燃气轮机气流激振深度置信网络故障诊断模型

针对移动机器人在识别AprilTag图像过程中,受到室内光线不均和运动过快所导致的识别成功率低问题,提出一种基于AprilTag图像的预处理方法来提高识别成功率。首先采用移位去尾的方法进行图像灰度化处理,在此基础上融入双线性插值降采样的方法以提升整体图像处理速度,再对降采样后得到的灰度图进行直方图均衡化处理,消除因光线不均产生的影响,然后对图像双边平滑和Canny边缘检测,增强图像对比度和消除图像噪声的影响,以达到提升AprilTag图像识别的成功率和后续工作的定位准确度。通过实验进行对比分析,所提方法对AprilTag图像识别的成功率比传统方法在不同光线条件下均提高了3%以上,且移动机器人的实时定位误差控制在1～2 cm,从而验证了所提方法的有效性和可行性。     

基于图像识别的移动机器人自动完成充电北大核心

移动机器人正在慢慢普及到我们的生活当中,而移动机器人在移动过程中消耗电能,当电能耗尽时需要人工为移动机器人进行充电,提出一种基于图像识别的方法,让机器人自动完成充电。移动机器人通过对图像的纹理分析和对兴趣点的快速匹配SIFT算法完成移动机器人识别电源插座,实现自动充电。本文的方法充分考虑到由于移动机器人的灵活多变性对所采集到的图像造成的影响,如图像旋转,图像周围有遮挡物体等,用纹理分析与SIFT算法识别插座,当所采集的图像与机器人本身记忆的图像达到一定匹配度时,移动机器人将完成自动充电。     

基于图像识别的移动机器人自动完成充电

移动机器人正在慢慢普及到我们的生活当中,而移动机器人在移动过程中消耗电能,当电能耗尽时需要人工为移动机器人进行充电,提出一种基于图像识别的方法,让机器人自动完成充电。移动机器人通过对图像的纹理分析和对兴趣点的快速匹配SIFT算法完成移动机器人识别电源插座,实现自动充电。本文的方法充分考虑到由于移动机器人的灵活多变性对所采集到的图像造成的影响,如图像旋转,图像周围有遮挡物体等,用纹理分析与SIFT算法识别插座,当所采集的图像与机器人本身记忆的图像达到一定匹配度时,移动机器人将完成自动充电。     

基于改进深度自注意力网络的变压器及其部件高分辨率图像识别技术

本文中作者提出了改进的深度自注意力网络,该模型包含基础网络、区域候选网络、目标区域提取和分割模块和预测网络四部分。相较于其他同类型模型,本文所提方法将部件定位和识别过程分开,即使用低分辨率图像定位再利用高分辨率图像识别,且基于深度自注意力网络的预测分支额外考虑了图像的语义信息,因此识别效果大幅提升。     

基于圆周灰度分布互相关的颗粒转速判别方法

开发了一种基于颗粒圆周灰度分布互相关的计算机算法用于所拍流化床流场图像中颗粒转速的判别。该方法利用数字图像处理技术进行图像中颗粒的识别、筛选和定位,进而根据颗粒的圆周灰度分布在两幅图像中的变化计算颗粒的转速。通过对已知转速和旋转方向的小球的验证实验表明：所提出的转速判别方法能够比较准确地测量旋转轴垂直或近似垂直于拍摄平面的颗粒,并有效地过滤掉其他颗粒的干扰,保证了测量的可靠性。对转速测量的误差进行分析,提出了灰度修正方法以减弱颗粒灰度分布不均对转速测量的影响,指出考虑各因素后,所开发的转速判别方法的误差小于10%。     

基于人工智能图像识别的输电线路巡检研究

为了准确、及时地发现输电线路中的缺陷,研究基于人工智能图像识别技术的输电线路立体化巡检模式。具体地,以人工智能图像识别技术为支持,借助K-means算法对立体巡检图像进行聚类处理,同时,采用人工神经网络对图像中输电线路缺陷进行智能识别。经测试,在相同工作量下,未采用本文所提技术的输电线路缺陷识别需要5个分析员持续工作15 d,平均每分钟进行2～3张图片的识别,图像识别速度为20～30 s/张;采用人工智能识别技术,识别速度高达0.25 s/张,仅需3.6 h便可以将识别任务完成。在弱光环境下,经过增强处理的图像边缘更加清晰,目标图像与背景实现明显分界,且现阶段可利用输电线路中相同部件不同角度的7张图片实现高于90%的识别准确率。另外,通过对相同条件下其他几种方法影响模型实际收敛情况的比较发现,所有方法的重构误差均呈现出逐渐降低之势,最终都趋于稳定。结果表明本文技术在立体化线路图像缺陷检测中有一定普适性,有利于工作效率的显著提升。     

融合深度可分离小卷积核和CBAM的改进CNN故障诊断模型

为了解决最大池化丢失信息和平均池化模糊特征的问题,同时提高模型时频图像识别效率,降低模型复杂度,提出一种采用深度可分离小卷积核进行降采样和CBAM的CNN网络模型对轴承进行故障诊断。首先,在除最后一层的池化层中,使用深度可分离小卷积层代替池化层,实现池化层的降采样功能。其次,在最后一层池化层引入CBAM,对时频图像所表征的故障特征给予更多的关注,以提高模型计算效率。再次,使用全局平均池化代替传统全连接层,进一步减少模型参数数量。最后,利用CWRU轴承振动数据和自制实验平台数据验证所提方法在滚动轴承故障诊断方面的有效性和可行性。实验结果表明,融合深度可分离小卷积核和CBAM改进的CNN模型有效减少了模型需要的训练参数和计算量,且在识别准确率方面取得了更优的性能。     

基于NSST图像融合的变电站开关状态识别

针对变电站中开关状态图像识别易发生误判的问题,提出了一种基于非下采样剪切波变换(NSST)图像融合的变电站开关图像识别方法。该方法采用可见光和红外光双摄像模式,得到开关可见光图像和红外图像,根据两者的特点与互补特性,采用基于NSST的图像融合算法对可见光图像和红外图像进行融合,生成含有两种开关图像丰富细节信息和特征量的融合图像,采用改进加速稳健特征(SURF)算法对融合图像进行目标特征量提取和匹配,再采用基于混沌布谷鸟(CCS)算法的多阈值图像分割技术进行处理,最后基于霍夫变换得到开关臂和触点所在直线的斜率,根据两者角度差判别开关状态。仿真实验表明:所提方法对闭合与断开状态隔离开关的识别率分别为94.4%和100%,验证了所提方法的有效性。     

基于LabVIEW的绝缘子外损图像自动识别方法

利用LabVIEW及NI视觉开发模块,对所拍摄图像进行灰度化、二值化、自动匹配查找绝缘子、图像噪点过滤等操作,直至识别外部受损的绝缘子,并对绝缘子的损坏区域进行标识。实例说明所述绝缘子外损图像识别方法有效。     

基于深度学习和图像识别的电力配件智能出入库

针对电力配件种类繁多、型号各异,依靠射频识别(radio frequency identification, RFID)技术开展电力配件出入库管理,不能覆盖所有电力配件,容易出现出入库、退库不准确、效率低,以及出入库电力配件质量不满足生产要求的问题,开展基于机器学习和图像识别的电力配件智能识别研究。首先采用灰度处理、二值化等方法对原始图像进行处理,之后通过最小外接矩形校正原始图像,然后以卷积神经网络(convolutional neural networks, CNN)、卷积递归神经网络(convolutional recurrent neural network, CRNN)等深度神经网络为核心,结合CTC损失函数,构建适用于识别电力配件的深度学习模型,并依据图像识别吻合度,同步推荐疑似配件设备。通过智能设备采集电力配件图像,采用上述方法实时识别配件名称、型号,提示外形尺寸、适用范围、产品用途。实验结果表明,基于机器学习和图像识别的电力配件智能识别结果准确率达到95%,显著提升了仓储出入库管理的智能化水平。     

基于改进PSO-BP算法的机器人目标位姿识别方法

机器人作业环境复杂,物料分布具有随机性,导致机器人目标位姿的辨识和定位精度低,实时性差,为此提出一种基于改进粒子群算法-BP神经网络(PSO-BP)的机器人目标位姿识别方法。采用改进的中值滤波算法对目标图像预处理,构建多尺度灰度差异算子以及局部图像熵算子,将两者点积运算获取加权局部熵,抑制目标图像中的噪声。通过多视图几何中间帧的关联特征信息,提取机器人目标位姿特征。在BP神经网络训练阶段通过改进的PSO算法优化处理,采用优化后的BP神经网络算法对提取的特征展开训练和识别,最终实现机器人目标位姿识别。实验结果表明,当机器人目标测试样本数量为55个时,所提方法的亮度方差为0.305,当像素识别误差为1.5%时,所提方法获取的机器人目标位姿识别误差为0.11,所提方法能够在像素识别误差下准确识别机器人目标,获取高精度的机器人目标位姿识别结果。     

一种基于图像增强的交通信号灯识别方法

针对现有传统算法在光照不均匀、背景复杂的情况下对交通信号灯的识别精度低、漏检率高的问题,本文提出了一种基于图像增强的交通信号灯识别方法。首先采用改进的迭代法对原图像进行处理;接着在HSV颜色空间中增强原图像的V通道亮度信息,利用自调节的颜色阈值范围筛选出交通信号灯的颜色候选区域;最后,分别提取原图像经过双处理后获取到的图像轮廓,结合两张图像中的轮廓信息筛选出信息相同的候选区域,并通过计算候选区域的面积、宽高比判断出交通信号灯的区域,从而完成交通信号灯的识别。实验结果表明,在光照不均匀和复杂背景条件下,该算法比现有其他传统算法的识别准确率提升了1.05％,并具有良好的实时性。     

基于三值图像的车牌定位算法

针对复杂场景中光照不均匀情况下的车牌定位问题,提出了一种新的定位方法。该方法首先对彩色图像进行三值化,然后利用车牌字符之间颜色的一致性,通过定位字符间隔线反推字符区域进行车牌定位,解决了定位难的问题。实验结果表明,本文算法可以准确定位车牌,对车身颜色和外界颜色的影响有很好的鲁棒性,有效剔除打印字符等纹理簇照成的干扰,同时弥补了在光照不均匀等情况下车牌区域进行二值化可能导致的信息缺失,为后续字符分割、识别处理提供更有利的信息。     

基于Retinex理论的低照度下输电线路图像增强方法及应用

为提高低照度环境下输电线路图像视频在线监测设备分析的准确性,提出一种基于Retinex理论的低照度图像增强方法。首先采用改进型同态滤波算法增强低照度图像的RGB分量,然后将图像转换至HSV色彩空间中。对多尺度Retinex算法增强图像进行改进,采用双边滤波函数替代Gaussian函数作为Retinex算法的环绕函数,引入色彩恢复函数进行图像色彩恢复,入射分量采用幂律变换校正,反射分量采用Sigmoid函数处理。最后将图像再转换至RGB空间得到增强后的输电线路图像。对实拍低照度输电线路图片进行仿真处理,结果表明该方法可以有效提高低照度图像的对比度、清晰度和信息熵,并在覆冰预警和异物识别中实现较好的应用。     

基于深度学习的并联机器人定位检测技术研究

针对机器视觉领域中并联机器人存在目标识别模糊,分类效率差以及反应速度过慢的问题,提出了一种基于深度学习的并联机器人定位检测技术。首先对目标识别物进行图像采集,改进图像数据集,将处理前后图像放入训练集提高网络效率,搭建YOLOX目标检测分类识别算法提高并联机器人检测精度;其次改进训练方式,通过预训练与实际训练提高可靠性,改进损失策略;然后建立并联机器人主体基坐标系与相机坐标系,结合手眼标定与相机标定方法,求得目标实际坐标与机器人基坐标系的转换关系;最后在并联机器人实验平台验证目标标定结果,对比主流深度学习算法YOLOv3、YOLOv4、Faster-RCNN得出的并联机构网络定位与实际定位的相对误差,结果表明YOLOX的定位精度误差为3.992-5.061mm之间,平均精确度达到了91%左右。该方法可为并联机器人结合深度学习实现检测定位提供一定参考价值。     

高压设备电晕紫外成像检测图像增强方法的研究

紫外成像仪在低照度环境下检测高压设备外部电晕放电时,输出图像模糊,不利于故障点的定位、分析和识别,有必要采取一定图像处理算法改善图像质量。简要分析了这类紫外图像的特征,提出了滤波和灰度变换的方法,并对图像进行了增强处理。对比分析了目前常用的空域滤波、频域滤波和小波域滤波方法的去噪效果,采用了图像的分段线性灰度变换和自适应直方图均衡算法改善了图像亮度和对比度,工程实际应用验证了所提方法的有效性。     

一种基于SIFT的图像特征匹配方法

为解决查询点落于分割超面以及匹配图像光照变化较大时,传统SIFT(尺度不变特征变换)算法的检测性能将会降低的问题,提出了一种改进的SIFT算法。该算法引入了灰度均匀化技术与冗余分割树。灰度均匀化技术将原图像的灰度直方图映射到更宽更均匀的直方图上,降低了光照变化的影响。冗余分割树在分割数据进行匹配时采用了2个分割超面进行数据分割,消除了查询点落于分割超面带来的影响。实验结果表明,在各种不同场景的测试下,改进的SIFT算法均提高了图像的匹配精度,性能优于传统SIFT算法。     

基于深度学习的钢筋绑扎机器人目标识别定位

为了解决钢筋绑扎机器人对绑扎点识别准确率低,定位精度差的问题,提出一种基于深度学习的钢筋绑扎机器人目标识别与定位方法。首先采用YOLOv4算法对绑扎点目标框识别和裁剪,完成绑扎点初始定位;其次设计轮廓角点选取方法,利用角点计算绑扎点的图像坐标;之后通过融入CBAM注意力机制改进Monodepth算法的特征提取部分,解码部分引入路径增强PAN结构,以提高模型的特征提取能力,进一步提高立体匹配精度;最后通过双目立体视觉定位技术获得绑扎点深度信息,并由坐标变换求解钢筋绑扎机器人手眼坐标系映射关系,从而实现对绑扎点的精确识别和定位。实验结果表明：该方法针对绑扎点目标框的识别准确率达到了99.75%,每秒传输帧数达到54.65;在空间中的定位精度最大误差为11.6mm。可较好地识别定位绑扎点位置,为自动绑扎工作提供有力支持。     

变电站二次设备巡检的Mecanum轮式机器人精确定位与作业辨识

通过巡检机器人进行变电站二次设备的监测是提升电力设备自动化、智能化管理的重要方式,有利于保障电力工程设备的安全运行。本研究开发了一种用于变电站二次设备自动化巡检的Mecanum轮式机器人,具备自主导航定位与作业辨识的能力,可极大提升设备巡检效率及保护压板状态识别准确性。通过Mecanum轮的驱动方式实现巡检机器人在狭窄作业环境下的灵活运动与姿态调整,多轨道升降平台实现对350-1800 mm高度范围内的二次设备及压板的图像采集与状态辨识。机器人采用基于激光雷达的SLAM导航方法进行自主定位导航,并结合基于视觉的路径提取与跟踪算法进行姿态位置修正,实现在待测点位置的精确定位。同时,提出了基于颜色辨识的图像排列与状态辨识方法,针对二次设备保护压板连通状态进行识别和判断。实验结果表明,研制的变电站二次设备巡检机器人可以实现自主导航与位置精确定位,在路径跟踪过程中最大偏角和偏距分别为±3°和±8 mm。结合机器视觉与颜色辨识的压板辨识方法可以准确识别压板状态,识别准确率大于95.80%,有助于提升机器人自动化的电力巡检作业水平。     

基于改进SinGAN的电力线巡检异物数据增强技术

针对电力线异物识别模型能使用的数据集较少,并且传统单幅自然图像的生成式模型(SinGAN)模型生成数据与异物识别模型匹配度不高、质量不佳、耗时过久的问题,提出了改进SinGAN模型。在改进SinGAN模型基础上加入仿射变换单元、大小变换单元进一步增强数据集,加入图像滤波单元提高电力线异物识别模型所需数据质量。并通过改进SinGAN反向传播训练过程和SinGAN的单精度生成器结构提升模型生成质量,减少所用时长。实验结果表明,经50次实验后,改进SinGAN的平均弗雷谢特起始距离(Fréchet inception distance, FID)为91.375,平均训练时长1.21 h。分别比传统SinGAN降低了27.247%和87.31%。改进SinGAN与其他主流生成式对抗网络相比有更好的异物数据生成能力,可以增强电力线异物识别模型所需数据,具有优越性。