改进的非极大值抑制算法的目标检测

目的 作为目标检测的后置处理算法,非极大值抑制（NMS）算法被用于移除多余的检测框。然而,NMS算法在每轮迭代中抑制所有与预选取检测框Intersection-over-Union（IoU）值大于给定阈值的检测框,容易造成目标的漏检和误检。此外,阈值的选取对整个算法的效果有着至关重要的影响。针对这个问题,本文提出了改进的NMS算法,分别为分段比例惩罚因子NMS算法和连续比例惩罚因子NMS算法。在连续比例惩罚因子NMS算法中,阈值对算法的运行效果仅有轻微的影响。方法 改进的NMS算法首先根据检测框与预选取检测框的IoU值大小计算出检测框对应的比例惩罚因子;然后将检测框置信度分数乘以比例惩罚因子,通过比例惩罚因子逐轮降低检测框的分数;最后经过多轮迭代后移除分数低于阈值的检测框。结果 基于分段比例惩罚因子NMS算法和连续比例惩罚因子NMS算法的Faster RCNN目标检测模型在PASCAL VOC 2007数据集下,Faster RCNN的检测平均精度均值（mAP）相较于传统的NMS算法分别提高了1.5%和1.6%。其中,以火车类为例,当准确率和召回率均为80%时,火车类检测的漏检率和误检率分别降低了1.8%和1.2%。与传统的NMS算法相比,本文所提出改进的NMS算法可以有效地保留目标检测框和移除目标的假正例检测框,从而降低NMS算法的漏检率和误检率。结论 在时间复杂度相同和运行效率一致的情况下,与传统的NMS算法相比,本文所提出的改进NMS算法mAP值得到了显著的提升,同时本文算法为其他目标检测模型提供了一个通用的解决方法。     

湿式多盘制动器制动噪声建模及其噪声抑制的研究

一般来说,车辆的制动噪声与其摩擦材料特性及其结构体的结构形式有关,而湿式多盘制动器产生制动噪声的机理与其摩擦介质的粘滑振动特性有关.为了减弱和消除湿式多盘制动器的制动噪声,本文针对其工作特性,建立了制动时的数学模型,并应用模态分析方法推导出影响制动噪声产生的理论计算公式,由此研究了制动噪声的产生机理、主要原因及影响因素,同时提出了降低制动噪声的具体措施、理论依据及设计准则.     

多Agent在变压器故障诊断中的研究

提出一种基于多Agent的变压器故障诊断模型,该模型包含3个诊断Agent、1个管理Agent和1个融合Agent.各诊断Agent的建立以NB、SB和TAN 3种贝叶斯分类器算法为基础,以所获取的变压器油中溶解气体数据为依据.由管理Agent调节和控制,达到各诊断Agent协商诊断的效果.由融合Agent根据管理Ag...     

三维CAD设计软件在湿式多盘制动器设计中的应用

目前,我们的设计工作仍停留在二维平面设计阶段,设计生成的零部件要完全依靠大脑的抽象思维进行装配,零件之间是否会产生干涉无法预知(特别是对于复杂的结构),只能等样机出来之后加以检验,而此时一旦有问题则必须返修。这无疑会延长设计周期,降低设计效果,并造成材料浪费,使原设计产品因多次修改而变得面目全非。如果我们设计的零部件能直接生成三维实体后再进行装配,就可减轻设计人员的抽象思维过程,一旦发现设计的零部件有干涉现象,可及时对其进行修改,原来的装配关系亦随之改变。此即所谓的三维参数化实体造型设计。     

输电线路部件视觉缺陷检测综述

随着我国电网系统的不断发展，基层巡检作业负担越来越重，运维成本越来越高，如何实现输电线路部件缺陷的智能化检测变得愈发重要。同时，由于国家《新一代人工智能发展规划》的提出和国家电网"数字新基建"的部署，人工智能应用于电力设备运维的相关技术得到了快速发展，对输电线路部件视觉缺陷准确检测成为亟待解决的关键问题之一。早期基于图像处理和特征工程的部件视觉缺陷检测方法对图像质量的要求较高，无法真正应用于现实复杂的输电线路作业环境；随着深度学习的兴起，基于深度学习的检测模型可以有效地将部件目标及其缺陷从复杂的输电线路航拍图像中提取出来，既节省了人工设计特征的时间，又在性能上达到了显著提升，因此逐渐成为主流研究方法。本文首先描述了基于传统算法的输电线路关键部件视觉缺陷检测技术，回顾了深度学习的发展过程并分析了深度学习在缺陷检测领域的优缺点；围绕输电线路上3个重要的部件：绝缘子、金具以及螺栓，介绍了其定位与缺陷检测的研究现状；分析了输电线路部件缺陷检测中研究的样本不平衡问题、小目标检测问题、细粒度检测问题等几个关键问题；分析了符合电网巡检任务复杂场景需求和故障诊断标准的输电线路部件缺陷检测技术的未来发展趋势。     

注塑模具随形冷却的分析及优化

对注塑模具冷却系统进行传热分析,得出了影响模具冷却的3个主要因素:冷却道的直径、相邻冷却道之间的距离及冷却道距模具表面的距离;改进了传统冷却设计方法,提出了模具随形冷却的"以面到体"设计方法;以台灯后壳为例,设计了模具冷却的均匀性试验和正交试验,并应用Moldflow软件对各组试验进行仿真分析,用直观对比法与极差分析法分析仿真结果,得出最佳试验数据,并同传统冷却进行比较,结果表明,模具温度降低11.40%,翘曲变形量降低9.32%。因此该方法可以明显提高模具冷却系统的冷却效果。     

风力发电系统运行与控制方法探析

在能源短缺的情况下,提升风能的利用率,增大风力发电系统的工作效率具有重要意义。文章首先对风力发电与并网风力发电系统相关内容进行了简要介绍,然后分别从系统运行和控制两方面对影响因素、控制和调整方式等进行了研究和分析。     

基于ASP技术的NT动态网站应用研究

将ASP方案同一些传统的动态网站建设方案进行了比较,介绍了如何利用ASP技术建设NT动态网站,通过一个具休例介绍了该方案的实现方法。     

基于残差BP神经网络的变压器故障诊断

基于传统BP神经网络的变压器故障诊断方法,当网络模型达到一定的深度时,模型的诊断性能会趋向于饱和,无法进一步提升网络模型的诊断性能,此时加深网络模型的深度反而会导致模型的诊断性能有所下降。此外,在小样本数据下,传统BP神经网络仍无法取得较好的诊断准确率。因此,为了提高变压器故障诊断准确率以及在小样本数据下的诊断性能,提出了基于残差BP神经网络的变压器故障诊断方法。所提方法采用堆叠多个残差网络模块的方式加深BP神经网络的深度,将传统BP神经网络的恒等映射学习转化为残差BP神经网络中的残差学习。同时,在每个残差网络模块中,模块的输入信息可以在模块内跨层传输,使得每个模块的输入信息可以更好地向深层网络传递,从而在小样本数据下仍可以训练得到较好的诊断模型。实验结果表明,相较于传统深层BP神经网络和传统浅层BP神经网络,所提方法具有更高的诊断准确率,同时在小样本数据下也体现出较好的诊断性能。     

基于聚类和关联分析的居民用户非侵入式负荷分解

现有的非侵入式负荷监测方法主要采用监督学习模型,该类模型需要具有针对性的大量训练数据,而且无法有效识别在训练数据中未出现的负荷。在分析多种家用电器负荷特征的基础上,选取负荷投切过程中暂态功率波形和功率变量作为负荷特征,并提出一种基于聚类和关联分析的无监督学习居民用户非侵入式负荷分解方法。首先根据功率变化情况提取电流和电压数据,并计算得到暂态功率波形;然后通过动态时间规整算法计算当前暂态功率波形与历史暂态功率波形的匹配度,并利用动态聚类算法和其他暂态负荷特征判别该功率波形对应的负荷操作;最后以周为单位对负荷操作进行关联分析,确定每种电器对应的多个暂态特征。仿真结果表明,所提方法易于实现,在准确率和可靠性方面有明显提高。