基于改进EfficientDet的药丸检测算法

针对药剂师在药丸分拣过程中因疲劳而出错的问题,本文提出了一种基于改进EfficientDet的药丸检测算法。首先,引入Mosaic数据增强技术来提高采样数据的复杂度;然后,对主干网络EfficientNet进行改进优化,嵌入了CBMA模块的特征融合层,通过增强学习特征提高对药丸关键特征的提取能力;最后,对BiFPN特征融合部分增加了下层到上层的跨级数据流,通过充分利用多级数据,提高了不同层次的多尺度特征融合效率。实验表明,改进后的EfficientDet算法在测试中mAP值达到99.84%,相比较原始EfficientDet算法提高了0.65%,同时也比YOLOv3,YOLOv4和YOLOv4-Tiny等性能较好的目标检测网络具有更高的准确率和更好的实际应用性。     

基于机器视觉的风机叶片缺陷检测

针对风机叶片缺陷难以检测的问题,提出一种基于机器视觉的风机叶片缺陷检测方法.首先,使用非局部均值方法去除图像中的背景噪声,同时平滑缺陷边缘;其次,使用自适应对比度增强方法进行图像增强,提升图像的整体质量;然后使用双阈值 OTSU 大津法分割增强后的图像,提取得到缺陷区域;最后,使用 Canny算子和形态学 变换对缺陷区域进行边缘检测,得到缺陷区域定位.试验结果表明,该算法具有一定的有效性和准确性.     

基于风机叶片缺陷的超声波检测方法分析

作为风力发电机的关键部件,叶片质量至关重要,目前风机叶片缺陷检测主要采用无损检测方法,如超声波、红外热波、声发射波及X射线检测,针对叶片深层缺陷、裂纹和分层等缺陷难以有效检出等问题,结合风机叶片典型结构和常见缺陷,通过设置叶片试件不同位置、不同类型的人工缺陷,采用超声波对人工缺陷进行检测,检测试验结果表明,超声波检测方...     

基于EfficientDet网络的输电线路故障检测

为保障电力系统的安全运行,需要对输电线路进行全方位的智能监测和实时预警.针对电力行业缺少公开图像数据样本、故障特征不明显、小目标难以检测的问题,提出了一种基于EfficientDet网络的输电线路故障检测方法.首先,采集并仿真多场景下的输电线路异物悬挂、导线散股断股两类故障,整理形成故障数据集.考虑到故障样本中存在诸多...     

基于深度学习的风机叶片边缘检测

利用传统视觉算法提取叶片边缘易受地平线或非目标风机的干扰对提取结果造成误差。针对这一问题,提出一种基于显著性及改进双向级联网络的检测算法,该算法可排除地平线及背景影响,获取完整边缘信息。其中,显著性检测网络模拟人的注意机制,提取视场重要信息,将目标风机与背景分离;改进双向级联网络在原有结构新增尺度选择模块,优化不同层之间特征共享,精确检测不同尺度的边缘,完整获取目标轮廓。利用某风电场无人机采集的实验数据,对识别性能评估得出该方法具有足够的精度,可在不同环境中准确识别叶片轮廓。     

基于SSD算法优化的风机叶片缺陷检测研究与应用

风机叶片在运行过程中,由于环境和高速旋转等原因会产生各种缺陷,这些缺陷直接影响风机发电量,严重者甚至导致叶片产生不可逆的损伤,带来巨大的经济损失。针对风机叶片的缺陷识别和检测,采用优化后的SSD(单步多框目标检测)算法,该算法从采集的缺陷样本中自主学习叶片缺陷特征,实现风机叶片缺陷的自动检测、定位和分类。最终在测试数据集上达成mAP(平均精度均值)为82.1%,召回率为90.3%。该算法已应用于企业级项目中,实践证明深度学习算法在企业级项目中具有很好的鲁棒性和商业价值。     

电磁超声检测风机叶片缺陷的有限元仿真研究

针对传统风机叶片无损检测存在一定局限性的问题,提出一种电磁超声检测技术,其具有非接触、无需耦合剂、较强环境适应性等优点.该方法根据电磁超声检测原理,以13 mm厚度的无损叶片模型及脱胶、夹杂、气泡3种缺陷叶片模型为研究对象,首先利用有限元仿真软件COMSOL建立方形永磁体和跑道型线圈的电磁超声换能器,再通过换能器对各类...     

无人机在风机叶片检测中的应用

介绍了无人机的分类及特点,分析了风机叶片的故障种类、检测方式及无人机应用于叶片检测的特点等,最后通过实例说明无人机在风机叶片检测中具有操作简单、维修方便、效率高等优点。     

基于卷积神经网络的风机叶片损伤检测

作为捕获风能的关键部件,风机叶片受制造及运行载荷影响,可能存在不同程度的损伤,这会直接影响风机运行可靠性。为防止风机叶片持续损伤发生质量安全事故,需要开发1种快速简便且非植入安装式的检测方法来识别风机叶片的损伤情况。根据叶片损伤和叶片运行噪声间存在的物理相关性,提出了一种基于声学信号和卷积神经网络（convolutional neural network,CNN）的风机叶片损伤检测方法,将时序声学信号转换成二维频谱图片,结合健康频谱图生成残差频谱图,并通过训练卷积神经网络来识别风机叶片是否存在损伤。分析结果表明：该算法消除了叶轮旋转产生的固有叶片扫风声音对损伤识别的影响,提高了识别精度;以某地风机的实测数据为例进行算法分析,结果表明该算法的分类精度达到了96.9%,验证了基于卷积神经网络的检测方法的有效性和精确性。     

基于EfficientDet的变电站人员检测与定位技术

人工智能技术已经在目标检测、目标识别领域广泛应用,受限于电网复杂的工作环境,人工智能在电网系统中的应用才刚刚起步.本文针对谷歌最新提出的一种新兴神经网络结构:EfficientDet开展研究,在分析其特点的基础上将EfficientDet模型应用于变电站人员检测,验证了EfficientDet模型应用于变电站人员检测中...     

基于特征融合的风机叶片表面缺陷检测模型

针对风机叶片表面缺陷检测识别率低、且易受光照影响的特点。提出一种基于卷积神经网络特征融合局部二值模式特征及核极限学习机的风机叶片表面缺陷检测方法。利用引入注意力机制的卷积神经网络提取图像深层次信息,然后提取描述图像浅层纹理信息的局部二值模式特征,采用主成分分析方法降低局部二值模式特征维度;将两种从不同层面描述图像的互补特征串行融合。用改进的麻雀搜索算法优化核极限学习机参数,利用融合的特征训练模型,得到最优模型进行缺陷识别。通过实验,在自建数据集训练后的分类准确率达到了97.5%,kappa系数达到95.1。相比利用单一特征检测,分类准确率有明显的提高。经风电场实际验证,本模型的平均分类准确率为96.3%,Kappa系数为94.5,漏报率明显降低。     

基于叶素理论的风力机模拟系统研究

在不具备风场环境或风力机的实验室的情况下,建立风力机输出特性模拟实验平台,对风力发电系统的研究具有重要作用.本文考虑涡流的影响,对叶素进行权系数分配,采用叶素理论建立风轮转矩模型,并根据风力机和直流电动机具有较大相似特性,利用控制直流电动机的输出转矩来模拟风力机的特性,搭建了交流励磁变速恒频风力发电系统实验平台.实验不...     

风机叶片无人机红外热图像拼接方法

针对风机叶片红外图像拼接困难的问题,提出了一种基于无人机速度信息的风机叶片红外图像拼接方法。首先,利用U-net网络预测获得叶片掩膜图像,从而去除冗余的背景信息;其次,计算平移、旋转、缩放参数使拼接图像配准;最后,使用Multiband Blend算法对拼接图像进行融合,消除视场与光照变化引起的拼缝。实验结果表明,本文提出的方法在拼接处x梯度方向上的RMSE小于SURF等传统图像拼接方法,拼接成功率达97.8%,并成功获取风机叶片红外全景图。将Multiband Blend算法应用于叶片红外图像融合,结果表明融合后图像拼接处RMSE显著降低,过渡更加平滑。     

基于图像处理的风力发电叶片速度的检测

风力发电的大规模建设,并网技术不断深入,风力发电呈现面广点多的特点,依靠原始的方式已经不能满足监控系统的发展需要.通过图像处理技术可以及时发现、处理事故,有助于提高风力发电自动化的安全性和可靠性,并以风力发电的叶片为研究对象,阐述了叶片进行数字图像处理和图像识别的实现过程和设计流程,采用VC++6.0编写了图像采集处理...     

Wind turbine emulator based on blade element momentum theory for variable‐speed wind power generation system

This paper proposes a wind turbine emulator (WTE) based on the blade momentum theory, and tests the variable‐speed wind power generation system using a pulse‐width modulation (PWM) converter to verify the accuracy of the emulator. The behavior of the wind turbine for natural wind is reproduced by the WTE based on the proposed theory. The variable‐speed wind power generation system employs a vector control system to control the torque and speed of the permanent magnet synchronous generator in the converter side. The windmill rotational speed is controlled to maximize the efficiency of the wind turbine against wind velocity. And the active power and reactive power are controlled in the inverter side, and the generated power is sent to the grid while controlling the DC link voltage to be constant at the same time. The behaviors of the WTE are compared with the simulation results and experimental results using a real wind turbine. These experimental and simulation results show that the test bench with the proposed WTE has sufficient performance and accuracy to verify variable‐speed wind generator systems. © 2015 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

改进 YOLOv5s 的风力涡轮机表面缺陷检测

针对传统方式检测风力涡轮机表面缺陷时出现的精度不足、泛化性较差问题,提出了一种改进YOLOv5s的风力涡轮机表面缺陷检测模型。在网络结构方面,首先在主干特征提取网络引入改进的MobileNetv3网络,用于协调并平衡模型的轻量化和精度关系;其次采用BiFPN式的融合方式,增强神经网络的多尺度适应能力,提高融合速度和效率;最后为轻量化的自适应调节特征权重,运用ECAnet通道注意力机制,进一步提高神经网络的特征提取能力。在损失函数方面,将边框回归的损失函数修改为αIoU Loss,进一步提升了bbox回归精度。实验结果表明,基于YOLOv5s的改进算法可以在复杂环境下快速准确地识别风机表面的缺陷目标,能够满足实时目标检测的实际应用需求。     

基于关键点的遥感图像旋转目标检测

高分辨率的遥感图像与普通图像相比,遥感图像目标具有方向多样性和尺度变化较大等特点.针对遥感图像目标检测问题,提出一种R-CenterNet遥感图像目标检测算法.首先,对CenterNet网络重新设计,在网络结构中加入旋转因子为检测框提供角度信息;其次,增加网络深度,提高网络检测性能;最后,为聚合不同区域的信息,进一步提...     

基于预筛选和局部单应性的风电叶片图像匹配方法

将动态摄影测量方法应用到风电叶片动态监测中,对于优化风电系统设计、保证系统安全可靠运行具有重要意义。图像特征点自动匹配是动态摄影测量系统中的关键技术,匹配方法的优劣直接影响最终的测量精度。在实际风电叶片动态摄影测量中,叶片运行时的摆振会加剧叶片的非平面性,使得直接采用极线或单应性匹配技术匹配双目图像特征变得更加困难,因此提出一种基于预筛选和局部单应性的双目图像匹配方法,可用于风电叶片平缓连续曲面测量场。首先,通过双目摄影测量系统获取叶片像点图,对左相机采集到的像点图通过极线约束筛选出各个点在右像面中的候选匹配点集;其次对当前待匹配点及其候选匹配点集中的每个点分别抽取一个以该点为中心的局部近平面区域并做相应组合;之后针对每一组近平面区域分别采用改进的随机抽样一致算法估计相应的最佳单应性矩阵模型;最后通过局部单应性变换及合理的误差阈值在多个候选点中确定当前待匹配点的最终匹配点。该方法已成功应用于风电叶片的摆振测量实验,像点匹配率不低于96%且匹配准确率不低于97%,能够满足实际风电叶片图像匹配精度的要求。     

基于RBM和SVM的风电机组叶片开裂故障预测

针对风电机组SCADA监测数据的非线性、高冗余等特点,提出一种基于受限玻尔兹曼机(Restricted BoltzmannMachine,RBM)和支持向量机(SupportVectorMachine,SVM)的风电机组叶片开裂故障预测方法。利用RBM优异的特征学习能力,将其作为特征提取器来获得风电机组SCADA数据中表达能力更强的数据特征。将RBM的输出作为SVM的输入,构建RBM+SVM组合预测模型。利用训练集、验证集进行预测模型构建和参数微调。为验证提出模型的有效性,将其预测结果与RBM+Logistic回归、SVM和Logistic回归的预测结果进行对比。实验表明,RBM+SVM的预测准确率为93.08%,与三组对比模型相比具有明显的优势。研究结果可为实际风电机组叶片开裂故障预测提供重要参考。