基于深度学习的元器件视觉识别和定位技术

为解决当前装配机器人视觉系统对元器件误检率高、效率低、难获取有效定位信息的问题，提出了一种基于深度学习的元器件视觉识别和定位方法。首先，设计基于深度聚合和解耦头的高精度检测算法，提高元器件识别和主体检测的精度；其次，设计标注和判定规则，细化定位主体轮廓和抓取点；最后，设计基于网络剪枝的轻量化检测算法，实现模型压缩，提高引脚检测和装配点定位的效率。研究结果表明：该方法在元器件的识别和定位上取得了较好表现，类别识别平均错误率仅为0.27%，计算量减少了29.8%，参数量减少了22.7%，并将传统的元器件轮廓检测扩展到抓取点和装配点定位，得到丰富的类别和位置指引信息，为工业机器人精准、可靠、稳定地抓取和装配做好基础。     

基于深度神经网络的电气元件符号识别算法

在智能电网发展的新时期,提高业扩报装的工作效率以及智能化程度是一项重要任务,在这一过程中对于电气图纸中电气元件符号的识别尤其关键,已有方法在算法精度以及鲁棒性上都存在不足。为此,基于YO?LOv3提出了一种改进的电气符号识别算法,改进了模型超参数选取策略,构建了自下而上的特征融合网络以及基于图像冗余的图像预处理方法,有效地解决了传统方法精确度低的问题。平均准确率和召回率分别达到94.8%和96.5%,与传统的图像识别算法和基准方法相比都有明显的提升。     

基于机器视觉和卷积神经网络的不溶异物检测

药液在生产过程中易混入不溶异物,因此投入市场前的必须对药液进行检测.针对安瓿瓶药液检测,区别于传统的序列图像检测算法,设计了一种基于机器视觉和卷积神经网络的检测方法.首先利用Canny边缘检测提取安瓿瓶瓶壁边缘,裁剪药液区域图像,减少了后续计算量;其次改用VGG16卷积神经网络进行不溶异物的特征提取,可以提取到传统特征...     

基于深度神经网络的电力调度语音识别研究及应用

为进一步提高智能电网调度语音识别的准确率,本文将深度学习技术引入了电力调度语音识别领域,提出了基于深度神经网络(deep neural network,DNN)的电力调度语音识别技术。针对电力调度专用术语以及某区域电网习惯调度用语,建立了电力调度语音识别基础语料库。通过应用深度神经网络-隐马尔可夫模型(deep neural network-hidden markov model,DNN-HMM)进行声学模型训练,并对电力调度语音材料制作,语音模型训练过程、端点检测、与D5000系统交互以及语音转文字的整套流程进行了论述。实践结果表明,采用DNN-HMM的电力调度语音识别性能要显著优于传统语音识别框架,即高斯混合-隐马尔可夫模型(gaussian mixture model-hidden markov model,GMM-HMM),采用所提方法进行电力调度语音识别准确率达94.63%。基于所提方法开发的电力调度语音识别系统在某区域电网调控中心的应用实例表明了所提方法的可行性与优良性。     

基于深度学习的电子元器件快速检测算法研究

针对电子元器件装配过程中由于元器件体积小、外观相似,导致工人在长期高强度的工作下极易误识别、误装配元器件的问题,提出了一种基于深度学习的检测算法ETS-Net实现电子元器件的快速准确检测。算法引入深度可分离卷积,减少模型参数量和运算量,降低了模型的复杂度。提出一个轻量化高性能卷积神经网络提取具有分辨力的抽象特征,采用K-Means聚类并微调得到适合本场景的锚框,使用高效率的区域提议网络获取高质量的预选框。其次利用两个并联的全连接层预测类别并再次调整预选框,采用非极大抑制排除冗余检测结果。实验结果表明,该算法在电子元器件装配机器人视觉检测任务上具有较高的鲁棒性和实时性。     

机器人视觉系统分析与识别研究

论文简要介绍了机器人的发展现状、相关研究的方向以及研究领域，讲述了机器人视觉系统图象处理，最后通过实例分析机器视觉系统的应用。     

视觉分类识别系统设计

针对企业生产过程中零件混装问题,设计了使用基于高斯混合模型的背景分离算法,实现稳定且灵活的背景分离效果,使用基于等级灰度、形状相似和简单轮廓的特征提取算法,实现有效且稳定的特征数据提取效果,利用基于xml数据存储的多层神经网络算法,实现物品种类动态变更的效果.通过对图像进行分离、提取、识别后,达到分类的效果,结果表明,...     

基于PC的机器视觉系统研究

文章以机器视觉在啤酒空瓶检测系统中的应用为例，介绍了基于PC的机器视觉系统的组成，及各主要组成部分的功能、特性和设计、选型原则。     

基于改进深度卷积神经网络的步态识别算法

针对传统步态识别算法因服饰携带物变换、视角等协变量因素变化导致的识别能力下降问题,提出了一种基于改进深度卷积神经网络的步态识别算法。该算法利用分层处理机制从步态数据中提取步态特征,能够降低常见变化和遮挡等情况对识别精度的影响,同时,算法根据实验确定了网络中每层特征图的最佳数量、特征图的最佳尺寸以及要用于步态识别的输入特征的类型,能够处理相对较小的数据集而无需使用任何增强或微调技术。CASIA-B步态数据库仿真实验表明,所提出的卷积神经网络覆盖了交叉视图步态识别和无主题的步态识别问题,能够克服与步态识别相关的协变量因素问题,具有更优的步态识别精度。     

基于深度神经网络的变电站继电保护装置状态监测技术

监测变电站中继电保护装置的实时状态对避免设备损坏或故障,维持电网稳定运行有重要意义。传统的状态监测依赖于定期的人工检查,在耗费大量人力的同时,也难以做到不间断实时监测,且检测精度容易受到主观因素的限制。针对这一困境,提出基于深度神经网络与计算机视觉技术的变电站继电保护设备状态监测技术。利用平移变焦摄像机拍摄的变电站实时画面,首先进行图像去噪,并利用图像相关性进行图像配准。根据尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)描述,使用深度神经网络进行图像分类,识别出设备的状态。同时,提出一种对标准图像配准框架的修改方案,使得算法在不同光照条件下具有更高鲁棒性。在实际应用中,该算法可以达到超过99%的检测准确率,大幅提升了变电站的安全性。     

基于深度神经网络的弱监督信息细粒度图像识别

强监督识别算法需要大量的人工标注信息,消耗较多的人力物力资源。为了解决上述问题,满足实际需求,提出了两种基于弱监督信息图像识别方法用于细粒度图像分类(FGVC)。一种是联合残差网络和Inception网络,通过优化卷积神经网络的网络结构提高捕捉细粒度特征的能力。另一种是对双线性CNN模型进行改进,特征提取器选取Google提出的Inception-v3模组和Inception-v4模组,最后把不同的局部特征汇集起来进行分类。通过在CUB200-2011鸟类公开数据集和Stanford Cars汽车类型数据集上进行测试,实验结果表明,提出的方法在两种数据集上的分类精度分别到达了88.3%和94.2%的分类精度,实现了较好的分类性能。     

基于知识嵌入和DNN的工商业用户异常用电检测

目前的异常用电检测研究主要以居民用户为对象,相关方法并不适用于工商业用户。针对此问题,本文提出一种融合了电能计量原理的基于深度学习的异常用电检测方法。首先,分析了各类异常用电的数据现象,结果说明单纯采用智能电表数据不足以准确检测异常用电。本文遵循电能计量原理,将描述电气参量内部逻辑关系的指标作为知识嵌入智能电表数据,构建深度学习样本模型。然后,本文提出了一个改进的深度混合残差神经网络,确保从海量智能电表数据中学习用于识别异常用电的高级特征。实验结果表明,相比多个基准算法,本文方法在所有评估指标上均取得了明显的提升。     

基于深度门控循环单元神经网络的短期风功率预测模型

随着新能源的不断发展,大量大容量风电机组并入电网运行,给电网的安全可靠运行以及风力发电的可持续发展都提出了新的挑战。提出一种风功率预测模型,该模型以风电场风功率历史数据以及风速、风向等数值天气预报数据作为输入对风功率进行预测。考虑到风功率预测中输入数据的波动性和不确定性,在传统门控循环单元(GRU)神经网络的基础上融合卷积神经网络(CNN),以提高模型对原始数据的特征提取和降维能力,并引入dropout技术减少模型中的过拟合现象。工程实例分析表明,所提模型在预测准确度和运算速度方面均优于长短记忆神经网络模型。     

基于机器视觉技术的稻米等级快速自动判定方法及系统研究

当前稻米等级的判定多依赖于人工挑拣称重计算,具有人工主观性强、检测效率低等缺陷,因此实现快速自动判定稻米 等级是稻米行业的必然趋势。 本文基于机器视觉技术设计并开发了稻米等级快速自动判定系统。 通过成像技术获取稻米籽粒 高分辨率图像,利用 Watershed 算法和自适应阈值函数对图像进行处理,对不同籽粒进行标记并运用卷积神经网络训练,选取 最优训练模型对糙米分类,利用线性回归分析数据,实现对稻米等级的判定。 本系统与人工对同一批稻米等级的判定结果相似 度可达 91. 4%,采用本方法设计的系统在对稻米等级判定的过程中不仅排除了人为的主观性,还在检测速度上有了显著提升, 从而提高了稻米分级判定效率。     

基于集成深度神经网络的配电网分布式状态估计方法

随着大量分布式能源的接入,配电系统的运行与控制方式愈加复杂。针对配电网状态估计方法面临分布式电源波动数据辨识困难、估计精度低、鲁棒性与估计时效性差等问题,提出一种基于集成深度神经网络的配电网分布式状态估计方法。首先,利用量测数据相关性检验的数据辨识技术识别不良数据和新能源波动数据。在此基础上,利用时域卷积网络(temporal convolutional network, TCN)-双向长短期记忆网络(bidirectional long short term memory, BILSTM)对不良数据进行修正。然后,建立集成深度神经网络(deep neural network, DNN)状态估计模型,采用最大相关-最小冗余(maximum relevance-minimum redundancy, MRMR)的方法优化训练样本,从而提高状态估计的精度和鲁棒性。最后,建立分布式集成深度神经网络模型,弥补了集中式状态估计速度慢的不足,从而提高状态估计效率。基于IEEE123配电网的算例分析表明,所提方法能更准确地辨识分布式电源波动数据和不良数据,同时提高状态估计的精度和效率,且具有较高的鲁...     

基于深度人工神经网络和GIS数据的最优停电模型研究

为了有效利用地理信息技术支撑复杂大电网的信息化建设,针对停电事故对电力系统运行和日常生活带来的诸多影响,提出基于深度人工神经网络和GIS数据的最优停电模型。结合电力系统运行的特殊性,把最优参数设置和增量反馈结合用来优化受限玻尔兹曼机算法。通过仿真分析了算法的性能。仿真结果表明,采用深度神经网络的最优停电模型可以提高计算效率和精度。     

基于模糊神经网络PID算法的液位控制系统研究

在工业生产中,液位控制系统得到了广泛应用,但是对于这种大滞后、非线性的复杂控制系统,传统的PID控制方法存在着参数整定困难,控制效果不理想的缺陷。在对传统的PID算法、模糊控制算法和神经网络算法研究的基础上,提出了一种将模糊神经网络PID算法应用到液位控制系统中去的解决方案,并采用MATLAB对液位对象控制进行仿真实验,同时采用A3000型水箱实验平台对仿真实验结果进行验证。研究结果表明,基于模糊神经网络的PID算法的液位控制系统在调整时间和超调量上都优于传统的PID算法,控制效果和抗干扰能力更强,克服了传统PID算法的不足。     

基于忆阻器卷积神经网络的表情识别

忆阻器具有纳米级尺寸、低功耗、类似神经突触等优点,在神经计算、图像分类等领域具有广阔的应用前景。本文提出了一种基于忆阻器卷积神经网络的面部表情识别方法,首先基于忆阻器构建了ResNet卷积神经网络,并对ResNet网络进行剪枝操作,然后将ResNet模型的所有卷积层以及全连接层的权重映射为忆阻器十字交叉阵列中忆阻器的忆导值。实验结果显示忆阻器卷积神经网络模型在FER2013数据集上的识别准确率为63.82%,在CK+数据集上的识别准确率为93.95%。相比与原卷积网路,准确率损失仅分别为0.31%和0.76%。最后测试了忆阻器的非理想特性对准确率的影响,为忆阻器神经网络的实际部署提供参考。