基于GFPN-YOLOv5的配网架空线路线夹护套检测方法*

配网架空线路未安装线夹护套是典型的施工缺陷。针对配网架空线路线夹护套存在多尺度变化与小目标检测困难的问题,在YOLOv5的基础框架上,提出了一种基于注意力机制与图特征金字塔网络(Graph Feature Pyramid Networks,GFPN)相结合的线夹护套目标检测方法。为了提高线夹护套图像中各部件边界信息的检测能力,通过超像素分层构建了GFPN结构,并设计了三种图神经网络(Graph Neural Network,GNN)。采用通道注意力与空间注意力机制进行消息传播,设计了GNN与特征金字塔网络(Feature Pyramid Networks,FPN)的特征映射规则。建立了螺栓型耐张线夹护套数据集,实验结果表明GFPN YOLOv5模型对线夹护套的检测准确度提高了5.6%,同时在线夹护套样本多尺度变化和小目标场景下具有较好的泛化能力。     

寨崖底煤矿3902面尾巷锚杆支护研究与应用

为研究寨崖底煤矿3902面尾巷合理煤柱宽度与锚杆支护参数,采用数值模拟计算的方法,分析得出煤柱留设宽度为25 m,并根据模拟结果所得巷道支护参数,成功进行了工业性实践,可为矿区巷道锚杆支护提供借鉴.     

基于深度学习的指针式仪表识别算法研究

目前指针式仪表数据仍然基于模板匹配等传统算法,在信噪比低的情况下识别精度低,因此采用深度学习进行指针的分级定位与识别。一级识别采用SSD算法进行仪表区域定位,计算仪表倾斜角度并修正。二级指针定位使用多方位SSD算法识别指针转动角度并转换量程。使用自建的仪表数据集进行网络训练,指针式仪表检测精度达到87%;作为拓展方向,数字式仪表检测精度达88%。实验结果表明,该算法稳定性及准确度均高于传统的指针式仪表识别算法。     

一类非线性奇异摄动系统的近似最优控制

针对一类非线性奇异摄动系统,基于自适应动态规划算法提出了一种新型的近似最优控制设计方法.该方法基于奇异摄动系统的快、慢Hamilton-Jacobi-Bellman(HJB)方程,从初始性能指标开始,通过神经网络的近似和控制律与性能指标的逐步更新迭代,最终收敛到最优的性能指标,而不用直接求解复杂的HJB方程.同时给出了...     

近距离采空区下交叉点大断面锚网索支护设计

针对近距离煤层采空区下矿压显现规律不明显,巷道交叉点支护掘进施工困难的问题,通过理论分析和计算,采用锚网索联合支护技术,进一步确定了支护参数,并在应用后取得了成功,对该技术推广有一定参考意义。     

基于YOLOv5的人员安全帽检测告警算法∗

佩戴安全帽可有效保障作业人员安全,避免事故的发生,然而安全帽佩戴的实时监控问题却一直未得到良 好的解决.为了缓解电力场所安全监控压力,基于 YOLOv５目标检测算法设计了一套人员安全帽佩戴检测和危险区 域告警算法,通过对锚框进行重聚类并引入注意力机制等对原始网络进行改进,结合公开数据集和自建数据集对网络 进行训练,检测精度达到89.9％.最后通过JetsonXavierNX等硬件设备将该算法部署到机器人上进行巡检,可实现 对作业现场人员的实时监管,有效保障作业现场人员安全.