 中选取的31张照片㊂训练过程中的模拟退化过程,即模型生成数据集对应的低质量图像这部分,本文主要通过以下方法实现:通过C V 库对图像随机地进行水平翻转㊁颜色抖动(包括对图像的曝光度㊁饱和度㊁色调进行随机变化)以及转灰度图等操作,并对图像采用混合高斯模糊,包括各向同性高斯核和各向异性高斯核㊂在模糊核设计方面,本文采用41×41大小的核㊂对于各向异性高斯核,旋转角度在[-π,π]之间均匀采样,同时进行下采样和混入高斯噪声㊁失真压缩等处理㊂整体模拟退化处理效果如图4所示㊂图4 模拟退化处理在模型回测中,使用C e l e b A 数据集来生成低质量的图像进行修复并对比原图,同时定量比较本模型与近年来提出的其他方法对于数字图像的修复效果㊂3.2 评估指标为了公平地量化不同算法视觉质量上的优劣,选取图像质量评估方法中最广泛使用的峰值信噪比(P e a kS i g n a l -t o -n o i s eR a t i o ,P S N R )以及结构相似性指数(S t r u c t u r a l S i m i l a r i t y I n d e x ,S S I M )指标,去量化修复后图像和真实图像之间的相似性㊂P S N R 为信号的最大可能功率和影响其精度的破坏性噪声功率的比值,数值越大表示失真越小㊂P S N R 基于逐像素的均方误差来定义㊂设I 为高质量的参考图像;I '为复原后的图像,其尺寸均为m ×n ,那么两者的均方误差为:M S E =1m n ∑m i =1∑n j =1(I [i ,j ]-I '[i ,j ])2,(8)P S N R 被定义为公式(9),P e a k 表示图像像素强度最大的取值㊂㊃78㊃第6期王 坤,等:数字图像修复的D I -S t yl e G A N v 2模型P S N R =10×l o g 10(P e a k 2M S E )=20×l o g 10(P e a k M S E ),(9)S S I M 是另一个被广泛使用的图像相似度评价指标㊂与P S N R 评价逐像素的图像之间的差异,S S I M 仿照人类视觉系统实现了其判别标准㊂在图像质量的衡量上更侧重于图像的结构信息,更贴近人类对于图像质量的判断㊂S S I M 用均值估计亮度相似程度,方差估计对比度相似程度,协方差估计结构相似程度㊂其范围为0~1,越大代表图像越相似;当两张图片完全一样时,S S I M 值为1㊂给定两个图像信号x 和y ,S S I M 被定义为:S S I M (x ,y )=[l (x ,y )α][c (x ,y )]β[s (x ,y )]γ,(10)式(10)中的亮度对比l (x ,y )㊁对比度对比c (x ,y )㊁结构对比s (x ,y )三部分定义为:l (x ,y )=2μx μy +C 1μ2x +μ2y +C 1,c (x ,y )=2σx σy +C 2σ2x +σ2y +C 2,l (x ,y )=σx y +C 3σx σy +C 3,(11)其中,α>0㊁β>0㊁γ>0用于调整亮度㊁对比度和结构之间的相对重要性;μx 及μy ㊁σx 及σy 分别表示x 和y 的平均值和标准差;σx y 为x 和y 的协方差;C 1㊁C 2㊁C 3是常数,用于维持结果的稳定㊂实际使用时,为简化起见,定义参数为α=β=γ=1以及C 3=C 2/2,得到:S S I M (x ,y )=(2μx μy +C 1)(2σx y +C 2)(μ2x +μ2y +C 1)(σ2x +σ2y +C 2)㊂(12)在实际计算两幅图像的结构相似度指数时,我们会指定一些局部化的窗口,计算窗口内信号的结构相似度指数㊂然后每次以像素为单位移动窗口,直到计算出整幅的图像每个位置的局部S S I M 再取均值㊂3.3 实验结果(1)D I -S t y l e G A N v 2修复结果㊂图5展示了D I -S t yl e G A N v 2模型在退化图像上的修复结果,其中图5b ㊁5d 分别为图5a ㊁5c 的修复结果㊂通过对比可以看到,D I -S t y l e G A N v 2修复过的图像真实且还原,图5b ㊁5d 中图像的头发㊁眉毛㊁眼睛㊁牙齿的细节清晰可见,甚至图像背景也被部分地修复,被修复后的图像通过人眼感知,整体质量优异㊂图5 修复结果展示(2)与其他方法的比较㊂本文用C e l e b A -H Q 数据集合成了一组低质量图像,在这些模拟退化图像上将本文的数字图像修复模型与G P E N [12]㊁P S F R G A N [13]㊁H i F a c e G A N [14]这些最新的深度学习修复算法的修复效果进行比较评估,这些最近的修复算法在实验过程中使用了原作者训练过的模型结构和预训练参数㊂各个模型P S N R 和L P I P S 的测试结果如表1所示,P S N R 和S S I M 的值越大,表明修复图像和真实高清图像之间的相似度越高,修复效果越好㊂由表1可以看出,我们的数字图像修复模型获得了与其他顶尖修复算法相当的P S N R 指数,L P I P S 指数相对于H i F a c e G A N 提升了12.47%,同时本实验环境下修复512×512像素单张图像耗时平均为1.12s ㊂表1 本文算法与相关算法的修复效果比较M e t h o d P S N R S S I M G P E N 20.40.6291P S F R G A N 21.60.6557H i F a c e G A N 21.30.5495o u r 20.70.6180值得注意的是P S N R 和S S I M 大小都只能作为参考,不能绝对反映数字图像修复算法的优劣㊂图6展示了D I -S t y l e G A N v 2㊁G P E N ㊁P S F R G A N ㊁H i F a c e G A N 的修复结果㊂由图6可以看出,无论是全局一致性还是局部细节,D I -S t y l e G A N v 2都做到了很好得还原,相比于其他算法毫不逊色㊂在除人脸以外的其他自然场景的修复上,D I -S t yl e G A N v 2算法依旧表现良好㊂图7中左侧为修复前㊃88㊃安 徽 工 程 大 学 学 报第38卷图像,右侧为修复后图像㊂从图7中红框处标记出来的细节可以看出,右侧修复后图像的噪声相比左图明显减少,观感更佳,这在图7下方放大后的细节比对中表现得尤为明显㊂从图像中招牌的字体区域可见对比度和锐化程度的提升使得图像内部图形边缘更加明显,整体更加清晰㊂路面的洁净度上噪声也去除很多,更为洁净㊂整体上修复后图像的色彩比原始的退化图像要更丰富,层次感更强,视觉感受更佳㊂图6 修复效果对比图图7 自然场景图像修复结果展示(左:待修复图像;右:修复后图像)4 结论基于深度学习的图像修复技术近年来在超分辨图像㊁医学影像等领域得到广泛的关注和应用㊂本文针对传统修复技术处理大面积缺失或者缺失部分纹理结构的图像时容易产生修复结果缺失图像语义的问题,在国内外图像修复技术理论与方法的基础上,由卷积神经网络U -n e t 结合近几年效果极佳的生成对抗网络S t yl e G A N v 2,提出了以图像解码信息㊁隐编码㊁图像生成先验这三类信息指导深度神经网络对图像进行修复㊂通过在F F H Q 数据集上进行随机图像退化模拟来训练D I -S t y l e G A N v 2网络模型,并由P S N R 和S S I M 两个指标来度量修复样本和高清样本之间的相似性㊂㊃98㊃第6期王 坤,等:数字图像修复的D I -S t y l e G A N v 2模型㊃09㊃安 徽 工 程 大 学 学 报第38卷实验表明,D I-S t y l e G A N v2网络模型能够恢复清晰的面部细节,修复结果具有良好的全局一致性和局部精细纹理㊂其对比现有技术具有一定优势,同时仅需提供待修复图像而无需缺失部分掩码就能得到令人满意的修复结果㊂这主要得益于D I-S t y l e G A N v2模型能够通过大样本数据的训练学习到了丰富的图像生成先验,并由待修复图像生成的隐编码和解码信号指导神经网络学习到更多的图像结构和纹理信息㊂参考文献:[1] A N T O N I O C,P A T R I C KP,K E N T A R O T.R e g i o n f i l l i n g a n do b j e c t r e m o v a l b y e x e m p l a r-b a s e d i m a g e i n p a i n t i n g[J].I E E ET r a n s a c t i o n s o n I m a g eP r o c e s s i n g:A P u b l i c a t i o no f t h eI E E E S i g n a lP r o c e s s i n g S o c i e t y,2004,13(9):1200-1212.[2] T E L E A A.A n i m a g e i n p a i n t i n g t e c h n i q u eb a s e do nt h e f a s tm a r c h i n g m e t h o d[J].J o u r n a l o fG r a p h i c sT o o l s,2004,9(1):23-34.[3] B E R T A L M I O M,B E R T O Z Z IA L,S A P I R O G.N a v i e r-s t o k e s,f l u i dd y n a m i c s,a n d i m a g ea n dv i d e o i n p a i n t i n g[C]//I E E EC o m p u t e r S o c i e t y C o n f e r e n c e o nC o m p u t e rV i s i o n&P a t t e r nR e c o g n i t i o n.K a u a i:I E E EC o m p u t e r S o c i e t y,2001:990497.[4] Y U X,P O R I K L I F.H a l l u c i n a t i n g v e r y l o w-r e s o l u t i o nu n a l i g n e d a n dn o i s y f a c e i m a g e s b y t r a n s f o r m a t i v e d i s c r i m i n a t i v ea u t o e n c o d e r s[C]//I nC V P R.H o n o l u l u:I E E EC o m p u t e r S o c i e t y,2017:3760-3768.[5] HU XB,R E N W Q,L AMA S T E RJ,e t a l.F a c e s u p e r-r e s o l u t i o n g u i d e db y3d f a c i a l p r i o r s.[C]//C o m p u t e rV i s i o n–E C C V2020:16t hE u r o p e a nC o n f e r e n c e.G l a s g o w:S p r i n g e r I n t e r n a t i o n a l P u b l i s h i n g,2020:763-780.[6] L IX M,L IW Y,R E ND W,e t a l.E n h a n c e d b l i n d f a c e r e s t o r a t i o nw i t hm u l t i-e x e m p l a r i m a g e s a n d a d a p t i v e s p a t i a l f e a-t u r e f u s i o n[C]//P r o c e e d i n g so f t h eI E E E/C V F C o n f e r e n c eo nC o m p u t e rV i s i o na n dP a t t e r n R e c o g n i t i o n.V i r t u a l:I E E EC o m p u t e r S o c i e t y,2020:2706-2715.[7] I S O L A P,Z HUJY,Z HO U T H,e t a l.I m a g e-t o-i m a g e t r a n s l a t i o nw i t hc o n d i t i o n a l a d v e r s a r i a l n e t w o r k s[C]//P r o-c e ed i n g s o f t h eI E E E C o n fe r e n c eo nC o m p u t e rV i s i o na n dP a t t e r n R e c o g n i t i o n.H o n o l u l u:I E E E C o m p u t e rS o c i e t y,2017:1125-1134.[8] WA N G TC,L I U M Y,Z HUJY,e t a l.H i g h-r e s o l u t i o n i m a g es y n t h e s i sa n ds e m a n t i cm a n i p u l a t i o nw i t hc o n d i t i o n a lg a n s[C]//P r o c e e d i n g so f t h eI E E E C o n f e r e n c eo nC o m p u t e rV i s i o na n dP a t t e r n R e c o g n i t i o n.S a l tL a k eC i t y:I E E EC o m p u t e r S o c i e t y,2018:8798-8807.[9] G O O D F E L L OWI A N,P O U G E T-A B A D I EJ,M I R Z A M,e t a l.G e n e r a t i v ea d v e r s a r i a ln e t s[C]//A d v a n c e s i n N e u r a lI n f o r m a t i o nP r o c e s s i n g S y s t e m s.M o n t r e a l:M o r g a nK a u f m a n n,2014:2672-2680.[10]K A R R A ST,L A I N ES,A I T T A L A M,e t a l.A n a l y z i n g a n d i m p r o v i n g t h e i m a g e q u a l i t y o f s t y l e g a n[C]//P r o c e e d i n g so f t h e I E E E/C V FC o n f e r e n c e o nC o m p u t e rV i s i o n a n dP a t t e r nR e c o g n i t i o n.S n o w m a s sV i l l a g e:I E E EC o m p u t e r S o c i e-t y,2020:8110-8119.[11]O L A FR O N N E B E R G E R,P H I L I P PF I S C H E R,T HOMA SB R O X.U-n e t:c o n v o l u t i o n a l n e t w o r k s f o r b i o m e d i c a l i m a g es e g m e n t a t i o n[C]//M e d i c a l I m a g eC o m p u t i n g a n dC o m p u t e r-A s s i s t e dI n t e r v e n t i o n-M I C C A I2015:18t hI n t e r n a t i o n a lC o n f e r e n c e.M u n i c h:S p r i n g e r I n t e r n a t i o n a l P u b l i s h i n g,2015:234-241.[12]Y A N G T,R E NP,X I EX,e t a l.G a n p r i o r e m b e d d e dn e t w o r k f o r b l i n d f a c e r e s t o r a t i o n i n t h ew i l d[C]//P r o c e e d i n g s o ft h eI E E E/C V F C o n f e r e n c eo n C o m p u t e r V i s i o na n d P a t t e r n R e c o g n i t i o n.V i r t u a l:I E E E C o m p u t e rS o c i e t y,2021: 672-681.[13]C H E NCF,L IX M,Y A N GLB,e t a l.P r o g r e s s i v e s e m a n t i c-a w a r e s t y l e t r a n s f o r m a t i o n f o r b l i n d f a c e r e s t o r a t i o n[C]//P r o c e e d i n g s o f t h e I E E E/C V FC o n f e r e n c e o nC o m p u t e rV i s i o n a n dP a t t e r nR e c o g n i t i o n.V i r t u a l:I E E EC o m p u t e r S o c i-e t y,2021:11896-11905.[14]Y A N GLB,L I U C,WA N GP,e t a l.H i f a c e g a n:f a c e r e n o v a t i o nv i a c o l l a b o r a t i v e s u p p r e s s i o na n dr e p l e n i s h m e n t[C]//P r o c e e d i n g s o f t h e28t hA C MI n t e r n a t i o n a l C o n f e r e n c e o n M u l t i m e d i a.S e a t t l e:A s s o c i a t i o n f o rC o m p u t i n g M a c h i n e r y, 2020:1551-1560.D I -S t y l e G A N v 2M o d e l f o rD i g i t a l I m a geR e s t o r a t i o n WA N G K u n ,Z H A N G Y u e*(S c h o o l o fM a t h e m a t i c s a n dF i n a n c e ,A n h u i P o l y t e c h n i cU n i v e r s i t y ,W u h u241000,C h i n a )A b s t r a c t :W h e n t h e r e a r e l a r g e a r e a s o fm i s s i n g o r c o m p l e x t e x t u r e s t r u c t u r e s i n d i g i t a l i m a g e s ,t r a d i t i o n -a l i m a g e e n h a n c e m e n t t e c h n i q u e s c a n n o t r e s t o r em o r e r e q u i r e d i n f o r m a t i o n f r o mt h e l i m i t e d i n f o r m a t i o n i n t h e i m a g e ,r e s u l t i n g i n l i m i t e d e n h a n c e m e n t p e r f o r m a n c e .T h e r e f o r e ,t h i s p a p e r p r o p o s e s a d e e p l e a r n -i n g i n p a i n t i n g m e t h o d ,D I -S t y l e G A N v 2,w h i c hc o m b i n e sd e c o d i n g i n f o r m a t i o n (D I )w i t hS t y l e G A N v 2.F i r s t l y ,t h eU -n e tm o d u l e g e n e r a t e s ah i d d e n e n c o d i n g s i g n a l c o n t a i n i n g t h em a i n i n f o r m a t i o no f t h e i m -a g e a n d a d e c o d i n g s i g n a l c o n t a i n i n g t h e s e c o n d a r y i n f o r m a t i o n .T h e n ,t h e S t y l e G A N v 2m o d u l e i s u s e d t o i n t r o d u c e a n i m a g e g e n e r a t i o n p r i o r .D u r i n g t h e i m a g e g e n e r a t i o n p r o c e s s ,n o t o n l y t h eh i d d e ne n c o d i n gm a i n i n f o r m a t i o n i s u s e d ,b u t a l s o t h e d e c o d i n g s i g n a l c o n t a i n i n g t h e s e c o n d a r y i n f o r m a t i o no f t h e i m a g e i s i n t e g r a t e d ,t h e r e b y a c h i e v i n g s e m a n t i c e n h a n c e m e n t o f t h e r e p a i r r e s u l t s .T h e e x pe r i m e n t a l r e s u l t s o n F F H Qa n dC e l e b Ad a t a b a s e s v a l i d a t e t h e ef f e c t i v e n e s s o f t h e p r o p o s e da p p r o c h .K e y w o r d s :i m ag e r e s t o r a t i o n ;d e c o d e s i g n a l ;g e n e r a t i v e a d v e r s a r i a l n e t w o r k ;U -n e t ;S t y l e G A N v 2(上接第83页)P r o g r e s s i v e I n t e r p o l a t i o nL o o p S u b d i v i s i o n M e t h o d w i t hD u a lA d ju s t a b l eF a c t o r s S H IM i n g z h u ,L I U H u a y o n g*(S c h o o l o fM a t h e m a t i c s a n dP h y s i c s ,A n h u i J i a n z h uU n i v e r s i t y ,H e f e i 230601,C h i n a )A b s t r a c t :A i m i n g a t t h e p r o b l e mt h a t t h e l i m i ts u r f a c e p r o d u c e db y t h ea p p r o x i m a t eL o o p s u b d i v i s i o n m e t h o d t e n d s t o s a g a n d s h r i n k ,a p r o g r e s s i v e i n t e r p o l a t i o nL o o p s u b d i v i s i o nm e t h o dw i t hd u a l a d j u s t a -b l e f a c t o r s i s p r o p o s e d .T h i sm e t h o d i n t r o d u c e s d i f f e r e n t a d j u s t a b l e f a c t o r s i n t h e t w o -p h a s eL o o p s u b d i -v i s i o nm e t h o d a n d t h e p r o g r e s s i v e i t e r a t i o n p r o c e s s ,s o t h a t t h e g e n e r a t e d l i m i t s u r f a c e i s i n t e r p o l a t e d t o a l l t h e v e r t i c e s o f t h e i n i t i a l c o n t r o lm e s h .M e a n w h i l e ,i t h a s a s t r i n g e n c y ,l o c a l i t y a n d g l o b a l i t y .I t c a nn o t o n l y f l e x i b l y c o n t r o l t h e s h a p e o f l i m i t s u r f a c e ,b u t a l s o e x p a n d t h e c o n t r o l l a b l e r a n g e o f s h a p e t o a c e r -t a i ne x t e n t .F r o mt h e n u m e r i c a l e x p e r i m e n t s ,i t c a nb e s e e n t h a t t h em e t h o d c a n r e t a i n t h e c h a r a c t e r i s t i c s o f t h e i n i t i a l t r i a n g u l a rm e s hb e t t e rb y c h a n g i n g t h ev a l u eo f d u a l a d j u s t a b l e f a c t o r s ,a n d t h e g e n e r a t e d l i m i t s u r f a c eh a s a s m a l l d e g r e e o f s h r i n k a g e ,w h i c h p r o v e s t h em e t h o d t ob e f e a s i b l e a n d e f f e c t i v e .K e y w o r d s :L o o p s u b d i v i s i o n ;p r o g r e s s i v e i n t e r p o l a t i o n ;d u a l a d j u s t a b l e f a c t o r s ;a s t r i n g e n c y ㊃19㊃第6期王 坤,等:数字图像修复的D I -S t y l e G A N v 2模型。

分布式光伏在油田单井的应用

分布式光伏在油田单井的应用

集团公司实施绿色低碳发展战略,将新能源业务纳入主营业务发展,并制定了“清洁替代、战略接替、绿色转型”三步走总体部署,明确提出要实现“碳达峰”、实现“近零”排放,为此制定了关键时间节点发展目标。

在“十四五”期间,集团公司明确提出规模化发展分布式风电和光伏发电、集中式风光气电融合等业务。

分布式光伏电站特指采用光伏组件,将太阳能直接转换为电能的分布式光伏电站系统。

塔里木油田拥有广阔的以沙漠、戈壁、荒漠地貌为主的矿权区域,矿区范围内太阳能资源均在“B 级”以上,优质的光资源适合发展以光发电为主的新能源项目。

单井用电负荷低,空地大可以满足光伏建设,分布式光伏建设后能有效提升绿电占比,大大降低了碳排放,提高了生产效率,降低了供电成本。

1项目背景和意义1.1项目背景集团公司积极落实国家战略部署,将绿色新能源、炼化销售和新材料、支持和服务、资本和金融分布式光伏在油田单井的应用杨萌赵庆文向欢张平李丽娜曾海刚(中国石油天然气股份有限公司塔里木油田分公司)摘要:塔里木油田按照集团公司清洁替代、战略接替和绿色转型的发展战略要求,利用油井现有土地资源和矿区范围内太阳能资源均在“B 级”以上的自然禀赋,积极建设油井分布式光伏。

通过现场调研和实际情况核算,合理制定光伏发电系统配置原则及要求,保障电网稳定和安全。

油井低压搭接分布式光伏,自发自用,能最大限度保证光伏发电利用效率,减少传输损耗。

分布式光伏作为油田集中式光伏电站的有益补充,将有效提升油田新能源发电占比,减少碳排放量,同时取得较为理想的收益率。

关键词:分布式;光伏发电;减碳DOI :10.3969/j.issn.2095-1493.2023.05.005Application of distributed photovoltaic in the single well of oilfieldYANG Meng,ZHAO Qingwen,XIANG Huan,ZHANG Ping,LI Lina,ZENG Haigang Tarim Oilfield Company,CNPCAbstract:In accordance with the strategic requirements of the Group's clean substitution,strategic succession and green transformation,Tarim oilfield actively builds oil well distributed photovoltaics by utilizing the natural endowments of the existing land resources of oil wells and the solar energy resources within the mining area above the “B level”.Through on-site investigation and actual situation ac-counting,the principles and requirements of photovoltaic power generation system configuration are reasonably formulated to ensure the stability and safety of the power grid.The low-voltage of oil well is connected to distributed photovoltaic for self-generation and self-consumption,which can maximize the utilization efficiency of photovoltaic power generation and reduce transmission loss.The distributed photovoltaics,as a useful supplement to oilfield centralized photovoltaic power stations,will effectively increase the proportion of new energy power generation in oilfields,reduce carbon emissions,and achieve a more ideal rate of return.Keywords:distributed;photovoltaic power generation;carbon reduction 第一作者简介:杨萌,工程师,2013年毕业于中国石油大学(华东)(热能与动力工程专业),从事油田电网运维及新能源,151****7411,****************,新疆库尔勒石化大道中国石油塔里木油田油气生产技术部,841000。

应用改进自蛇模型和L-R算法恢复毫米波图像

应用改进自蛇模型和L-R算法恢复毫米波图像

摘 要 : 毫米波 的 图像 恢复 中, 在 L—R算 法是 一种简 单 而有效 的非 线性方 法 , 当噪 声不 可 忽 但
略时, — L R算法难 以获得较好 的复原结果。针对 毫米波 图像数据量少和 图像分辨率低 的特 点 , 出基 于 改进 自蛇模 型和 L—R算 法毫 米波 图像 恢 复方 法 , 提 以局部 方差构 造 自蛇 模 型 的边 缘 停止 函数 , 改进 自蛇模 型 在消 除噪 声 的同时更 能够保 留图像 中的边缘 和细 节特征 , 后使 其 然
M i i e e v m a e r s o a i n b s d o h m p o e l m t r wa e i g e t r to a e n t e i r v d l
s l-n ke m o e n R l o ih e f s a d la d L- a g rt m
wi t muc o s s h h n ie .
Ke r si rvdslsaemoe; — lo tm; ii e r aei aers rt n eg t pn nt n ywod : oe e -nk d lLR a rh mlm t v g et a o ;d es p igf c o mp f gi l ew m o i o u i
3 自蛇模 型 图像滤 波和 L—R算 法 3 1 改进 自蛇模 型 图像 滤 波 .
基 于 自蛇 模型 图像 滤波方 程如 下 … :
u a

d ( ( Vu ) / l i g f 『Vu I I J v Vu ) Vu
() 2
其中, 为图像 的灰度值 ;i d v为散度 。将 式 ( ) 2 展
用 L— 算法进 行 图像 恢 复 , R 这种 改进 算 法通 过使 用 基 于 改进 自蛇 模 型 去 噪 能有 效地 减 少 噪 声 对 L—R算法 的影 响。 实验结 果表 明 : 在信 噪 比和相 关度 方面本 文 算法提 高 了 L—R算 法 的 性能, 可用 于含 噪声 的 图像 复 原 。

特征更新的动态图卷积表面损伤点云分割方法

特征更新的动态图卷积表面损伤点云分割方法

第41卷 第4期吉林大学学报(信息科学版)Vol.41 No.42023年7月Journal of Jilin University (Information Science Edition)July 2023文章编号:1671⁃5896(2023)04⁃0621⁃10特征更新的动态图卷积表面损伤点云分割方法收稿日期:2022⁃09⁃21基金项目:国家自然科学基金资助项目(61573185)作者简介:张闻锐(1998 ),男,江苏扬州人,南京航空航天大学硕士研究生,主要从事点云分割研究,(Tel)86⁃188****8397(E⁃mail)839357306@;王从庆(1960 ),男,南京人,南京航空航天大学教授,博士生导师,主要从事模式识别与智能系统研究,(Tel)86⁃130****6390(E⁃mail)cqwang@㊂张闻锐,王从庆(南京航空航天大学自动化学院,南京210016)摘要:针对金属部件表面损伤点云数据对分割网络局部特征分析能力要求高,局部特征分析能力较弱的传统算法对某些数据集无法达到理想的分割效果问题,选择采用相对损伤体积等特征进行损伤分类,将金属表面损伤分为6类,提出一种包含空间尺度区域信息的三维图注意力特征提取方法㊂将得到的空间尺度区域特征用于特征更新网络模块的设计,基于特征更新模块构建出了一种特征更新的动态图卷积网络(Feature Adaptive Shifting⁃Dynamic Graph Convolutional Neural Networks)用于点云语义分割㊂实验结果表明,该方法有助于更有效地进行点云分割,并提取点云局部特征㊂在金属表面损伤分割上,该方法的精度优于PointNet ++㊁DGCNN(Dynamic Graph Convolutional Neural Networks)等方法,提高了分割结果的精度与有效性㊂关键词:点云分割;动态图卷积;特征更新;损伤分类中图分类号:TP391.41文献标志码:A Cloud Segmentation Method of Surface Damage Point Based on Feature Adaptive Shifting⁃DGCNNZHANG Wenrui,WANG Congqing(School of Automation,Nanjing University of Aeronautics and Astronautics,Nanjing 210016,China)Abstract :The cloud data of metal part surface damage point requires high local feature analysis ability of the segmentation network,and the traditional algorithm with weak local feature analysis ability can not achieve the ideal segmentation effect for the data set.The relative damage volume and other features are selected to classify the metal surface damage,and the damage is divided into six categories.This paper proposes a method to extract the attention feature of 3D map containing spatial scale area information.The obtained spatial scale area feature is used in the design of feature update network module.Based on the feature update module,a feature updated dynamic graph convolution network is constructed for point cloud semantic segmentation.The experimental results show that the proposed method is helpful for more effective point cloud segmentation to extract the local features of point cloud.In metal surface damage segmentation,the accuracy of this method is better than pointnet++,DGCNN(Dynamic Graph Convolutional Neural Networks)and other methods,which improves the accuracy and effectiveness of segmentation results.Key words :point cloud segmentation;dynamic graph convolution;feature adaptive shifting;damage classification 0 引 言基于深度学习的图像分割技术在人脸㊁车牌识别和卫星图像分析领域已经趋近成熟,为获取物体更226吉林大学学报(信息科学版)第41卷完整的三维信息,就需要利用三维点云数据进一步完善语义分割㊂三维点云数据具有稀疏性和无序性,其独特的几何特征分布和三维属性使点云语义分割在许多领域的应用都遇到困难㊂如在机器人与计算机视觉领域使用三维点云进行目标检测与跟踪以及重建;在建筑学上使用点云提取与识别建筑物和土地三维几何信息;在自动驾驶方面提供路面交通对象㊁道路㊁地图的采集㊁检测和分割功能㊂2017年,Lawin等[1]将点云投影到多个视图上分割再返回点云,在原始点云上对投影分割结果进行分析,实现对点云的分割㊂最早的体素深度学习网络产生于2015年,由Maturana等[2]创建的VOXNET (Voxel Partition Network)网络结构,建立在三维点云的体素表示(Volumetric Representation)上,从三维体素形状中学习点的分布㊂结合Le等[3]提出的点云网格化表示,出现了类似PointGrid的新型深度网络,集成了点与网格的混合高效化网络,但体素化的点云面对大量点数的点云文件时表现不佳㊂在不规则的点云向规则的投影和体素等过渡态转换过程中,会出现很多空间信息损失㊂为将点云自身的数据特征发挥完善,直接输入点云的基础网络模型被逐渐提出㊂2017年,Qi等[4]利用点云文件的特性,开发了直接针对原始点云进行特征学习的PointNet网络㊂随后Qi等[5]又提出了PointNet++,针对PointNet在表示点与点直接的关联性上做出改进㊂Hu等[6]提出SENET(Squeeze⁃and⁃Excitation Networks)通过校准通道响应,为三维点云深度学习引入通道注意力网络㊂2018年,Li等[7]提出了PointCNN,设计了一种X⁃Conv模块,在不显著增加参数数量的情况下耦合较远距离信息㊂图卷积网络[8](Graph Convolutional Network)是依靠图之间的节点进行信息传递,获得图之间的信息关联的深度神经网络㊂图可以视为顶点和边的集合,使每个点都成为顶点,消耗的运算量是无法估量的,需要采用K临近点计算方式[9]产生的边缘卷积层(EdgeConv)㊂利用中心点与其邻域点作为边特征,提取边特征㊂图卷积网络作为一种点云深度学习的新框架弥补了Pointnet等网络的部分缺陷[10]㊂针对非规律的表面损伤这种特征缺失类点云分割,人们已经利用各种二维图像采集数据与卷积神经网络对风扇叶片㊁建筑和交通工具等进行损伤检测[11],损伤主要类别是裂痕㊁表面漆脱落等㊂但二维图像分割涉及的损伤种类不够充分,可能受物体表面污染㊁光线等因素影响,将凹陷㊁凸起等损伤忽视,或因光照不均匀判断为脱漆㊂笔者提出一种基于特征更新的动态图卷积网络,主要针对三维点云分割,设计了一种新型的特征更新模块㊂利用三维点云独特的空间结构特征,对传统K邻域内权重相近的邻域点采用空间尺度进行区分,并应用于对金属部件表面损伤分割的有用与无用信息混杂的问题研究㊂对邻域点进行空间尺度划分,将注意力权重分组,组内进行特征更新㊂在有效鉴别外邻域干扰特征造成的误差前提下,增大特征提取面以提高局部区域特征有用性㊂1 深度卷积网络计算方法1.1 包含空间尺度区域信息的三维图注意力特征提取方法由迭代最远点采集算法将整片点云分割为n个点集:{M1,M2,M3, ,M n},每个点集包含k个点:{P1, P2,P3, ,P k},根据点集内的空间尺度关系,将局部区域划分为不同的空间区域㊂在每个区域内,结合局部特征与空间尺度特征,进一步获得更有区分度的特征信息㊂根据注意力机制,为K邻域内的点分配不同的权重信息,特征信息包括空间区域内点的分布和区域特性㊂将这些特征信息加权计算,得到点集的卷积结果㊂使用空间尺度区域信息的三维图注意力特征提取方式,需要设定合适的K邻域参数K和空间划分层数R㊂如果K太小,则会导致弱分割,因不能完全利用局部特征而影响结果准确性;如果K太大,会增加计算时间与数据量㊂图1为缺损损伤在不同参数K下的分割结果图㊂由图1可知,在K=30或50时,分割结果效果较好,K=30时计算量较小㊂笔者选择K=30作为实验参数㊂在分析确定空间划分层数R之前,简要分析空间层数划分所应对的问题㊂三维点云所具有的稀疏性㊁无序性以及损伤点云自身噪声和边角点多的特性,导致了点云处理中可能出现的共同缺点,即将离群值点云选为邻域内采样点㊂由于损伤表面多为一个面,被分割出的损伤点云应在该面上分布,而噪声点则被分布在整个面的两侧,甚至有部分位于损伤内部㊂由于点云噪声这种立体分布的特征,导致了离群值被选入邻域内作为采样点存在㊂根据采用DGCNN(Dynamic Graph Convolutional Neural Networks)分割网络抽样实验结果,位于切面附近以及损伤内部的离群值点对点云分割结果造成的影响最大,被错误分割为特征点的几率最大,在后续预处理过程中需要对这种噪声点进行优先处理㊂图1 缺损损伤在不同参数K 下的分割结果图Fig.1 Segmentation results of defect damage under different parameters K 基于上述实验结果,在参数K =30情况下,选择空间划分层数R ㊂缺损损伤在不同参数R 下的分割结果如图2所示㊂图2b 的结果与测试集标签分割结果更为相似,更能体现损伤的特征,同时屏蔽了大部分噪声㊂因此,选择R =4作为实验参数㊂图2 缺损损伤在不同参数R 下的分割结果图Fig.2 Segmentation results of defect damage under different parameters R 在一个K 邻域内,邻域点与中心点的空间关系和特征差异最能表现邻域点的权重㊂空间特征系数表示邻域点对中心点所在点集的重要性㊂同时,为更好区分图内邻域点的权重,需要将整个邻域细分㊂以空间尺度进行细分是较为合适的分类方式㊂中心点的K 邻域可视为一个局部空间,将其划分为r 个不同的尺度区域㊂再运算空间注意力机制,为这r 个不同区域的权重系数赋值㊂按照空间尺度多层次划分,不仅没有损失核心的邻域点特征,还能有效抑制无意义的㊁有干扰性的特征㊂从而提高了深度学习网络对点云的局部空间特征的学习能力,降低相邻邻域之间的互相影响㊂空间注意力机制如图3所示,计算步骤如下㊂第1步,计算特征系数e mk ㊂该值表示每个中心点m 的第k 个邻域点对其中心点的权重㊂分别用Δp mk 和Δf mk 表示三维空间关系和局部特征差异,M 表示MLP(Multi⁃Layer Perceptrons)操作,C 表示concat 函数,其中Δp mk =p mk -p m ,Δf mk =M (f mk )-M (f m )㊂将两者合并后输入多层感知机进行计算,得到计算特征系数326第4期张闻锐,等:特征更新的动态图卷积表面损伤点云分割方法图3 空间尺度区域信息注意力特征提取方法示意图Fig.3 Schematic diagram of attention feature extraction method for spatial scale regional information e mk =M [C (Δp mk ‖Δf mk )]㊂(1) 第2步,计算图权重系数a mk ㊂该值表示每个中心点m 的第k 个邻域点对其中心点的权重包含比㊂其中k ∈{1,2,3, ,K },K 表示每个邻域所包含点数㊂需要对特征系数e mk 进行归一化,使用归一化指数函数S (Softmax)得到权重多分类的结果,即计算图权重系数a mk =S (e mk )=exp(e mk )/∑K g =1exp(e mg )㊂(2) 第3步,用空间尺度区域特征s mr 表示中心点m 的第r 个空间尺度区域的特征㊂其中k r ∈{1,2,3, ,K r },K r 表示第r 个空间尺度区域所包含的邻域点数,并在其中加入特征偏置项b r ,避免权重化计算的特征在动态图中累计单面误差指向,空间尺度区域特征s mr =∑K r k r =1[a mk r M (f mk r )]+b r ㊂(3) 在r 个空间尺度区域上进行计算,就可得到点m 在整个局部区域的全部空间尺度区域特征s m ={s m 1,s m 2,s m 3, ,s mr },其中r ∈{1,2,3, ,R }㊂1.2 基于特征更新的动态图卷积网络动态图卷积网络是一种能直接处理原始三维点云数据输入的深度学习网络㊂其特点是将PointNet 网络中的复合特征转换模块(Feature Transform),改进为由K 邻近点计算(K ⁃Near Neighbor)和多层感知机构成的边缘卷积层[12]㊂边缘卷积层功能强大,其提取的特征不仅包含全局特征,还拥有由中心点与邻域点的空间位置关系构成的局部特征㊂在动态图卷积网络中,每个邻域都视为一个点集㊂增强对其中心点的特征学习能力,就会增强网络整体的效果[13]㊂对一个邻域点集,对中心点贡献最小的有效局部特征的边缘点,可以视为异常噪声点或低权重点,可能会给整体分割带来边缘溢出㊂点云相比二维图像是一种信息稀疏并且噪声含量更大的载体㊂处理一个局域内的噪声点,将其直接剔除或简单采纳会降低特征提取效果,笔者对其进行低权重划分,并进行区域内特征更新,增强抗噪性能,也避免点云信息丢失㊂在空间尺度区域中,在区域T 内有s 个点x 被归为低权重系数组,该点集的空间信息集为P ∈R N s ×3㊂点集的局部特征集为F ∈R N s ×D f [14],其中D f 表示特征的维度空间,N s 表示s 个域内点的集合㊂设p i 以及f i 为点x i 的空间信息和特征信息㊂在点集内,对点x i 进行小范围内的N 邻域搜索,搜索其邻域点㊂则点x i 的邻域点{x i ,1,x i ,2, ,x i ,N }∈N (x i ),其特征集合为{f i ,1,f i ,2, ,f i ,N }∈F ㊂在利用空间尺度进行区域划分后,对空间尺度区域特征s mt 较低的区域进行区域内特征更新,通过聚合函数对权重最低的邻域点在图中的局部特征进行改写㊂已知中心点m ,点x i 的特征f mx i 和空间尺度区域特征s mt ,目的是求出f ′mx i ,即中心点m 的低权重邻域点x i 在进行邻域特征更新后得到的新特征㊂对区域T 内的点x i ,∀x i ,j ∈H (x i ),x i 与其邻域H 内的邻域点的特征相似性域为R (x i ,x i ,j )=S [C (f i ,j )T C (f i ,j )/D o ],(4)其中C 表示由输入至输出维度的一维卷积,D o 表示输出维度值,T 表示转置㊂从而获得更新后的x i 的426吉林大学学报(信息科学版)第41卷特征㊂对R (x i ,x i ,j )进行聚合,并将特征f mx i 维度变换为输出维度f ′mx i =∑[R (x i ,x i ,j )S (s mt f mx i )]㊂(5) 图4为特征更新网络模块示意图,展示了上述特征更新的计算过程㊂图5为特征更新的动态图卷积网络示意图㊂图4 特征更新网络模块示意图Fig.4 Schematic diagram of feature update network module 图5 特征更新的动态图卷积网络示意图Fig.5 Flow chart of dynamic graph convolution network with feature update 动态图卷积网络(DGCNN)利用自创的边缘卷积层模块,逐层进行边卷积[15]㊂其前一层的输出都会动态地产生新的特征空间和局部区域,新一层从前一层学习特征(见图5)㊂在每层的边卷积模块中,笔者在边卷积和池化后加入了空间尺度区域注意力特征,捕捉特定空间区域T 内的邻域点,用于特征更新㊂特征更新会降低局域异常值点对局部特征的污染㊂网络相比传统图卷积神经网络能获得更多的特征信息,并且在面对拥有较多噪声值的点云数据时,具有更好的抗干扰性[16],在对性质不稳定㊁不平滑并含有需采集分割的突出中心的点云数据时,会有更好的抗干扰效果㊂相比于传统预处理方式,其稳定性更强,不会发生将突出部分误分割或漏分割的现象[17]㊂2 实验结果与分析点云分割的精度评估指标主要由两组数据构成[18],即平均交并比和总体准确率㊂平均交并比U (MIoU:Mean Intersection over Union)代表真实值和预测值合集的交并化率的平均值,其计算式为526第4期张闻锐,等:特征更新的动态图卷积表面损伤点云分割方法U =1T +1∑Ta =0p aa ∑Tb =0p ab +∑T b =0p ba -p aa ,(6)其中T 表示类别,a 表示真实值,b 表示预测值,p ab 表示将a 预测为b ㊂总体准确率A (OA:Overall Accuracy)表示所有正确预测点p c 占点云模型总体数量p all 的比,其计算式为A =P c /P all ,(7)其中U 与A 数值越大,表明点云分割网络越精准,且有U ≤A ㊂2.1 实验准备与数据预处理实验使用Kinect V2,采用Depth Basics⁃WPF 模块拍摄金属部件损伤表面获得深度图,将获得的深度图进行SDK(Software Development Kit)转化,得到pcd 格式的点云数据㊂Kinect V2采集的深度图像分辨率固定为512×424像素,为获得更清晰的数据图像,需尽可能近地采集数据㊂选择0.6~1.2m 作为采集距离范围,从0.6m 开始每次增加0.2m,获得多组采量数据㊂点云中分布着噪声,如果不对点云数据进行过滤会对后续处理产生不利影响㊂根据统计原理对点云中每个点的邻域进行分析,再建立一个特别设立的标准差㊂然后将实际点云的分布与假设的高斯分布进行对比,实际点云中误差超出了标准差的点即被认为是噪声点[19]㊂由于点云数据量庞大,为提高效率,选择采用如下改进方法㊂计算点云中每个点与其首个邻域点的空间距离L 1和与其第k 个邻域点的空间距离L k ㊂比较每个点之间L 1与L k 的差,将其中差值最大的1/K 视为可能噪声点[20]㊂计算可能噪声点到其K 个邻域点的平均值,平均值高出标准差的被视为噪声点,将离群噪声点剔除后完成对点云的滤波㊂2.2 金属表面损伤点云关键信息提取分割方法对点云损伤分割,在制作点云数据训练集时,如果只是单一地将所有损伤进行统一标记,不仅不方便进行结果分析和应用,而且也会降低特征分割的效果㊂为方便分析和控制分割效果,需要使用ArcGIS 将点云模型转化为不规则三角网TIN(Triangulated Irregular Network)㊂为精确地分类损伤,利用图6 不规则三角网模型示意图Fig.6 Schematic diagram of triangulated irregular networkTIN 的表面轮廓性质,获得训练数据损伤点云的损伤内(外)体积,损伤表面轮廓面积等㊂如图6所示㊂选择损伤体积指标分为相对损伤体积V (RDV:Relative Damege Volume)和邻域内相对损伤体积比N (NRDVR:Neighborhood Relative Damege Volume Ratio)㊂计算相对平均深度平面与点云深度网格化平面之间的部分,得出相对损伤体积㊂利用TIN 邻域网格可获取某损伤在邻域内的相对深度占比,有效解决制作测试集时,将因弧度或是形状造成的相对深度判断为损伤的问题㊂两种指标如下:V =∑P d k =1h k /P d -∑P k =1h k /()P S d ,(8)N =P n ∑P d k =1h k S d /P d ∑P n k =1h k S ()n -()1×100%,(9)其中P 表示所有点云数,P d 表示所有被标记为损伤的点云数,P n 表示所有被认定为损伤邻域内的点云数;h k 表示点k 的深度值;S d 表示损伤平面面积,S n 表示损伤邻域平面面积㊂在获取TIN 标准包络网视图后,可以更加清晰地描绘损伤情况,同时有助于量化损伤严重程度㊂笔者将损伤分为6种类型,并利用计算得出的TIN 指标进行损伤分类㊂同时,根据损伤部分体积与非损伤部分体积的关系,制定指标损伤体积(SDV:Standard Damege Volume)区分损伤类别㊂随机抽选5个测试组共50张图作为样本㊂统计非穿透损伤的RDV 绝对值,其中最大的30%标记为凹陷或凸起,其余626吉林大学学报(信息科学版)第41卷标记为表面损伤,并将样本分类的标准分界值设为SDV㊂在设立以上标准后,对凹陷㊁凸起㊁穿孔㊁表面损伤㊁破损和缺损6种金属表面损伤进行分类,金属表面损伤示意图如图7所示㊂首先,根据损伤是否产生洞穿,将损伤分为两大类㊂非贯通伤包括凹陷㊁凸起和表面损伤,贯通伤包括穿孔㊁破损和缺损㊂在非贯通伤中,凹陷和凸起分别采用相反数的SDV 作为标准,在这之间的被分类为表面损伤㊂贯通伤中,以损伤部分平面面积作为参照,较小的分类为穿孔,较大的分类为破损,而在边缘处因腐蚀㊁碰撞等原因缺角㊁内损的分类为缺损㊂分类参照如表1所示㊂图7 金属表面损伤示意图Fig.7 Schematic diagram of metal surface damage表1 损伤类别分类Tab.1 Damage classification 损伤类别凹陷凸起穿孔表面损伤破损缺损是否形成洞穿××√×√√RDV 绝对值是否达到SDV √√\×\\S d 是否达到标准\\×\√\2.3 实验结果分析为验证改进的图卷积深度神经网络在点云语义分割上的有效性,笔者采用TensorFlow 神经网络框架进行模型测试㊂为验证深度网络对损伤分割的识别准确率,采集了带有损伤特征的金属部件损伤表面点云,对点云进行预处理㊂对若干金属部件上的多个样本金属面的点云数据进行筛选,删除损伤占比低于5%或高于60%的数据后,划分并装包制作为点云数据集㊂采用CloudCompare 软件对样本金属上的损伤部分进行分类标记,共分为6种如上所述损伤㊂部件损伤的数据集制作参考点云深度学习领域广泛应用的公开数据集ModelNet40part㊂分割数据集包含了多种类型的金属部件损伤数据,这些损伤数据显示在510张总点云图像数据中㊂点云图像种类丰富,由各种包含损伤的金属表面构成,例如金属门,金属蒙皮,机械构件外表面等㊂用ArcGIS 内相关工具将总图进行随机点拆分,根据数据集ModelNet40part 的规格,每个独立的点云数据组含有1024个点,将所有总图拆分为510×128个单元点云㊂将样本分为400个训练集与110个测试集,采用交叉验证方法以保证测试的充分性[20],对多种方法进行评估测试,实验结果由单元点云按原点位置重新组合而成,并带有拆分后对单元点云进行的分割标记㊂分割结果比较如图8所示㊂726第4期张闻锐,等:特征更新的动态图卷积表面损伤点云分割方法图8 分割结果比较图Fig.8 Comparison of segmentation results在部件损伤分割的实验中,将不同网络与笔者网络(FAS⁃DGCNN:Feature Adaptive Shifting⁃Dynamic Graph Convolutional Neural Networks)进行对比㊂除了采用不同的分割网络外,其余实验均采用与改进的图卷积深度神经网络方法相同的实验设置㊂实验结果由单一损伤交并比(IoU:Intersection over Union),平均损伤交并比(MIoU),单一损伤准确率(Accuracy)和总体损伤准确率(OA)进行评价,结果如表2~表4所示㊂将6种不同损伤类别的Accuracy 与IoU 进行对比分析,可得出结论:相比于基准实验网络Pointet++,笔者在OA 和MioU 方面分别在贯通伤和非贯通伤上有10%和20%左右的提升,在整体分割指标上,OA 能达到90.8%㊂对拥有更多点数支撑,含有较多点云特征的非贯通伤,几种点云分割网络整体性能均能达到90%左右的效果㊂而不具有局部特征识别能力的PointNet 在贯通伤上的表现较差,不具备有效的分辨能力,导致分割效果相对于其他损伤较差㊂表2 损伤部件分割准确率性能对比 Tab.2 Performance comparison of segmentation accuracy of damaged parts %实验方法准确率凹陷⁃1凸起⁃2穿孔⁃3表面损伤⁃4破损⁃5缺损⁃6Ponitnet 82.785.073.880.971.670.1Pointnet++88.786.982.783.486.382.9DGCNN 90.488.891.788.788.687.1FAS⁃DGCNN 92.588.892.191.490.188.6826吉林大学学报(信息科学版)第41卷表3 损伤部件分割交并比性能对比 Tab.3 Performance comparison of segmentation intersection ratio of damaged parts %IoU 准确率凹陷⁃1凸起⁃2穿孔⁃3表面损伤⁃4破损⁃5缺损⁃6PonitNet80.582.770.876.667.366.9PointNet++86.384.580.481.184.280.9DGCNN 88.786.589.986.486.284.7FAS⁃DGCNN89.986.590.388.187.385.7表4 损伤分割的整体性能对比分析  出,动态卷积图特征以及有效的邻域特征更新与多尺度注意力给分割网络带来了更优秀的局部邻域分割能力,更加适应表面损伤分割的任务要求㊂3 结 语笔者利用三维点云独特的空间结构特征,将传统K 邻域内权重相近的邻域点采用空间尺度进行区分,并将空间尺度划分运用于邻域内权重分配上,提出了一种能将邻域内噪声点降权筛除的特征更新模块㊂采用此模块的动态图卷积网络在分割上表现出色㊂利用特征更新的动态图卷积网络(FAS⁃DGCNN)能有效实现金属表面损伤的分割㊂与其他网络相比,笔者方法在点云语义分割方面表现出更高的可靠性,可见在包含空间尺度区域信息的注意力和局域点云特征更新下,笔者提出的基于特征更新的动态图卷积网络能发挥更优秀的作用,而且相比缺乏局部特征提取能力的分割网络,其对于点云稀疏㊁特征不明显的非贯通伤有更优的效果㊂参考文献:[1]LAWIN F J,DANELLJAN M,TOSTEBERG P,et al.Deep Projective 3D Semantic Segmentation [C]∥InternationalConference on Computer Analysis of Images and Patterns.Ystad,Sweden:Springer,2017:95⁃107.[2]MATURANA D,SCHERER S.VoxNet:A 3D Convolutional Neural Network for Real⁃Time Object Recognition [C]∥Proceedings of IEEE /RSJ International Conference on Intelligent Robots and Systems.Hamburg,Germany:IEEE,2015:922⁃928.[3]LE T,DUAN Y.PointGrid:A Deep Network for 3D Shape Understanding [C]∥2018IEEE /CVF Conference on ComputerVision and Pattern Recognition (CVPR).Salt Lake City,USA:IEEE,2018:9204⁃9214.[4]QI C R,SU H,MO K,et al.PointNet:Deep Learning on Point Sets for 3D Classification and Segmentation [C]∥IEEEConference on Computer Vision and Pattern Recognition (CVPR).Hawaii,USA:IEEE,2017:652⁃660.[5]QI C R,SU H,MO K,et al,PointNet ++:Deep Hierarchical Feature Learning on Point Sets in a Metric Space [C]∥Advances in Neural Information Processing Systems.California,USA:SpringerLink,2017:5099⁃5108.[6]HU J,SHEN L,SUN G,Squeeze⁃and⁃Excitation Networks [C ]∥IEEE Conference on Computer Vision and PatternRecognition.Vancouver,Canada:IEEE,2018:7132⁃7141.[7]LI Y,BU R,SUN M,et al.PointCNN:Convolution on X⁃Transformed Points [C]∥Advances in Neural InformationProcessing Systems.Montreal,Canada:NeurIPS,2018:820⁃830.[8]ANH VIET PHAN,MINH LE NGUYEN,YEN LAM HOANG NGUYEN,et al.DGCNN:A Convolutional Neural Networkover Large⁃Scale Labeled Graphs [J].Neural Networks,2018,108(10):533⁃543.[9]任伟建,高梦宇,高铭泽,等.基于混合算法的点云配准方法研究[J].吉林大学学报(信息科学版),2019,37(4):408⁃416.926第4期张闻锐,等:特征更新的动态图卷积表面损伤点云分割方法036吉林大学学报(信息科学版)第41卷REN W J,GAO M Y,GAO M Z,et al.Research on Point Cloud Registration Method Based on Hybrid Algorithm[J]. Journal of Jilin University(Information Science Edition),2019,37(4):408⁃416.[10]ZHANG K,HAO M,WANG J,et al.Linked Dynamic Graph CNN:Learning on Point Cloud via Linking Hierarchical Features[EB/OL].[2022⁃03⁃15].https:∥/stamp/stamp.jsp?tp=&arnumber=9665104. [11]林少丹,冯晨,陈志德,等.一种高效的车体表面损伤检测分割算法[J].数据采集与处理,2021,36(2):260⁃269. LIN S D,FENG C,CHEN Z D,et al.An Efficient Segmentation Algorithm for Vehicle Body Surface Damage Detection[J]. Journal of Data Acquisition and Processing,2021,36(2):260⁃269.[12]ZHANG L P,ZHANG Y,CHEN Z Z,et al.Splitting and Merging Based Multi⁃Model Fitting for Point Cloud Segmentation [J].Journal of Geodesy and Geoinformation Science,2019,2(2):78⁃79.[13]XING Z Z,ZHAO S F,GUO W,et al.Processing Laser Point Cloud in Fully Mechanized Mining Face Based on DGCNN[J]. ISPRS International Journal of Geo⁃Information,2021,10(7):482⁃482.[14]杨军,党吉圣.基于上下文注意力CNN的三维点云语义分割[J].通信学报,2020,41(7):195⁃203. YANG J,DANG J S.Semantic Segmentation of3D Point Cloud Based on Contextual Attention CNN[J].Journal on Communications,2020,41(7):195⁃203.[15]陈玲,王浩云,肖海鸿,等.利用FL⁃DGCNN模型估测绿萝叶片外部表型参数[J].农业工程学报,2021,37(13): 172⁃179.CHEN L,WANG H Y,XIAO H H,et al.Estimation of External Phenotypic Parameters of Bunting Leaves Using FL⁃DGCNN Model[J].Transactions of the Chinese Society of Agricultural Engineering,2021,37(13):172⁃179.[16]柴玉晶,马杰,刘红.用于点云语义分割的深度图注意力卷积网络[J].激光与光电子学进展,2021,58(12):35⁃60. CHAI Y J,MA J,LIU H.Deep Graph Attention Convolution Network for Point Cloud Semantic Segmentation[J].Laser and Optoelectronics Progress,2021,58(12):35⁃60.[17]张学典,方慧.BTDGCNN:面向三维点云拓扑结构的BallTree动态图卷积神经网络[J].小型微型计算机系统,2021, 42(11):32⁃40.ZHANG X D,FANG H.BTDGCNN:BallTree Dynamic Graph Convolution Neural Network for3D Point Cloud Topology[J]. Journal of Chinese Computer Systems,2021,42(11):32⁃40.[18]张佳颖,赵晓丽,陈正.基于深度学习的点云语义分割综述[J].激光与光电子学,2020,57(4):28⁃46. ZHANG J Y,ZHAO X L,CHEN Z.A Survey of Point Cloud Semantic Segmentation Based on Deep Learning[J].Lasers and Photonics,2020,57(4):28⁃46.[19]SUN Y,ZHANG S H,WANG T Q,et al.An Improved Spatial Point Cloud Simplification Algorithm[J].Neural Computing and Applications,2021,34(15):12345⁃12359.[20]高福顺,张鼎林,梁学章.由点云数据生成三角网络曲面的区域增长算法[J].吉林大学学报(理学版),2008,46 (3):413⁃417.GAO F S,ZHANG D L,LIANG X Z.A Region Growing Algorithm for Triangular Network Surface Generation from Point Cloud Data[J].Journal of Jilin University(Science Edition),2008,46(3):413⁃417.(责任编辑:刘俏亮)。

基于深度学习的低光照图像增强研究综述

基于深度学习的低光照图像增强研究综述

基于深度学习的低光照图像增强研究综述摘要:随着深度学习技术的快速发展,其在低光照图像增强领域取得了显著的成果。

本文对基于深度学习的低光照图像增强方法进行了全面的综述。

首先介绍了低光照图像增强的研究背景和意义,然后详细讨论了深度学习在该领域的应用,包括常用的网络架构、损失函数、训练策略等方面。

接着分析了现有方法的优点和不足,并对未来的研究方向进行了展望。

关键词:深度学习;低光照图像增强;网络架构;损失函数一、引言在实际的图像采集过程中,由于光照不足、曝光时间有限等原因,经常会得到低光照的图像。

这些图像的质量较差,存在亮度低、对比度低、噪声大等问题,严重影响了后续的图像分析和处理。

因此,低光照图像增强技术具有重要的研究意义和应用价值。

传统的低光照图像增强方法主要包括直方图均衡化、基于 Retinex 理论的方法等。

这些方法虽然在一定程度上能够提高图像的亮度和对比度,但也存在一些局限性,如容易产生过增强、颜色失真、噪声放大等问题。

近年来,深度学习技术的出现为低光照图像增强提供了新的思路和方法。

深度学习模型具有强大的特征学习能力,能够自动地从大量的数据中学习到低光照图像和正常光照图像之间的映射关系,从而实现更有效的图像增强。

二、基于深度学习的低光照图像增强方法(一)网络架构1.卷积神经网络(CNN)N 是最早应用于低光照图像增强的深度学习模型之一。

它通过多个卷积层和池化层的组合,能够自动地提取图像的特征,并对图像进行增强。

例如,一些基于 CNN 的方法采用了简单的网络结构,如单层或多层卷积神经网络,直接对低光照图像进行处理,取得了一定的增强效果。

2.为了提高网络的性能,研究人员还提出了一些改进的CNN 架构,如残差网络(ResNet)、密集连接网络(DenseNet)等。

这些网络架构能够有效地解决深度神经网络中的梯度消失问题,提高网络的训练效果和泛化能力。

2.生成对抗网络(GAN)1.GAN 由生成器和判别器组成,生成器用于生成增强后的图像,判别器用于判断生成的图像是否真实。

基于遗传算法—模糊径向基神经网络的光伏发电功率预测模型

基于遗传算法—模糊径向基神经网络的光伏发电功率预测模型

基于遗传算法—模糊径向基神经网络的光伏发电功率猜测模型一、引言随着环境保卫的重要性逐渐被人们所熟识,可再生能源逐渐成为进步的重点领域之一。

光伏发电作为一种可再生能源的重要形式,具有不污染、可再生、可再利用等优点,因此备受关注。

光伏发电的效益和发电功率的猜测密切相关。

准确地猜测光伏发电功率,有助于合理配置光伏设备、优化发电系统、提高能源利用效率。

目前,对于光伏发电功率的猜测,常用的方法包括基于阅历模型的方法、基于机器进修的方法等。

然而,由于光伏发电功率受到天气条件和光伏设备工作状况的影响,具有非线性、非稳定性等特点,因此传统的猜测方法往往无法满足准确性的要求。

为了解决这一问题,本文提出一种。

该模型结合了遗传算法、模糊理论和径向基神经网络,通过优化神经网络的权重和模糊规则的参数,提高了猜测模型的准确性和稳定性。

二、模型原理1. 遗传算法遗传算法是一种模拟自然界进化过程的优化方法,通过模拟自然界的遗传、交叉、变异等操作,逐步查找并优化解的空间。

在光伏发电功率猜测中,遗传算法可以应用于优化模型中的权重和偏置等参数,从而提高模型的准确性和稳定性。

2. 模糊理论模糊理论是一种处理模糊信息的数学工具。

光伏发电功率受到多个因素的影响,这些因素往往无法用确定性的方式描述。

通过引入模糊理论,可以将人类的模糊裁定和推理过程引入模型中,提高模型的适应性和鲁棒性。

3. 径向基神经网络径向基神经网络是一种特殊的前向神经网络,具有快速收敛、非线性拟合能力强等特点。

在光伏发电功率猜测中,径向基神经网络可以通过进修训练样本数据,建立光伏发电功率与各个影响因素之间的干系,从而实现精确的猜测。

三、模型设计与实现1. 数据预处理起首,收集和整理光伏发电功率猜测所需的数据,包括天气条件、季节、光伏设备参数等。

然后,对数据进行预处理,包括数据清洗、归一化等,以确保数据的可靠性和可用性。

2. 模型训练与优化利用遗传算法对模糊径向基神经网络进行训练和优化。

北京大学科技成果——拉普拉斯域光学乳腺影像系统(LD-DOT)

北京大学科技成果——拉普拉斯域光学乳腺影像系统(LD-DOT)

北京大学科技成果——拉普拉斯域光学乳腺影像系
统(LD-DOT)
项目概述
拉普拉斯域光学乳腺影像系统(LD-DOT)是一种基于漫反射光成像原理的功能成像手段。

有别于基于形态学进行诊断的传统医学成像手段,它利用不同病变的乳腺组织对光的漫反射程度的不同,通过得到双乳全局血管微循环特征参数的定量分布来诊断组织病理属性(正常/良性/恶性)以及分布范围,探测深度可达6厘米以上,扫描过程安全快速,结果直接客观,是一种经济高效的诊断乳腺病变的无创方法。

应用范围
本系统可用于例行的乳腺检查、乳腺癌筛查,提供定量的生理信息可帮助医生对患者进行早期的乳腺癌诊断,准确区分正常组织与良性、恶性肿瘤。

由于该系统便携程度高,不仅适用于医院、体检中心筛查,也适用于流动医疗工作站。

另外,系统技术也可扩展到脑血管相关研究,如中风监控、脑活动跟踪等。

技术优势
系统技术先进性主要体现在:
(1)成本低廉成像质量高
DOT领域的自主技术创新(美国专利8649010),克服传统DOT 技术以及常用影像学手段无法兼顾成像质量和成本的局限;
(2)准确性高
由定量生理信息的检测来形成诊断依据,灵敏度,特异性均高于其他影像学方法,不存在读图差异;
(3)无创且无放射性
使用对人体无害的低能量近红外光,适用不同年龄段广大人群密集跟踪检查;
(4)便携度高,对环境无特殊要求。

研究阶段
该技术前期已在新加坡国家肿瘤中心进行了临床验证,目前正在制造第二代样机,并与相关三甲医院达成人体实验合作意向,处于中试早期阶段。

设备目标市场定位于体检机构、高端美容院、社区医院等。

基于改进Vision Transformer的复合涡旋光束识别

基于改进Vision Transformer的复合涡旋光束识别

基于改进Vision Transformer的复合涡旋光束识别1.引言光束识别是一项重要的光学技术,广泛应用于图像处理、计算机视觉和机器学习等领域。

近年来,基于Transformer的视觉模型在图像识别方面取得了巨大的成功。

然而,在处理复杂的涡旋光束时,现有的模型仍面临一些挑战。

本文提出了一种改进的Vision Transformer模型,用于复合涡旋光束的准确识别。

2.复合涡旋光束的介绍复合涡旋光束是一种将多个涡旋光束叠加而成的复杂光学信号。

它具有多个旋转的涡旋结构,每个旋转的涡旋结构都有相应的角动量和自旋角。

复合涡旋光束在光学信息处理、光通信和量子计算等领域有着广泛的应用。

因此,准确识别复合涡旋光束对于这些领域的研究具有重要意义。

3.改进的Vision Transformer模型为了准确识别复合涡旋光束,本文提出了一种改进的Vision Transformer模型。

该模型基于Transformer结构,通过对Transformer的改进实现对复合涡旋光束的有效识别。

3.1 增加自注意力机制在传统的Vision Transformer中,自注意力机制起到重要作用,帮助模型捕捉图像中的关键信息。

针对复合涡旋光束的特点,我们在自注意力机制中增加了涡旋特征的提取。

具体而言,我们通过引入旋转角和角动量矩阵,将涡旋特征融入自注意力机制中,使得模型能够更好地理解并捕捉涡旋结构。

3.2 引入局部特征提取针对复合涡旋光束中存在的局部结构,我们引入了局部特征提取模块。

该模块通过卷积操作和池化操作,针对不同尺度的图像区域提取局部特征。

这样可以使模型更好地捕捉到涡旋光束中的细节信息。

4.数据集和实验本文使用了大规模的复合涡旋光束数据集进行模型的训练和评估。

数据集包含了不同种类和角动量的复合涡旋光束样本。

我们将数据集划分为训练集、验证集和测试集,用于模型的训练与验证。

在实验中,我们将改进的Vision Transformer模型与其他经典的图像识别模型进行对比。

基于人工智能的图像超分辨率重建方法

基于人工智能的图像超分辨率重建方法

基于人工智能的图像超分辨率重建方法第一章介绍图像超分辨率重建是一种计算机视觉领域中的重要技术,它可以通过算法手段将低分辨率的图像转化为高分辨率的图像。

超分辨率重建技术对于提高图像质量、增强图像细节和增强图像的特征具有重要的作用。

尤其是在计算机视觉、图像处理、图像识别和图像分析等领域。

在图像超分辨率重建方法中,基于人工智能的方法是一种较为新的方法,其能够精确解决超分辨率重建问题,对于提高图像重建的精度和速度具有重要作用。

本文就基于人工智能的图像超分辨率重建方法进行详细的介绍。

第二章基于人工智能的图像超分辨率重建方法2.1 基于卷积神经网络的图像超分辨率重建方法卷积神经网络(CNN)是一种常用的深度学习方法,其在图像超分辨率重建方法中具有重要作用。

基于CNN的图像超分辨率重建方法首先利用训练数据集对各层卷积核进行训练,然后将学习得到的卷积核应用于新的图像数据上。

本方法的优点是其能够从训练样本中自动学习图像特征,从而获得精确的解决方案。

然而,该方法的缺点在于其对训练样本的质量和数量敏感。

2.2 基于生成对抗网络的图像超分辨率重建方法生成对抗网络(GAN)是一种用于生成数据的深度学习方法,其在图像超分辨率重建中也发挥了重要作用。

基于GAN的图像超分辨率重建方法首先使用生成器网络来生成高分辨率的图像,并使用判别器网络来区分生成器网络生成的图像与真实图像之间的差别。

通过反馈回馈机制,生成器网络可以逐渐优化图像的重建质量。

该方法具有较高的图像重建精度和稳定性,但是需要大量的计算资源和时间。

2.3 基于深度残差网络的图像超分辨率重建方法深度残差网络(ResNet)是一种在深度学习领域中拥有广泛应用的方法。

在图像超分辨率重建中,基于ResNet的方法的核心是将图像的低分辨率版本和高分辨率版本作为输入,通过残差学习使得输出的高分辨率图像更加接近于真实图像。

该方法具有训练简单、计算速度快和重建精度高等优点。

第三章基于人工智能的图像超分辨率重建实验本文基于Deep SR-ITM模型进行图像超分辨率重建实验,在两个数据集上进行了对比试验。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

An Optimized Transformerless Photovoltaic Grid-Connected InverterHuafeng Xiao,Student Member,IEEE,Shaojun Xie,Member,IEEE,Yang Chen,and Ruhai HuangAbstract—Unipolar sinusoidal pulsewidth modulation(SPWM) full-bridge inverter brings high-frequency common-mode voltage, which restricts its application in transformerless photovoltaic grid-connected inverters.In order to solve this problem,an op-timized full-bridge structure with two additional switches and a capacitor divider is proposed in this paper,which guarantees that a freewheeling path is clamped to half input voltage in the freewheeling period.Sequentially,the high-frequency common-mode voltage has been avoided in the unipolar SPWM full-bridge inverter,and the output currentflows through only three switches in the power processing period.In addition,a clamping branch makes the voltage stress of the added switches be equal to half input voltage.The operation and clamping modes are analyzed, and the total losses of power device of several existing topologies and proposed topology are fairly calculated.Finally,the common-mode performance of these topologies is compared by a universal prototype inverter rated at1kW.Index Terms—Clamping,common-mode voltage,full-bridge inverter,unipolar sinusoidal pulsewidth modulation(SPWM).I.I NTRODUCTIONT RANSFORMERLESS grid-connected inverters have a lot of advantages such as high efficiency,small size,light weight,low cost,etc.[1]–[6].However,there is a galvanic connection between power grid and solar cell array.Depending on the inverter topology,this may causefluctuation of the potential between the solar cell array and the ground,and these fluctuations may have a square wave at switching frequency. When energized by afluctuating potential,the stray capacitance to ground formed by the surface of the photovoltaic(PV) array may lead to the occurrence of ground currents.A person, connected to the ground and touching the PV array,may con-duct the capacitive current to the ground,causing an electrical hazard[4].At the same time that the conducted interference and radiated interference will be brought in by the ground current, the grid current harmonics and losses will also increase[5]. The unipolar sinusoidal pulsewidth modulation(SPWM) full-bridge inverter has received extensive attentions,owing to its excellent differential mode characteristics such as higher dc voltage utilization,smaller current ripple in thefilter inductor, and higher processing efficiency.However,the switching fre-Manuscript received November7,2009;revised January28,2010, March17,2010,and May1,2010;accepted June4,2010.Date of publication June28,2010;date of current version April13,2011.This work was supported by the National Natural Science Foundations of China under Award51077070. The authors are with the Department of Electrical Engineering,Nanjing University of Aeronautics and Astronautics,Nanjing210016,China(e-mail: xiaohf@).Color versions of one or more of thefigures in this paper are available online at .Digital Object Identifier10.1109/TIE.2010.2054056quency time-varying common-mode voltage(whose amplitude is equal to a dc input voltage)is brought in.Therefore,a transformer(low frequency or high frequency)is needed to isolate the solar cell array from the grid in grid-connected ap-plications,and at the same time,the high-frequency common-mode voltage endangers the insulation layer of the transformers [7],which increases its manufacturing cost.In order to remove this transformer from the unipolar SPWM full-bridge grid-connected inverter,a lot of in-depth researches,where new freewheeling paths are constructed to separate the PV array from the grid in the freewheeling period,have been done[6], [8]–[11].A pair of switches between the two midpoints of the bridge leg[ac side,shown in Fig.1(a)]has been added in[8]to construct a new freewheeling path in the freewheeling period. In[9],Gonzalez et al.bring a double clamping branch to the solar cell array side[shown in Fig.1(b)],and the potential can be clamped in the freewheeling period by a capacitor divider in the input side.Only one additional high-frequency switch is brought to the positive terminal of the PV array[shown in Fig.1(c)]to achieve the disconnection with the grid in the free-wheeling period in[10].Based on the high-frequency common-mode equivalent model of the full-bridge circuit derived by Gonzalez et al.[11]and Gubia et al.[12],it is necessary that the potential of the freewheeling path is clamped to half input voltage in the freewheeling period instead of disconnecting the PV array from the grid simply,and by which,the high-frequency common-mode voltage can be completely avoided in the unipolar SPWM full-bridge inverter.In[8]and[10], the potential of the freewheeling path cannot be clamped in the freewheeling period,and its level depends on the parasitic parameters of the path and the grid voltage amplitude.The clamping branch proposed by Gonzalez et al.[9]guarantees that the freewheeling path is clamped to half input voltage in the freewheeling period,but the output currentflows through four switches in the power processing period,which increases the conduction losses.Thin-film panels have a lot of advantages such as low cost and are suitable for building-integrated PV[13],[14].However, its power density is lower than the conventional crystalline silicon module(which means that its conversion efficiency is lower).Thus,the stray capacitor of unit power module to the ground increases from50–150nF/kW for crystalline silicon module up to1µF/kW for thin-film module[4].Unfortunately, the transformerless grid-connected inverters make the ground current suppression become much more challenging in applica-tions of thin-film panels.Considering both of the advantages and disadvantages of the existing topologies mentioned earlier,an optimized0278-0046/$26.00©2010IEEEXIAO et al.:OPTIMIZED TRANSFORMERLESS PHOTOVOLTAIC GRID-CONNECTED INVERTER1889Fig.3.Equivalent circuits of working mode.(a)Power processing mode and(b)freewheeling mode in the positive half period of the grid current.(c)Power processing mode and(d)freewheeling mode in the negative half period of the grid current.1890IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS,VOL.58,NO.5,MAY2011Fig. 6.Equivalent circuits in the clamped mode.(a)Potential down.(b)Potential up.(c)Potential fluctuates with grid voltage in the positive half period of the grid current.This deviation can be suppressed by some means such as adding a resistor divider or an active voltage balancing circuit.In this paper,a simple resistor divider is used to balance the capacitor voltage.B.Operation Principle of Clamping BranchThe equivalent circuit of the converter in the clamping period is shown in Fig.6.It can be seen that,regardless of the grid current direction,if the freewheeling path potential falls,the current flows through the antiparallel diode (or body diode)of the clamp switch S 2to step up this freewheeling path potential to (1/2)V pv ,as shown in Fig.6(a);if the potential rises,the clamp switch S 2will be on so that the potential falls back to (1/2)V pv ,as shown in Fig.6(b).However,during dead time be-tween the switches S 1and S 2,the potential of thefreewheeling2+V CE I L t b 2+V CE I RR t b 3(1)where V CE is IGBT’s blocking voltage across the collector andemitter,I L is the filter inductor current,and I RR is the reverse recovery current.The diode turn-off loss can now be computed as [21],[22]W Diode ,turn -off=V F (I L +I RR )(t r +t a )2+(V D +V F )I RR t b 6(2)where V F is the ON -state voltage of the diode and V D is the diode’s blocking voltage across the cathode and anode.XIAO et al.:OPTIMIZED TRANSFORMERLESS PHOTOVOLTAIC GRID-CONNECTED INVERTER1891B.Losses for IGBT Turn-off and Diode Turn-onThe IGBT’s turn-off and the diode’s turn-on behavior shownin Fig.7are also characterized by the IGBT’s turn-off delaytime t d,fall time t f,and tail time t tail.The turn-off loss ofIGBT is calculated as[18],[21]W IGBT,turn-off=V CE I L t d2+11·V CE I L t f20+V CE I L t tail20.(3)The diode turn-on loss can now be computed asW Diode,turn-on=9·V F I L t f20+19·V F I L t tail20.(4)C.On-State Losses for IGBT and DiodeThe conduction losses of IGBT and diode can be cal-culated asW IGBT,on-state=V CE(on)·I L·[dT S−(t r+t a+t b)](5) W Diode,on-state=V F·I L·[(1−d)T S−(t d+t f+t tail)](6) where V CE(on)is the ON-state voltage of IGBT,d is IGBT’s duty cycle,and T S is the switching period.D.Calculation ResultsThe device loss power can be derived by integral in a grid periodP IGBT,loss=1T gNi=1(W IGBT,turn-on(i)+W IGBT,turn-off(i)+W IGBT,on-state(i))(7)P Diode,loss=1T gNi=1(W Diode,turn-on(i)+W Diode,turn-−off(i)+W Diode,on-state(i))(8)where T g is the grid period,i represents one switching process, and N is the total switching time in a grid period.Table I shows the voltage rate and distribution of the de-vice’s number in these topologies.International Rectifier’s IRG4PSC71UD(600V/60A)IGBT with ultrafast soft recovery diode was chosen for the switches rated at600V.The1200-V IGBT used was IRG4PSH71UD(1200V/50A),which is of the same family as the IRG4PSC71UD.The total device losses in different switching frequencies are listed in Table II under selected devices and shown as histogram in Fig.8with each component’s percent.It can be seen that Heric[8]is with the least device loss and H5[10]is the pared with H5,the oH5proposed in this paper reduces the device loss significantly.In particular,the advantage of the efficiency of the optimized topology oH5becomes more and more obvious as the switching frequency increases,and it is gradually closeTABLE IA NALYSIS OF D EVICE O PERATION IN S EVERAL TOPOLOGIESTABLE IIT OTAL S EMICONDUCTOR L OSSES OF S EVERAL T OPOLOGIES R ATED AT 5kW U NDER D IFFERENT S WITCHING FREQUENCIESFig.8.Total device loss distribution for a5-kW rate.to the Heric topology.The calculation results are in agreement with the theoretical estimation.The comparison of total device losses is helpful for the selection of the high-efficiency topology in practice.V.E XPERIMENTAL R ESULTSIn order to verify the operation principle and performance comparison,a universal prototype inverter has been built in our laboratory,as shown in Fig.9.The specifications of the converter are listed in Table III.In Fig.9,modules“Leg1U,”“Leg1D,”“Leg2U,”and “Leg2D”are leg switches of the conventional full-bridge in-verter.Modules“DC Bypass1,”“DC Bypass2,”and“Clamping Branch”are partially selected in H5,H6,and oH5inverters according to the topology structure.Module“AC Bypass”is enabled in the Heric inverter.L1,L2,and C1make up the1892IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS,VOL.58,NO.5,MAY2011XIAO et al.:OPTIMIZED TRANSFORMERLESS PHOTOVOLTAIC GRID-CONNECTED INVERTER1893mon-mode voltage and ground current waveforms in Heric topology.(a)Common-mode voltage(v g:400V/div,i g:6.7A/div,v3N and v4N: 200V/div,v CM:200V/div,and time:4ms/div).(b)Ground current(v g:400V/div,i g:6.7A/div,i Ground:80mA/div,time:4ms/div,and M:4mA/div, 5kHz/div).mon-mode voltage and ground current waveforms in H6topology.(a)Common-mode voltage.(b)Ground current.mon-mode voltage and ground current waveforms in H5topology.(a)Common-mode voltage.(b)Ground current.mon-mode voltage and ground current waveforms in oH5topology.(a)Common-mode voltage.(b)Ground current.1894IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS,VOL.58,NO.5,MAY2011Fig.14.Detailed Common-mode voltage waveforms in oH5topology.(a)At the peak of grid current (v g :400V/div,i D2:40mA/div,v 3N and v 4N :200V/div,v CM :200V/div,and time:4ms/div).(b)At the vale of gridcurrent.Fig.15.Differential-mode voltage waveform in oH5topology at V pv =400V (v g :200V/div,i g :6.7A/div,v 34:200V/div,and time:4ms/div).VI.C ONCLUSIONAn optimized transformerless grid-connected PV inverter has been proposed in this paper,which has the following advantages.1)The common-mode voltage is clamped to a constant level,so the ground current can be suppressed well.2)The good differential-mode characteristic can be achieved like the unipolar SPWM full-bridgegrid-Fig.16.Experimental waveform of power device in oH5topology at V pv =400V.(a)S 1(v GS1:20V/div and v DS1:200V/div).(b)S 2(i D2:40mA/div,v GS2:20V/div,and v DS2:100V/div).Fig.17.Experimental waveform of capacitor divider in oH5topology at V pv =400V (v g :200V/div,i g :6.7A/div,v pv and v 2N :100V/div,and time:4ms/div).connected inverter with galvanic isolation,but with higher efficiency.3)The blocking voltage of the added switches is only half of the input voltage.These merits are verified and compared by a universal proto-type rated at 240V/50Hz,1kW.It can be concluded that the proposed inverter is extremely suitable for high-power single-phase grid-connected systems with thin-film solar cell.XIAO et al.:OPTIMIZED TRANSFORMERLESS PHOTOVOLTAIC GRID-CONNECTED INVERTER1895R EFERENCES[1]J.M.Carrasco,L.G.Franquelo,J.T.Bialasiewicz, E.Galvan,R.C.P.Guisado,M.Prats,J.I.Leon,and N.Moreno-Alfonso,“Power-electronic systems for the grid integration of renewable energy sources:A survey,”IEEE Trans.Ind.Electron.,vol.53,no.4,pp.1002–1016,Jun.2006.[2]S.B.Kjaer,J.K.Pedersen,and F.Blaabjerg,“A review of single-phasegrid-connected inverters for photovoltaic modules,”IEEE Trans.Ind.Appl.,vol.41,no.5,pp.1292–1306,Sep./Oct.2005.[3]B.Sahan,A.N.Vergara,N.Henze,A.Engler,and P.Zacharias,“A single-stage PV module integrated converter based on a low-power current-source inverter,”IEEE Trans.Ind.Electron.,vol.55,no.7,pp.2602–2609, Jul.2008.[4]J.M.A.Myrzik and M.Calais,“String and module integrated inverters forsingle-phase grid connected photovoltaic systems—A review,”in Proc.IEEE Bologna Power Tech Conf.,Bologna,Italy,2003,pp.430–437. [5]M.Calais and V.G.Agelidis,“Multilevel converters for single-phase gridconnected photovoltaic systems—An overview,”in Proc.IEEE Int.Symp.Ind.Electron.,Pretoria,South Africa,1998,pp.224–229.[6]T.Kerekes,R.Teodorescu,and U.Borup,“Transformerless photovoltaicinverters connected to the grid,”in Proc.IEEE Appl.Power Electron.Conf.Expo.,Anaheim,CA,2007,pp.1733–1737.[7]C.X.Mao,W.B.Li,L.Jiming,and F.Shu,“Study of the common-modevoltage in a high-voltage ASD’s system,”Proc.CSEE,vol.23,no.9, pp.57–62,2003.[8]S.Heribert,S.Christoph,and K.Jurgen,“Inverter for transforming a DCvoltage into an AC current or an AC voltage,”Europe Patent1369985 (A2),May13,2003.[9]R.Gonzalez,J.Lopez,P.Sanchis,and L.Marroyo,“Transformer-less inverter for single-phase photovoltaic systems,”IEEE Trans.Power Electron.,vol.22,no.2,pp.693–697,Mar.2007.[10]M.Victor,F.Greizer,S.Bremicker,and U.Hübler,“Method of convertinga direct current voltage from a source of direct current voltage,morespecifically from a photovoltaic source of direct current voltage,into a alternating current voltage,”U.S.Patent7411802,Aug.12,2008. [11]R.Gonzalez,E.Gubia,J.Lopez,and L.Marroyo,“Transformerlesssingle-phase multilevel-based photovoltaic inverter,”IEEE Trans.Ind.Electron.,vol.55,no.7,pp.2694–2702,Jul.2008.[12]E.Gubia,P.Sanchis,and A.Ursua,“Ground currents in single-phasetransformerless photovoltaic systems,”Prog.Photovolt.,vol.15,no.7, pp.629–650,May2007.[13]R.Ruther,A.J.G.daSilva,A.A.Montenegro,and I.T.Salamoni,“Assessment of thin-film technologies most suited for BIPV applications in Brazil:The PETROBRAS44kWp project,”in Proc.3rd World Conf.Photovoltaic Energy Convers.,Osaka,Japan,2003,pp.2294–2297. [14]X.L.Li,“Application of CIS thinfilm solar cells in the BIPV systemwith large commercial project,”New Energy Environ.,vol.37,pp.46–48, 2008.[15]H.du Toit Mouton,“Natural balancing of three-level neutral-point-clamped PWM inverters,”IEEE Trans.Ind.Electron.,vol.49,no.5, pp.1017–1025,Oct.2002.[16]R.Stala,S.Pirog,M.Baszynski,A.Mondzik,A.Penczek,J.Czekonski,and S.Gasiorek,“Results of investigation of multicell converters with balancing circuit—Part I,”IEEE Trans.Ind.Electron.,vol.56,no.7, pp.2610–2619,Jul.2009.[17]P.N.Tekwani,R.S.Kanchan,and K.Gopakumar,“A dualfive-levelinverter-fed induction motor drive with common-mode voltage elimina-tion and DC-link capacitor voltage balancing using only the switching-state redundancy—Part II,”IEEE Trans.Ind.Electron.,vol.54,no.5, pp.2609–2617,Oct.2007.[18]A.D.Rajapakse,A.M.Gole,and P.L.Wilson,“Electromagnetic tran-sients simulation models for accurate representation of switching losses and thermal performance in power electronic systems,”IEEE Trans.Power Electron.,vol.20,no.1,pp.319–327,Jan.2005.[19]T.Shimizu and S.Iyasu,“A practical iron loss calculation for ACfilterinductors used in pwm inverter,”IEEE Trans.Ind.Electron.,vol.56,no.7, pp.2600–2609,Jul.2009.[20]Y.L.Xiong,S.Sun,H.W.Jia,P.Shea,and Z.J.Shen,“New physi-cal insights on power MOSFET switching losses,”IEEE Trans.Power Electron.,vol.24,no.2,pp.525–531,Feb.2009.[21]F.Hong,R.Z.Shan,H.Z.Wang,and Y.Yangon,“Analysis and calcu-lation of inverter power loss,”Proc.CSEE,vol.28,no.15,pp.72–78, May2008.[22]N.Shammas,D.Chamund,and M.Calais,“Forward and reverse recoverybehavior of diodes in power converter applications,”in Proc.Int.Conf.Microelectron.,Montenegro,Serbia,2004.Huafeng Xiao(S’10)was born in Hubei,China,in1982.He received the B.S.and M.S.degreesin electrical engineering from Nanjing Universityof Aeronautics and Astronautics,Nanjing,China,in2004and2007,respectively,where he is cur-rently working toward the Ph.D.degree in electricalengineering.His main research interests are high-frequencysoft-switching conversion and photovoltaicapplications.Shaojun Xie(M’05)was born in Hubei,China,in1968.He received the B.S.,M.S.,and Ph.D.degreesin electrical engineering from Nanjing Universityof Aeronautics and Astronautics(NUAA),Nanjing,China,in1989,1992,and1995,respectively.In1992,he joined the Faculty of Electrical En-gineering,Teaching and Research Division,NUAA,where he is currently a Professor with the Collegeof Automation Engineering.He has authored over50technical papers in journals and conference pro-ceedings.His main research interests include avia-tion electrical power supply systems and power electronicconversion.Yang Chen was born in Shanxi,China,in1985.He received the B.S.degree in electrical engineer-ing from Nanjing University of Aeronautics andAstronautics,Nanjing,China,in2008,where heis currently working toward the M.S.degree inelectrical engineering in the College of AutomationEngineering.He mainly focuses his research on high-performance dc–dc converters for photovoltaicapplications.Ruhai Huang was born in Jiangsu,China,in1987.He received the B.S.degree from Nanjing Universityof Aeronautics and Astronautics,Nanjing,China,in2009,where he is currently working toward the M.S.degree in electrical engineering.His research interests include grid-connected con-verters and parallel technology of inverters.。

相关文档
最新文档