油气水井远程监控系统开发与应用

油气水井监控系统适用于抽油机井、螺杆泵井、电泵井、自喷井、气举井、注水井,该系统通过安装在个测量点上的压力传感器、温度传感器、示功终端、电参数模块、流量计、现场音频视频设备等采集到各参数,可以自动分析动液面来智能调节抽油机的冲次,从而使泵处于最佳沉没度.现场的所有传感器都是无线的,现场不需布线,载荷传感器通过测量加速度来获取位移.     

基于多传感器融合的抽油机运动周期的研究

对油井示功图的分析是评定深井泵、抽油机与抽油杆工作状态的重要手段。抽油机运动周期作为示功图的重要参数,其准确性直接影响示功图的精度。针对采用单一悬点加速度的方法确定的抽油机运动周期误差较大等缺点,提出一种多传感器融合的抽油机运动周期的计算方法。首先对不同传感器采集的同周期的悬点加速度、悬点载荷、电动机电功率3种信号进行卡尔曼滤波,消除干扰噪声;其次对滤波后的信号分别从时域和频域计算出周期值;最后对3种信号周期值进行加权融合,确定最优周期值。实验表明:多传感器融合的方法比单一加速度法所确定的抽油机运动周期具有更高的准确度。     

基于深度学习的Andriod恶意应用程序检测系统

设计了一个基于深度学习技术的恶意应用程序检测系统。该系统的实现主要由三大部分组成:安全与恶意APK代码特征的提取模块、深度学习模型的"训练"模块、深度学习模型检测未知APK样本模块。系统协助设备用户有效应对大数据人工智能时代的恶意入侵威胁和个人隐私信息泄露威胁。     

基于5G边缘计算的深度学习架构与应用

针对深度神经模型在网络边缘难以训练的问题,构建了一种基于5G边缘计算的深度学习模型训练架构。架构利用5G边缘计算接入网打通边缘智能设备与边缘计算层的数据通信,模型训练过程采用各边缘计算节点利用本地数据进行全模型训练,再由中心服务器进行模型参数汇集和更新的分布式训练模式,既保证了模型训练的数据集多样性,又减少了网络压力和保障了本地数据隐私,是一种非常具有潜力的深度学习边缘计算架构。     

RMxprt在三相异步电动机中的2D电磁场分析

RMxprt是基于电机等效电路和磁路的设计理念来计算、仿真各种电机模型,具有建立模型简单快捷、参数调整方便等优点,同时具备一定的设计精度和可靠性。针对如何才能更好地计算仿真三相异步电动机,求解二维和三维有限元件这一问题。文中以一台三相异步电动机为蓝本,分析RMxprt模块在三相异步电动机的2D电磁场的应用。将实验计算结果与有限元结果进行横向对比,误差仅0.366 2%,符合工程需要。     

基于加速度传感器的油井示功图位移测量技术研究

示功图是分析油田抽油机与抽油杆工作状态的重要手段,本文针对采油现场示功仪小型化和无绳化的趋势,提出了一种基于加速度传感器的油井示功图位移测量方案.介绍了加速度信号的检测、调理等硬件电路设计和位移计算方法;为提高加速度信号的测量精度,提出了一种复合滤波方法,并完成了MSP430单片机的编程实现.现场试验表明,基于加速度测量所得到的位移和冲程的计算结果完全满足现场示功图测量的精度要求.     

改进特征提取模块的场景文本检测方法

基于深度学习的自然场景文本检测方法的特征提取模块一般采用大型网络,模型复杂且效率低。为了降低文本检测模型的复杂度以及更快速有效地检测文本,在基于分割的渐进式扩展网络PSENet的基础上,使用轻量级小型网络MobileNet V3作模型局部特征提取模块,减少参数数量,结合多级卷积来提取不规则文本的区域特征;使用优化器Adam计算每个参数的自适应学习率,加速训练优化过程,提升模型运算效率。在数据集ICDAR2015上进行验证,实验结果表明改进的算法在性能上有明显改善。     

一种FPGA集群轻量级深度学习计算架构设计及实现

传感器技术的发展带来了边缘、端设备功能的迅速迭代升级,也带来了战场前端的数据量成倍增长。针对边缘、端设备数据量的急剧增长和芯片计算处理能力的矛盾,结合Map/Reduce框架,提出了一种基于现场可编程门阵列(Field Programmable Gate Array,FPGA)计算集群资源的深度学习架构,能够实现多个深度学习算法的并行快捷部署和应用。该轻量级深度学习计算架构同时满足军事应用对“端”的智能处理能力提出的新要求,即不仅局限于数据采集和智能的应用,还必须具备分布式并行智能实时计算的能力。该FPGA集群轻量级深度学习计算框架部署不同类型算法容易,实时性高（ms级任务响应）,可扩展性好,在多种类异构传感器、大场景大数据吞吐量的军事场景及森林防火等民用场景有广泛的应用前景。     

基于神经网络的机器人抛光材料去除提升模型

提出了一种基于深度神经网络的提高材料去除模型精度的策略。提出一种具有特征选择能力的深度学习算法。在机器人抛光的材料去除率模型的基础上,生成由材料去除率和相应的抛光参数组成的一系列仿真样本。深度学习算法学习了仿真样本和实际样本,建立了深度学习模型。通过使用所提出的深度学习模型,根据抛光参数,估测测试样本的材料去除深度,并计算估测了测试样本的材料去除深度与实际的测试样本的材料去除深度之间的误差。结果表明:改进后的模型可以获得比传统模型更高的精度。     

基于嵌入式处理器STM32的抽油机井实时监控系统设计

为了解决抽油机井生产过程中的实时监控问题,本文提出了一种基于嵌入式处理器STM32的抽油机井实时监控系统设计方案,并完成系统的软硬件设计.该系统能够测量抽油机并的油压、油温、三相电流电压、功率、有功、无功、功率因数以及示功图等参数,以此来实现对抽油机井的实时监控.系统各部分与上位机使用RS485总线连接,上位机通过Modbus协议与各模块通信.该系统具有操作简便、测量准确的特点,实现了数据的实时接收和远程监控功能.     

一种基于深度学习的高轨卫星CEI信号频率估计算法

针对高轨卫星连线干涉测量(Connected Element Interferometry,CEI)信号的高精度频率估计这一难题,建立了CEI中的正弦信号频率估计模型。设计了基于深度学习框架的CEI信号频率估计算法,将算法划分为基于前馈深度神经网络的频率表征模块和基于卷积神经网络的频率计算及估计模块,在此基础上设计了各模块的具体结构和学习训练流程。对于算法的核心模块进行了仿真实验验证,并将所提算法与前人的相关算法进行了比较与分析,证明了该算法的有效性、稳定性和优越性。     

基于Modbus协议的三相电力智能配电系统设计

介绍了一种基于Modbus协议的三相电力智能配电系统。系统以16位MSP430处理器为控制核心,采用SAMES SA9904B三相电参量芯片实现三相电力系统的多种电参量的采集和处理,通过标准的Modbus协议可实现对电力设备的实时在线监测、保护、控制和电能计量等。该系统可以单独作为三相电力配电模块使用,也可以方便接入Modbus通信网络,实现了与其他Modbus设备的兼容,可广泛应用于中低压电力配电系统,达到了电力系统配电自动化、信息化和网络化的发展要求。     

基于改进YOLOv5的电力设备轻量化检测算法

提出一种轻量化红外目标检测算法MEGI-YOLOv5。该算法基于YOLOv5模型,首先将主干网络替换为轻量化Mobilenet-v3网络,并将颈部网络中的部分CBL结构块替换为倒残差结构的深度可分离卷积、C3模块由普通卷积和GhostConv组合代替,降低模型的参数和计算量;其次在颈部网络中嵌入ECA(Efficient Channel Attention)模块,提高模型通道间信息的注意力,从而提升模型特征提取能力。实验结果表明,该模型相较于YOLOv5模型,参数量减少22%,检测速度提升37%,模型检测精度达到96.42%,能满足变电站设备类别及发热点识别的准确性和实时性要求,为后续能够及时发现变电站设备故障提供保障。     

基于神经进化的深度学习模型研究综述

深度学习研究发展至今已可以胜任各类识别、分类、生成任务,但是对于不同的任务,神经网络的结构或参数不可能只是微小的变化,依然需要专家进行调整.在这样的情况下,自动化地调整神经网络的结构或参数成为研究热点.其中,以达尔文自然进化论为灵感的神经进化成为主要优化方法.利用神经进化优化的深度学习模型以种群为基础,通过突变、重组等操作进化,可实现自动地、逐步地构建神经网络并最终选择出性能最优的深度学习模型.本文简述了神经进化与进化计算;详细概述了各类基于神经进化的深度学习模型;分析了各类模型的性能;总结了神经进化与深度学习融合的前景并探讨下一步的研究方向.     

基于深度学习的智能LED控制系统研究与设计

针对现有智能LED灯控制系统人性化程度不高的缺点,研究并设计了一种基于深度学习算法的、具有自适应能力的智能LED灯控制系统。系统分为网关、控制节点与传感器接收模块三部分,通过Wi-Fi网络连接三种设备。本系统使用限制波尔兹曼机算法进行样本训练。训练完毕后,通过传感器数据,并结合历史数据和用户设定,生成相应控制表,给出相应的决策。使系统能够学习用户的行为习惯,结合用户个性化参数设定,做出准确的决策,提高系统自适应智能控制能力,大大提高系统的人性化。测试表明,系统能不断学习用户的LED灯控制行为,达到了准确程度较高的、自适应智能控制LED灯的效果。     

基于改进YOLOv4-tiny的轻量化室内人员目标检测算法

深度学习在室内人员检测领域应用广泛,但是传统的卷积神经网络复杂度大且需要高算力GPU的支持,很难实现在嵌入式设备上的部署。针对上述问题,该文提出一种基于改进YOLOv4-tiny的轻量化室内人员目标检测算法。首先,设计一种改进的Ghost卷积特征提取模块,有效减少了模型的复杂度;同时,该文通过采用带有通道混洗机制的深度可分离卷积进一步减少网络参数;其次,该文构建了一种多尺度空洞卷积模块以获得更多具有判别性的特征信息,并结合改进的空洞空间金字塔池化结构和具有位置信息的注意力机制进行有效的特征融合,在提升准确率的同时提高推理速度。在多个数据集和多种硬件平台上的实验表明,该文算法在精度、速度、模型参数和体积等方面优于原YOLOv4-tiny网络,更适合部署于资源有限的嵌入式设备。     

基于GoogLeNet的手写体汉字识别

近年来基于深度学习的方法识别手写体汉字取得了很多突破,但现有的一些方法存在计算参数多、模型收敛慢、训练时间长的缺点。针对以上问题,提出了基于GoogLeNet的脱机手写体汉字识别模型HCCR-IncBN,模型使用了5个Inception-v2模块,训练参数较少,模型收敛更快,存储整个模型只需要26MB的存储空间。实验利用HCCR-IncBN模型在ICDAR2013数据集获得了95.94%的识别准确率,表明模型在没有使用任何手写体汉字的特定领域知识和无需人工提取其他特征的前提下能够获得较高的识别效果。     

EDA9033三相工频交流电参数数据采集模块

EDA9033是一种新型三相交流电参数数据采集模块 ,利用它可以实现三相电压、电流的真有效值、有功功率、无功功率、功率因数及累计电量等三相工频交流电电参数的采集,同时利用其自身的RS -232或RS-485串行通信接口可以方便地和单片机或微型机进行联网。文中介绍了该模块的特点、引脚功能、典型应用电路及十六进制码操作指令集LC -01接口协议     

基于改进MobileFaceNet的人脸识别方法北大核心

针对目前大多数人脸识别算法参数多、计算量大,难以部署到移动端和嵌入式设备中的问题,提出了一种基于改进MobileFaceNet的人脸识别方法。通过对MobileFaceNet模型结构的调整,将bottleneck模块优化为sandglass模块,改良深度卷积和逐点卷积的相对位置,适当增大sandglass模块的输出通道数,从而减少特征压缩时的信息丢失,增强人脸空间特征的提取。实验结果表明:改进后的方法在LFW测试数据集上准确率达99.15%,模型大小和计算量分别仅为原算法的61%和45%,验证了所提方法的有效性。     

基于Zynq平台的图像目标检测系统

针对图像目标检测任务中采用的深度学习网络复杂的计算和规模庞大的计算参数,导致基于ARM架构的嵌入式系统上,目标检测任务存在着高延时和处理速度慢的问题,文章提出并设计实现了一种新型完整嵌入式道路车辆检测方案。该方案在基于YOLOv3-Tiny的特征提取网络中采用结构重参数化的方法提升模型检测精度,并通过Vitis-AI在Zynq嵌入式平台上部署DPUCZDX8G架构的加速核对卷积神经网络的并行加速,最后将改进的YOLOv3-Tiny网络模型经过量化、编译,以动态链接库的方式部署。实验结果表明,在VOC2007上测试最终实现均值平均精度(MAP)为0.597,实时处理速度为27.7FPS,同时帧率功耗比为1.49,适合边缘计算设备的低功耗要求。