基于深度学习的建筑消防电气设备故障智能预警系统研究

已有建筑消防电气设备故障智能预警方法由于电气设备数据处理不当,存在故障预警时间过长的缺陷,无法满足现今建筑消防安全需求,因此提出基于深度学习的建筑消防电气设备故障智能预警方法研究。该研究引入深度学习技术,并选取模糊神经网络算法作为应用技术,以此为基础,分析建筑消防电气设备故障主要原因,采集电气设备故障信号,应用“固定门限”算法与复合Kendall-τ趋势算法预处理电气设备故障信号,以处理后的电气设备故障信号为基础,基于模糊神经网络算法搭建电气设备故障预警模型,规范化输入量与输出量,制定模糊推理规则,实现了建筑消防电气设备故障的智能预警。试验结果显示：与现有方法相比,提出方法电气设备故障预警时间更短,充分证实了提出方法具备更好的应用性能。     

基于深度学习的易拉罐缺陷检测技术

目的 现有的易拉罐缺陷检测系统在高速生产线中存在错检率和漏检率高,检测精度相对较低等问题,为了提高易拉罐缺陷识别的准确性,使易拉罐生产线实现进一步自动化、智能化,基于深度学习技术和迁移学习技术,提出一种适用于易拉罐制造的在线检测的算法。方法 利用深度卷积网络提取易拉罐缺陷特征,通过优化卷积核,减短易拉罐缺陷检测的时间。针对国内外数据集缺乏食品包装制造的缺陷图像,构建易拉罐缺陷数据集,结合预训练网络,通过调整VGG16提升对易拉罐缺陷的识别准确率。结果 对易拉罐数据集在卷积神经网络、迁移学习和调整后的预训练网络进行了易拉罐缺陷检测的性能对比,验证了基于深度学习的易拉罐缺陷检测技术在学习率为0.0005,训练10个迭代后可达到较好的识别效果,最终二分类缺陷识别率为99.7%,算法耗时119 ms。结论 相较于现有的易拉罐检测算法,文中提出的基于深度学习的易拉罐检测算法的识别性能更优,智能化程度更高。同时,该研究有助于制罐企业利用深度学习等AI技术促进智能化生产,减少人力成本,符合国家制造业产业升级的策略,具有一定的实际意义。     

基于先验知识与深度学习结合的缺陷检测算法

为提升零件表面缺陷的检测率与算法的鲁棒性;在目标检测算法中,添加图像增广方法,利用多个图像增广叠加的方式扩大其训练样本;针对深度学习收敛速度慢及很难发现先验知识的缺陷,分别提取4类缺陷的灰度共生矩阵特征值,经分析各类灰度共生矩阵特征对不同特征的区别度,选取区别度最大的特征,将其带入单点多边界框探测器（SSD）算法网络中作为先验知识。结果表明,本文的检测网络在收敛速度及检测效果都有所提升,其检测速度约为9.06帧每秒,满足实时性要求。     

基于深度学习的工业自动化包装缺陷检测方法

目的针对目前工业自动化生产中基于人工特征提取的包装缺陷检测方法复杂、专业知识要求高、通用性差、在多目标和复杂背景下难以应用等问题,研究基于深度学习的实时包装缺陷检测方法。方法在样本数据较少的情况下,提出一种基于深度学习的Inception-V3图像分类算法和YOLO-V3目标检测算法相结合的缺陷检测方法,并设计完整的基于计算机视觉的在线包装缺陷检测系统。结果实验结果显示,该方法的识别准确率为99.49%,方差为0.0000506,只使用Inception-V3算法的准确率为97.70%,方差为0.000251。结论相比一般基于人工特征提取的包装缺陷检测方法,避免了复杂的特征提取过程。相比只应用图像分类算法进行包装缺陷检测,该方法在包装缺陷区域占比较小的情况下能较明显地提高包装缺陷检测精度和稳定性,在复杂检测背景和多目标场景中体现优势。该缺陷检测系统和检测方法可以很容易地迁移到其他类似在线检测问题上。     

基于YOLOv5的瓷砖表面缺陷检测

目的 针对目前的瓷砖表面人工缺陷检测效率低的问题,提出一种基于深度学习YOLOv5算法实现对生产线瓷砖表面缺陷的检测。方法 首先对数据集进行切图分割与数据增强处理,再通过labelimg对数据集进行数据标注,然后将数据集送入到优化后的YOLOv5网络模型进行迭代训练,并将最优权重用于测试。结果 通过实验对比,YOLOv5模型的检测准确率高于Faster RCNN、SSD、YOLOv4这3种模型,其检测平均准确度高于96%,平均检测时间为14ms。结论 表明该方法能够检测生产过程中的瓷砖缺陷问题,在瓷砖缺陷检测上有一定的先进性和实用性。     

基于深度学习的人脸识别方法综述

人脸识别与虹膜识别、指纹识别、步态识别等其它生物特征识别技术相比,具有自然、便捷、用户体验友好等独特优势,因而受到了学术界和工业界的广泛关注.近年来,在深度学习技术的驱动下,人脸识别技术取得了突破性进展,在面对表情、姿态、光照、遮挡等外在干扰因素时,仍表现出较好的鲁棒性.特别地,基于深度学习的人脸识别技术已广泛应用于安...     

基于深度强化学习的图像去模糊方法

目的为了有效地去除多种图像模糊,提高图像质量,提出基于深度强化学习的图像去模糊方法。方法选用GoPro与DIV2K这2个数据集进行实验,以峰值信噪比(PSNR)和结构相似性(SSIM)为客观评价指标。通过卷积神经网络获得模糊图像的高维特征,利用深度强化学习结合多种CNN去模糊工具建立去模糊框架,将峰值信噪比(PSNR)作为训练奖励评价函数,来选择最优修复策略,逐步对模糊图像进行修复。结果通过训练与测试,与现有的主流算法相比,文中方法有着更好的主观视觉效果,且PSNR值与SSIM值都有更好的表现。结论实验结果表明,文中方法能有效地解决图像的高斯模糊和运动模糊等问题,并取得了良好的视觉效果,在图像去模糊领域具有一定的参考价值。     

浅谈建筑电气设备安装与维护

建筑工程中,电气设备是灵魂。一栋完整的建筑,只有电气设备完好,一切才可以正常运转。本文针对建筑中电气设备的安装及维护做了简要阐述,叙述了电气设备的设置要求、电气设备的安装以及电气设备的维护。     

基于深度学习的门机抓斗检测方法

在港口门机抓斗装卸干散货的作业过程中,人眼观察无法精确判断抓斗所在位置,会带来工作效率低下及安全性等问题.为解决该问题首次提出了一种基于深度学习的门机抓斗检测方法.利用改进的深度卷积神经网络YOLOv3-tiny对抓斗数据集进行训练及测试,进而学习其内部特征表示.实验结果表明,基于深度学习的门机抓斗检测方法可实现门机抓...     

基于深度智能视觉的表面缺陷检测研究进展

基于深度智能视觉的表面缺陷检测研究在制造业中起着越发重要的作用,本文阐述深度智能视觉的表面缺陷检测在现代工业质检中的重要性,对现有研究进展进行梳理总结。深度智能视觉以机器视觉和深度学习为技术基础,为不同工业场景提供高精高效的表面缺陷检测算法。本文从检测细粒度的角度将表面缺陷检测分为表面缺陷分类、定位、分割检测3个部分,并分别对分类、定位、分割方法进行系统综述,梳理现有表面缺陷检测研究的问题和思路。分类检测针对数据和缺陷图形特征问题进行研究,因其基础性和易拓展性于不同工业场景的应用呈现分散发展;定位检测以模型框架、矩形框检测和标注成本为主要问题,表现出追求轻量化和特征融合机制的研究趋势;分割检测更关注图像细节特征。通过研究分类、定位、分割的多任务模型框架以探索分类、分割检测之间的互补性。最后总结目前表面缺陷检测研究存在的问题,并对发展趋势进行展望。     

基于YOLOv4算法的药用空心胶囊表面缺陷检测方法

目的 为提升质检过程中药用空心胶囊的表面缺陷检测精度及其自动化水平。方法 通过设计高质量图像采集方案来避免胶囊表面出现光斑,以此构建药用空心胶囊缺陷数据集。基于YOLOv4算法,建立深度学习检测模型,利用多尺度特征提取以及训练策略,增强对小目标缺陷检测的鲁棒性。采用K-means++聚类算法更新锚框初始值,以提高模型对胶囊表面缺陷的预测性能。结果 实验结果表明,提出的胶囊缺陷检测方法能够准确判别胶囊好坏,并能检测出其表面的凹陷、孔洞、划痕、污点和接口缺损等5类缺陷,其中对于胶囊有无缺陷的平均精确均值达99.05%,各缺陷类型的平均精确率为91.81%,而每秒检测图像可达22张。与其他典型的目标检测方法相比,文中方法在检测速度和精度上都有一定优势。结论 文中所提出的基于YOLOv4的缺陷检测方法实现了对药用空心胶囊多类型缺陷的分类与定位,具有较好的检测效果和稳定性,在满足生产质量管控要求的同时,可大幅降低人工成本。     

基于深度学习的实时物体检测与跟踪

本文旨在研究多模态显著性检测方法,以提高在计算机视觉领域中物体检测与跟踪任务的性能。研究问题聚焦于如何融合多种传感器数据,以提高物体检测和跟踪的准确性和质量。采用基于深度学习的目标检测与跟踪方法,能够更准确地识别和定位感兴趣的物体,并连续追踪其运动轨迹。研究方法涉及条件生成对抗网络（Conditional Generative Adversarial Networks,CGAN）和动态权重自适应融合技术,以优化目标的检测性能。本文在多个多模态数据集上进行了性能测试,包括RGB-Thermal、RGB-Depth和RGB-Total。结果表明,与完整模型相比,移除对抗损失函数和模态权重的模型具有更高的召回率,尤其是在高阈值条件下。本研究验证了多模态显著性检测方法在不同数据集上的有效性,并指出在特定数据集上可能需要调整模型参数或损失函数的设计,以获得最佳效果。本研究不仅能够应用于自动驾驶、智能监控和人机交互等实际场景中,还为多模态数据融合在目标检测与跟踪领域提供了参考。     

基于深度学习的包装组件检测系统研究

目的 针对人工分拣组成的零件包装盒常常会出现缺少部分零件的问题,开发一套集训练、识别、分选于一体的智能分拣系统.方法 在设计过程中,提出一种基于深度学习的改进Yolov3算法,针对工业现场光照、业零件形状和质地等实际因素,对Yolo算法的训练和检测进行改进,通过对包装盒产品的一次拍摄,检测出画面中出现的预设物体,并与标准设置相比对,从而判断出该盒内产品是否有缺料、多料的情况,以此分选出合格与否的包装盒.结果 在物体摆放相互重叠不超过20％的情况下,物体检测的准确率为98.2％,召回率为99.5％.结论 通过文中提出的改进算法,设计的检测系统能够在复杂的工业现场环境下正常工作,并能对包装的完整性进行准确的检测.     

基于改进YOLOv5模型的PCB缺陷图像检测

本文针对印制电路板(Printed Circuit Board, PCB)的缺陷检测问题,研究一种基于改进YOLOv5的PCB缺陷检测模型,构建常见PCB缺陷图像和背景图像的训练数据集,以及缺陷图像和无缺陷图像的测试数据集。为提高YOLOv5模型全局特征捕获能力,在CSP模块的ResNet中,融入Transformer的多头注意力机制,构建改进后的YOLOv5网络结构。结果表明：改进后的模型更适合PCB缺陷的检测,对非缺陷图像的检测精度提高了11.40%。     

建筑电气设备安装技术及质量控制的探讨

本文主要对建筑电气设备安装施工技术进行论述,并结合笔者多年来的工作经验和相关知识提出相关质量控制,希望能给予相关专业读者借鉴。     

基于深度学习的光伏图像透视变换算法优化

本文针对图像处理中常用的透视变换算法,提出了一种基于深度学习算法理论的二次修正优化方法.具体表现为,在混合相加(或双光)相机的两图像上面对应点的透视变换过程中,对透视变换原点根据透视变换矩阵进行透视变换的基础上,引入深度学习算法中的多层感知器模型对透视变换后的点实现二次修正优化,以期消除因图像畸变等不确定因素而产生的误...     

基于集成学习思想的深度图像遮挡边界检测方法

针对现有深度图像遮挡检测方法不能有效地检测出深度信息变化不明显的遮挡边界点的状况,提出了8邻域总深度差特征和最大面积特征,并定义了计算方法。在此基础上,提出一种新的基于集成学习思想的深度图像遮挡边界检测方法,该方法结合所提新特征及现有遮挡相关特征训练基于决策树的AdaBOOst分类器,完成对深度图像中遮挡边界点及非遮挡边界点的分类,实现对深度图像中遮挡边界的检测。实验结果表明,同已有方法相比,所提方法具有较高的准确性和较好的普适性。     

超声波检测焊缝缺陷深度的不确定度评定

采用GUM法对超声波检测焊缝缺陷深度的测量不确定度来源进行了分析,并对检测过程中的测量不确定度进行了评定。结果表明:超声波检测焊缝缺陷深度的不确定度来源主要有超声波探伤仪水平线性误差、斜探头性能以及试块规格;为了得到精确的测量结果,测试前应对超声波探伤仪水平线性误差进行检查并确保其在合适范围内,然后选用合适的探头及试块。     

电气设备安装与调试

随着科技的发展,电力企业的不断进步,变电所电气设备也随之得到快速发展,电气设备的体积将会越来越小,功能越来越多,保护装置也从传统的继电器向晶体管发展,以适应社会的需求和发展,提高电力企业的工作效率。因此,正确掌握电力设备的安装与调试方法,对日后变压器的检修维护及安全运行有着重要的意义。     

基于机器视觉和深度学习的渗透检测图像智能评判方法研究

传统的渗透检测技术基于检测人员对渗透检测图像进行目视判别,其检测结果容易受到检测员主观因素的影响,且效率低下。本文介绍一种基于机器视觉的渗透检测图像评判方法,通过机器视觉技术实现缺陷抓取。检测结果表明,在缺陷较少的情况下,该方法有着较好的鲁棒性,具有一定的应用价值。本文还探讨了基于深度学习的渗透图像智能评判方法,实验结果表明,该方法相较于传统的机器视觉检测方法,检测准确率有了一定的提升。