摘要：金属涂层损伤的自动识别是一项具有重大实际应用价值的研究。随着深度学习在各类材质的表面损伤图像分割任务中取得突破性进展,大部分研究工作使用端到端的深度卷积神经网络分割模型分割损伤区域。然而,端到端深度学习方法很难利用金属涂层损伤相关的先验知识来识别损伤尺度差异大、训练数据不足等问题。因此,设计了一种基于先验知识的金属涂层损伤区域分割算法,结合深度学习分割模型U-Net实现金属涂层损伤的自动识别。该算法基于Hue通道分布和边缘响应对金属涂层图像中的异常区域进行分割,深度学习分割模型利用先验知识排除异常样本,可有效避免过拟合。在含有开裂、起泡、生锈和脱落这4类损伤的金属涂层数据集中,该算法取得了81.24%mIoU的分割效果,优于端到端的深度学习方法。实验结果表明,先验知识辅助能够有效提升深度学习分割模型对金属涂层损伤的分割效果。

摘要：在现代信息化战争中,识别电网中的重要目标能有效指导攻击方或防御方战术的制定。而现有的电网攻防策略研究通常忽略真实电网具有弹性这一特性,因此提出RHGEle_Rank方法用于在电网的多轮攻防博弈中识别重要的变电站和输电线。首先基于仿真的弹性电力网络模型,考虑电站节点的工作效率,设计了节点的自我恢复策略用于模拟多轮攻防博弈下变电站的自我修复场景。然后,针对电网的异质特征,构建了基于过载式和断电式的级联失效模型。最后,利用贪心算法,识别每轮攻防博弈中的最佳攻击(防御)目标。实验表明,相较于传统的度中心性、介数中心性方法,攻击RHGEle_Rank选择出的重要目标能更大程度上破坏电网的供电能力。同时,考虑网络弹性的贪心算法能有效避免多轮攻防博弈中出现“无效攻击”。