基于多模态深度学习的离岗智能检测

针对供电营业厅员工可能出现异常离岗或脱岗现象,实时性监督得不到有效保障等问题,文章采用一种基于Mask R-CNN的目标检测方法对营业厅服务公告牌文字进行检测识别,同时利用MTCNN、Insight Face模型对服务人员进行人脸检测与识别,最终利用多模态信息融合,实现在、离岗的准确判定。结果表明,该方法能够在营业厅场景下对工作人员是否正常在岗、异常离岗进行有效检测、识别,准确率达到95%以上,提高工作监督的真实性、公平性和自动化程度。     

基于时序NARX自适应神经网络的油浸式变压器绕组温度预测

变压器绕组热点温度过高会导致绝缘老化速度变快,剩余寿命变短。为此提出了一种基于时序性外因非线性自回归(NARX)的自适应神经网络模型以获得更精准的绕组热点温度预测数据。首先,确定影响变压器绕组温度的外部特征因子种类;然后,对变压器绕组热点数据和其他数据进行预处理;最后,将处理后的数据输入时序NARX自适应神经网络模型进行训练和调参,完成模型的构建。经实例验证,提出的外因NARX自适应神经网络绕组热点温度预测模型能对不同类型变压器数据进行特定的预处理,并且与支持向量机回归、回归树、高斯核回归方法相比,预测误差更小,在提高精度上具有更大优势。     

一种变电站智能巡检机器人的仪表图像空间变换算法

针对变电站智能巡检机器人的仪表识别问题,提出了一种基于SURF的图像空间变换算法。首先,对建模图像仪表区域和待识别图像进行SURF特征提取;其次,采用KNN算法和双向匹配对所提取的特征进行筛选,提取优质匹配点对;最后,利用随机采样一致性算法(RANSAC)计算得到投影矩阵,从而能将待识别图像转换到建模图像空间,为后续识别提供便利。变电站实际测试结果表明了该算法的有效性。