摘要：针对固定网络架构和深度网络层导致的信息无法完全表达复杂场景预测高质量图像、高计算成本及部署困难等问题,提出了一种具有宽网络结构的图像动态超分辨率网络(wide dynamic super-resolution network,W-SDNet).首先,设计了一个由移位卷积残差增强结构组成的残差增强块,以提高图像超分辨率的分层特征提取能力并减少计算成本.其次,引入一个宽增强模块通过其双分支的4层并行结构,在提取深度信息的同时利用动态网络的门机制选择性增强特征表达,同时通过边缘检测算子融合的注意力机制增强边缘细节的表现力.紧接着,采用组卷积和信道分割的细化块,以防止在广泛增强块中组件间的干扰.最后,通过一个构建块实现高质量图像的重建.实验结果表明,W-SDNet在5个公开测试数据集上放大4倍时的峰值信噪比(peak signal-to-noise ratio,PSNR)指标均优于现有主流算法,并且模型的参数量显著减少,证明了W-SDNet在超分辨率重建的复杂度、性能及恢复时间方面的优势.

摘要：针对现有的分布式光伏电池板缺陷检测精度低、计算量高、参数量大以及复杂背景多变等因素导致的误检、漏检问题,提出了一种改进的轻量级YOLOv8分布式光伏电池板缺陷检测算法。采用高效轻量级的StarNet网络架构作为特征提取网络,减少计算成本和参数量,实现高效率和高性能之间平衡;设计SPPF-AM模块,增强了模型对空间信息的感知能力,有效应对不同尺度的目标;加入三元组注意力机制Triplet,有效地提取多尺度目标特征,提升模型的表征能力和任务性能;设计C2f_DSConv2D结合可变形卷积取代原网络中的C2f,以较低的存储和较高的计算速度,从而提高缺陷检测模型的效率;在特征融合网络中引入空间上下文感知模块SCAM,减少噪声影响,有效抑制图像中的噪声,抑制无关背景信息的干扰。设计ECIoU替换CIoU,增强边界框损失的拟合能力,加快网络模型的收敛速度。实验结果表明:改进后的YOLOv8模型参数量下降35%,计算量下降29.6%,检测精度达到了90.1%,mAP@50从85.9%提升到了89.7%,提升了4.2%。改进后模型在参数量、计算量下降的情况下检测精度也有一定的提升。所提出的改进算法在缺陷检测任务中表现出了较好的性能,有效增强了光伏电池板缺陷检测模型的检测性能。