基于移动GIS的离线版水务一张图应用研究

随着智慧水务建设工作的推进,面向精细化业务管理和专业化社会公众服务的水务移动应用需求日益增加,常用商业在线地图无法满足水务业务管理应用需求。为解决智慧水务移动端底图业务要素内容缺少、时效性差及偏远地区水务外业巡查执法无网络环境的问题,基于MBTiles地图切片存储技术和SpatiaLite空间数据库技术,研究基于移动GIS的离线版水务一张图。同时,为保证离线数据的安全,对切片和矢量数据库进行加密,保障海量空间数据的存储安全和访问效率。经验证,该研究方案能够实现离线空间数据的加载和渲染能力,运算性能高效,数据存储安全可靠,可为河长巡河和水利工程巡检运维等应用场景提供安全、高效、专业的移动地图服务,有效支撑智慧水务建设与应用。     

基于正样本学习的变压器渗油图像识别方法研究

为解决变压器渗油图像缺陷识别样本不足造成的渗油识别准确率低的问题，提出了1种基于正样本学习的变压器渗油图像识别方法。首先，通过对变压器图像进行预处理，消除图像噪声数据。其次，采用数量庞大的正常变压器图像样本训练卷积神经网络，并筛选出与正常图片有差异的异常变压器图像。在此基础上，采用异常缺陷检测法识别变压器渗油图像。最后，在某地市进行模拟试验。变压器渗油图像识别率为99.4%。试验结果表明，该方法可提高变压器渗油异常图像筛选准确率，有效提升电网公司变电运维检修人员的视频图像巡检效率和管理水平。     

基于深度学习的高效电力部件识别

传统的图像识别方法,不能有效检测出电力部件的具体位置,同时在干扰物较多的场景下识别准确率较低。本文针对以上问题提出一种基于MASK LSTM-CNN模型的电力部件巡检图像识别方法。结合已有的Mask R-CNN方法,利用长短期记忆神经网络,通过络融合上下文信息来构建MASK LSTM-CNN模型,然后结合电力部件的具体特征进一步利用优化算法来优化模型的参数,使设计的模型能够在干扰信息较多的现场环境下依然可以准确识别电力部件,成功解决了已有方法中存在的电力部件在被遮挡情况下识别率较低的问题,大大改善了部件识别的精度。结合实际采集的电力部件巡检图像数据集对提出的模型进行大量测试验证,实验结果表明提出的MASK LSTM-CNN模型相比于R-FCN、Faster R-CNN等模型检测效果更优,平均识别准确率提高9%-12%左右,有效解决了干扰信息较多的电力场景中的部件识别问题。     

基于物联网技术的电力变压器动态运检系统设计

在加强智能电网的建设中，电力变压器是重要的一环，其运检工作是确保整个变电站能够正常运行的根本。为实现更加智能、科学的动态运检，设计基于物联网技术的电力变压器动态运检系统。基于物联网技术设计射频识别模块，由射频标签、编程器等构成，实现电力变压器设备的自动化识别与系统的双向非接触数据通信功能。在线监测模块主要通过变压器智能组件柜实现电力变压器的在线监测。在巡检模块的设计中，为实现动态巡检，设计悬挂式巡检机器人，为其配置吊挂轨道，轨道经过站内所有电力变压器设备，使轨道尽量远离人员和柜体设备，实现电力变压器的巡检。在检修模块中，结合可拓学与粗糙集理论设计故障诊断算法，实施电力变压器的故障诊断。系统测试结果表明，对于主变故障与站用变故障，系统的故障诊断误差率均较低；在5台主变的巡检中，系统仅使用了90分钟左右的时间；在8台站用变的巡检中，系统仅使用了113分钟左右的时间；系统的故障定位准确率较高。     

基于机器学习的VoIP流量在线识别系统

针对目前VoIP离线识别无法满足复杂网络环境中流量监控系统的实时性与高精度要求,设计并实现了VoIP流量在线识别系统。首先,基于数据挖掘工具WEKA中集成的机器学习算法,在扩大训练集的基础上对流统计特征进行筛选并搭建分类器模型。然后,利用JPcap库提出并设计边抓包边检测机制,实现VoIP流量快速识别。实验结果表明,该在线识别系统实时性高,且能达到92%的精度。     

基于智能图像识别的无人机电力线路安全巡检方法

为了解决无人机电力线路巡检过程中安全性指标偏低问题,降低了无人机电力线路巡检效率,因此提出基于智能图像识别设计新的无人机电力线路安全巡检方法。采集无人机电力线路安全巡检图像并加以滤波处理,基于智能图像识别技术设计无人机线路巡检识别算法,采用最优全局概率搜索遗传算法规划无人机电力线路安全巡检路径,实现了无人机电力线路安全巡检。结果表明,设计的无人机电力线路安全巡检方法的巡检安全性指标较高,证明设计的无人机电力线路安全巡检方法的巡检效果较好,具有可靠性,具有一定的应用价值。     

基于模糊控制和大数据算法模型的电力运维故障诊断设备方法

针对现有技术中对电力运维故障检测灵敏度低、诊断误差大等问题,设计了一种新型故障诊断方案。该方案将PID模糊控制计算器与大数据算法模型相结合,并采用实时布线的方法减少诊断面积,基于改进型大数据算法模型提取电力运维设备故障数据特征,对电力运维设备运行工况构建诊断网络,通过分析电力运维设备工况的功能系统完成数据诊断。为了减少诊断误差,该研究设计了一种故障诊断设备,采用集成芯片化设计和算法程序,减小体积的同时保证检测结果的准确性。实验结果表明,该研究方法故障诊断误差小,准确率最高达到98.6%。     

基于电力大数据挖掘技术的变压器运行参数状态评估

电力网络的设备参数的准确可靠,对于电力系统的分析计算有着重要作用,然而电力设备在实际运行时的参数并非出厂固定的常数,而是会根据环境和实际运行情况的变化而发生变化,而且很难被直接测量并用正确值替换。变压器作为电力传输中的枢纽设备,其运行参数的准确性对电力安全稳定分析更加重要。为准确反映变压器实时运行时真实参数值,本文在建立基于Γ型等值的变压器参数等值模型的基础上,提出了基于电力大数据密度聚类分析技术的变压器运行参数的估计方法,并利用经专家模块不良数据辨识后的SCADA系统量测数据进行变压器设备参数进行聚类和拟合,最终得出在一定允许误差范围内的设备运行实际参数。最后以徐州电网某变压器运行为例,经对SCADA系统数据进行聚类和拟合,数据结果验证了该方法的有效性,具有较好的工程实用性。     

多路视频流边缘智能识别设备设计

变电站是电网运行的重要环节,其运维巡检质量关系变电站的安全稳定,变电设备数量增长和人员相对短缺的矛盾导致人工巡检往智能巡检方式转变。变电站视频设备数量众多,视频数据多通过光纤统一传输到后台服务器分析处理,为了解决传输通道带宽压力大,应用服务端计算性能要求高等问题,提高图像识别效率,基于人工智能与边缘计算技术,研制了变电站多路视频流边缘智能识别设备,分别从总体架构、主控软件、以及算法模型等方面开展了设计与开发,使用变电图像数据库,测试了缺陷智能识别算法的精度,并面向变电站智能运维场景开展试点应用验证,模型精度测试与实际应用结果表明,该设备智能识别精度可满足变电智能巡视业务需求,能够在边缘侧实现变电多路视频流的实时采集、在线智能识别、优化推流等功能,可显著提升变电站智能运维水平。     

改进Inception-Resnet-V2网络的无人机航向识别

为解决无人机在复杂环境下电力巡检的避障难题,研究并改进了基于Inception-Resnet-V2网络的一种无人机航向识别方法。引入深度可分离卷积,将卷积操作分解为深度卷积和逐点卷积两个过程,压缩了计算量。改进后的网络结构保证高精度的识别,同时节约了计算成本。改进后的网络模型在标准数据集上达到了92.5%的准确率。在实际电力巡检实验中,改进的网络模型针对于基杆塔的航向预测精度达到95.63%。实验结果表明,搭载改进后Inception-Resnet-V2网络模型的无人机可以在复杂环境下成功识别大型基杆塔并进行精确地航向识别与预测。     

计算机视觉技术的车型识别应用研究

针对目前立体停车库主要采用传统的传感器入库检测系统来识别车辆信息,存在施工周期长、器件损坏率较高,维护成本较高的问题,提出了一种应用计算机视觉技术的车型识别解决方案.应用卷积神经网络框架Caffe,基于Caf-feNet模型,通过fine-tuning模型优化以及参数优化,最终得到了一个性能较优异的识别模型.实验结果表明,该模型可克服输入图片背景复杂多变,目标被遮挡的情况,对轿车车型识别这一问题鲁棒性好,具有一定的可行性及应用价值.     

基于多层感知机模型的车牌识别技术

车牌识别是对实时图像中的车牌区域进行感知和截取,进行光学字符识别的过程.针对人工检测效率低的弊端,设计了一种应用于Android移动平台的车牌识别检测系统,利用OpenCV视觉开发库进行二次开发,使用支持向量机对图像进行判断,截取有效车牌区,并使用人工神经网络中的多层感知机模型实现字符的识别.测试结果表明,该系统检测速...     

基于Qt与Arm NN的嵌入式喷码检测系统设计与实现

现存的喷码检测系统大多基于工控PC电脑实现,其在价格、体积、功耗、灵活性等方面存在着较大的局限性。为此,设计了一种基于Qt与Arm NN的嵌入式喷码检测系统,该系统的核心处理器采用Arm cortex-a9,搭载配置有相关软件工具的嵌入式linux操作系统,采用位置检测算法来实现软件检测待测目标的位置,通过由图像预处理、喷码区域提取、条形码识别、字符子串分割、基于卷积神经网络及caffe框架的喷码字符识别模型训练、利用Arm NN将识别模型引入到ARM端实现喷码字符识别、识别结果处理等过程组成的喷码检测算法来实现对喷码内容的检测。该系统还基于Qt多线程技术开发了具有完善系统功能的图形应用程序,便于现场生产人员使用。经相关测试表明该系统有效可行、正检率高,能够满足包装生产流水线喷码检测的实际需求。     

基于移动终端的通信设备和线路巡检系统设计

为便于电力通信设备和线路运行的维护管理与规范化作业,开发了基于移动终端的巡检系统。构建了包括外网移动端、客户端、内网数据库的三层架构体系,在Web服务器的顶端采用MyBatis持久层框架,提出了HTML5技术的移动Web App开发模式,利用Eclipse集成开发环境和ORACLE关系型数据库构建内外网移动交互平台,并在移动终端、网络层、应用层、数据库等四个层次进行安全防护。巡检系统的应用情况表明,该移动终端巡检系统实现了巡检任务的自动分派以及检修任务的跟踪处理,并能对通信设备的台账及线路运行资料进行现场核对和更新,能够根据巡检与检修的次数以及隐患点自动完成对通信设备运行状况的等级评价,提高了现场操作的规范性和时效性以及运维人员的工作效率,确保了通信设备和线路安全稳定运行。     

基于粒子群优化神经网络的移动机器人门牌识别方法研究

针对移动机器人门牌识别问题,提出了一种基于粗分类与细分类相结合的门牌识别方法。首先利用门牌号码字符的特殊节点进行粗分类,进而计算图像的不变矩;在此基础上,利用粒子群神经网络进行细分类,完成门牌识别。最后通过办公室环境中的门牌号码识别实验验证了该方法的快速性与有效性。     

基于迁移学习策略的压板开关状态识别

为了实现变电站压板状态的自动巡检,提升变电站运行的可靠性和安全性,提出一种基于迁移学习策略的压板开关状态识别算法。首先利用Inception-V3在ImageNet数据集上进行目标检测训练出的网络参数,得到预训练模型,接着将训练后的瓶颈层特征参数提取至目标网络,作为目标压板开关图片数据集的特征提取器,而后构造基于粒子群优化的支持向量机算法完成压板开关状态的识别。通过与常用深度学习网络在学习效率和学习精度方面的实验结果进行对比,验证本文所提出算法的有效性和优越性,说明迁移学习结合卷积神经网络可以解决电力设备巡检中的小样本问题,提高压板开关状态识别精度和效率。     

Compact deep learned feature-based face recognition for Visual Internet of Things

The Visual Internet of Things has received much attention in recent years due to its ability to get the object location via image information of the scene, attach the visual label to the object, and then return information of scene objects to the network. In particular, face recognition is one of the most suitable means to Visual IoT because face feature is inherent label for human being. However, current state-of-the-art face recognition methods based on huge deep neural networks are difficult to apply in the embedded platform for Visual IoT due to the lack of computational resources. To solve this problem, we present compact deep neural network-based face recognition method for Visual Internet of Things. The proposed method has a low model complexity to operate in an embedded environment while using deep neural networks, which is strong against posture and illumination changes. We show competitive accuracy and performance results for the LFW verification benchmark and the collected mobile face recognition dataset. Additionally, we demonstrate that the implementation of the proposed system can be run in real time on the Android-based mobile embedded platform.     

基于Faster R-CNN的输电线路缺陷识别模型研究

随着多旋翼无人机引入输电线路巡检作业后,对巡线人员通过图像判断线路上设备是否有缺陷提出了新的挑战。为了帮助巡线人员做出准确决策,提高发现缺陷的能力,基于深度卷积神经网络,搭建了适用于无人机图像识别的输电线路缺陷识别网络模型。首先详细描述了输电线路缺陷识别图像数据库的建立过程,然后通过分析对比三个预训练前端网络的性能及多个参数对网络模型识别准确率的影响,得到基于Faster R-CNN的输电线路缺陷最优识别网络模型。经过测试集验证,提出的缺陷识别网络模型的识别准确率达到了90%以上,单张图片耗时达到了毫秒级,在识别准确率和耗时上均明显优于其他识别网络模型,为实际巡线工作中的输电线路缺陷判别提供智能有效的决策依据,是机器学习在智能电网中应用的有益探索。     

移动网络手机实时监控系统的设计与实现

通过分析动力环境实时监控系统的实际需求,结合移动网络、J2ME、Java媒体框架等技术,提出了一个基于移动网络的手机实时监控系统的设计方案.涵盖了图像监控和数字监控两条通道,实现了视频监控、监控数据实时查询、告警和控制命令等功能.针对图像监控通道中高实时性的要求,提出了双缓冲多线程图像捕捉、自缓冲输入流机制、双播放器播放模式等多个创新方法对系统进行优化.最后结合系统在动力环境监控系统中应用案例,表明了系统的可行性和可靠性,且系统具有较高的性能.