基于变电站巡检机器人和综合管控平台的断路器状态识别方法

为了解决变电站智能巡检机器人不能对高压断路器开关分合状态图像实时采集、实时处理分析,影响变电站巡检工作效率、效益和质量以及电力企业安全运营的问题,提出了一种能识别断路器开关分合状态的识别算法。该算法结构简单,运行速度快,能及时正确地进行故障诊断、准确性高。在综合管控平台下可以提升变电站智能巡检机器人的巡检工作效率和质量。     

基于YOLOv5算法的施工现场不安全状态智能检测

为更好地实现施工现场工人的安全监管,利用YOLOv5目标识别算法结合无人机倾斜摄影三维建模技术构建施工现场不安全状态智能检测模型,实现对人、机械等目标的识别与定位。通过实验对比分析确定最优目标识别算法,并构建多目标识别模型,实验结果符合理论猜想,整体识别平均精度达到了91.6%。在识别的基础上借助倾斜摄影三维模型所提供的空间位置信息进一步确定所识别目标的相对位置,从而确定工人的安全状态。这种视觉定位的准确性由三维模型所决定,所以最后通过实验验证了无人机倾斜摄影所构建的三维模型的距离误差在1.5%左右,范围长度大于35m距离误差将小于1%,从而说明了目标识别模型所识别出物体的距离具有较高的准确性。     

基于多光源图像信息融合的绝缘子污秽状态识别

绝缘子污秽状态非接触检测是智能变电巡检的重要组成部分,为有效提高绝缘子污秽状态识别率,提出了一种基于多光源图像决策级融合的污秽状态诊断方法。以沿海地区多所变电站中不同污秽状态的绝缘子为研究对象,采用种子区域生长法进行图像分割后,分别提取其可见光颜色空间特征、红外图像的灰度化特征以及环境特征,再依据Fisher判据筛选得到最优表征量,并设计支持向量机多值分类器进行污秽状态初判。基于各自识别结果,引入D-S理论进行决策级融合,实现绝缘子污秽状态的有效识别。试验结果表明:本文融合算法的正确率明显高于单种图像源的识别,达到95%左右,为带电检测作业中绝缘子的非接触检测及故障智能诊断提供了新思路。     

高海拔地区公路病害精准识别技术分析

为了建立高海拔地区公路病害自动化精准识别技术，文中在青藏公路选取研究路段，通过无人机航拍方式获取公路数字化影像，分别利用支持向量机和最小距离算法进行图像分类，目标是识别病害类型、计算病害面积占比和路面破损率。经过检测，两种算法的病害识别准确率分别为96.97%、92.04%，支持向量机的分类识别效果更好。测试路段的主要病害类型为修补、坑槽、沉陷，根据面积占比和换算系数计算出路面破损率为1.637%。     

基于SSD算法的自然条件下青苹果识别

针对自然条件下青苹果与背景颜色相似而识别困难的问题,提出了一种SSD深度学习算法与相关图像处理算法相结合的方法。首先采用SSD算法检测图像中的青苹果,将苹果区域用边界框标记并得到其位置坐标;然后根据该坐标将非苹果区域像素用黑色填充,仅保留边界框内的像素;最后运用k-means算法、RGB空间中的R-B色差法及YUV颜色空间中的U分量阈值分割法识别边界框内的苹果轮廓,通过对比3种方法的识别效果得到最优的苹果识别方法。实验表明,SSD算法与U分量阈值分割法相结合的方法识别精度最高,平均分割误差为8.04%,假阳性率为0.55%,假阴性率为9.05%,叠加系数为88.60%。     

基于深度学习的建筑用短粗拉索索力智能识别

准确识别拉索的索力大小对评估预应力结构的健康状态具有重要意义。频率振动法可以较精确地测量桥梁结构中细长拉索的索力，但对建筑用短粗拉索的索力测量精度较低。为此，对建筑中常用的密闭索及高钒索开展在预应力作用下的动态响应试验，以获取拉索在不同索力下的动态响应数据，基于试验数据提出了可智能识别建筑用拉索索力的深度学习模型。模型以采集的原始频谱数据及拉索各项几何参量为特征输入，采用多通道融合的1D卷积神经网络(CNN)及深度神经网络(DNN)。分析结果表明：训练后的模型在测试集上识别的索力值与实际索力值间的平均绝对误差值仅为5.05%,均方误差值仅为0.35%;在测试集随机的6个取样点上索力值的决定系数为0.985 4,索力误差均小于10%。与已有索力计算实用公式和机器学习算法进行对比，由索力误差百分比及决定系数的评估结果发现所提出的深度学习模型的索力识别精度更高。     

基于改进Cascade R-CNN算法的多类型绝缘子缺陷图像联合检测

当前输电线路巡检工作主要采用无人机巡检的方式来完成,利用人工智能技术助力巡检图像的缺陷识别已成为趋势.以往绝缘子缺陷检测研究大部分集中于绝缘子爆片类缺陷的检测,提出了一种改进的Cascade R-CNN算法,基于绝缘子缺陷数据建立绝缘子缺陷数据集.该算法主要针对绝缘子爆片、绝缘子电弧烧伤及绝缘子伞裙破损的多类型绝缘子缺...     

基于AP和BP神经网络算法的手写数字识别

针对现有的手写数字识别技术不适合大规模应用的问题,提出了一种基于AP和BP神经网络的快速手写数字识别算法。首先对预处理后的样本通过AP算法(affinity propagation)聚类消除冗余,重新构造样本空间;然后构造BP(误差反向传播)神经网络模型,学习测试集合样本。采用UCI机器学习数据库中的数据进行实验,结果表明,算法的识别正确率可达96.10%,高于BP神经网络算法的识别正确率94.88%,且执行时间约为后者的10%,具有较高的实用价值。     

基于图像识别与智能算法的绝缘子故障检测方法研究

针对以传统人工方式巡检电网工作效率低、危险性高、成本大,而现行基于图像处理技术的自动巡检方案针对性差、识别精度低的问题,本研究基于图像识别技术及相关算法,提出了一种针对绝缘子缺陷、爆裂故障的检测方法.该方法借助形态学滤波、Otsu方法、Snake模型、免疫遗传算法、椭圆拟合以及连通区域等技术,对绝缘子图像进行预处理、轮廓提取和数目计算,从而实现对绝缘子故障的精确检测.实际测试与分析结果表明,该方法能够较好地识别绝缘子故障,识别准确率能够达到98.5％,且具有理想的识别速度.     

结合迁移学习和Inception-v3模型的路面干湿状态识别方法

针对传统方法对路面干湿状态识别分类正确率较低的情况,提出了基于迁移学习的路面干湿状态识别方法。利用深度卷积神经网络强大的特征学习和表达能力,自动学习干湿路面的特征,并采用迁移学习的方法将Inception-v3模型在ImageNet图像数据集上学习得到的知识深度迁移至路面干湿状态识别任务。实验结果表明,所提算法在测试集上测得的分类准确率约为94.5%,与非迁移学习算法和基于底层视觉特征识别学习的算法相比,具有更高的准确性和良好的鲁棒性,以及较强的泛化能力。     

液体流量计校准仪实验装置的改进

本文介绍一个改进的液体流量计校准仪实验装置,它由水泵、流量计、量筒式测量水箱、液位观测管、原水箱、阀门、水位指示灯光组成,由于设计了水位指示灯,体积△v为固定值,只需要按照灯光提示测量时间△t,计算出流量qv,改进的液体流量计校准仪误差小,计算简单。     

基于目标边界视觉追踪的结构多水准变形状态识别

工程结构不同水准变形状态的监测与识别对于评估其结构性能具有重要意义。传统的结构健康监测方法大多具有接触式测量、离散布置、局部观测的特点，无法充分考虑工程结构的连续体物理特征，获得结构多水准连续型变形信息。基于视觉追踪的测量技术因其非接触、低成本、易布置等优点逐渐成为结构健康监测的新兴方法之一，此外，近年来计算机视觉领域也提出了多种目标检测模型可以鲁棒识别显著视觉对象。该文结合结构变形机理、视觉测量技术与显著目标检测算法，从图像中提取并追踪结构目标区域的连续边界，实现了结构多水准变形状态识别，并通过足尺钢筋混凝土梁落锤冲击试验对提出的方法进行了验证。研究结果表明，提出的方法可以稳定追踪结构边缘在毫秒级别的变化状态，准确识别包括竖向位移、构件转角和截面曲率在内的结构多水准变形状态，为进一步评估结构性能提供了重要数据与信息。     

部分输入未知条件下结构参数及激励识别

针对部分输入未知条件下的结构参数和荷载识别问题,提出一种改进的基于最小二乘准则的自适应加权迭代算法。该方法通过引入自适应学习因子和加权正定矩阵,以任意假定的未知外激励作为初始迭代条件,以相邻两次迭代后荷载的识别值的误差作为收敛判断准则,有效地改进了迭代收敛速率、稳定性和识别精度。同时,针对比例阻尼,对现有非线性参数识别的松弛法进行改进,提出一种转换算法。通过一个具有15个自由度的高层数值模型的模拟数据和一个4层结构模型的动力试验实测数据分别验证了该方法有效性,同时,分别探讨了噪声水平、权重系数、学习因子等对算法收敛性的影响。数值算例和基于模型动力测试数据的识别结果表明,该算法具有稳定的收敛特性,参数和荷载识别精度高以及对测量噪声的鲁棒性强的特点。     

梁拱组合桥支架施工状态的参数识别算法对比研究

梁拱组合桥结构形式合理、造价经济、应用广泛,但施工过程中的各种误差使结构实际状态与理想目标难以完全吻合,且支架施工时主梁与支架为非线性接触状态,参数识别问题更为复杂。以某55 m+230 m+55 m三跨下承式连续梁拱组合桥作为工程背景,假定主梁脱架与未脱架2组状态的挠度实测值,分别采用最小二乘法与BP神经网络算法进行参数识别,修正主梁挠度的计算误差,并提出一种新型的综合算法,通过对比不同算法的识别精度与计算难易性,为今后同类型桥梁的参数识别提供适当参考与借鉴。     

基于残差网络的混凝土结构病害分类识别研究

针对混凝土结构病害识别类型单一、精度较低的现状,提出了基于残差网络和迁移学习的病害分类识别方法,通过构建多属性病害数据集,利用迁移学习优化残差网络模型,提出混凝土结构健康状态识别的多个任务。首先收集混凝土结构的病害状态图像,依次通过数据清洗、尺寸均一化、数据扩增和多人投票标注,最终得到包含6 680张图像的混凝土结构病害多属性数据集,并依据不同标注属性进行了相应训练集、验证集和测试集的划分; 然后利用迁移学习对预训练的ResNet-34网络前3个部分进行参数冻结,后续2个部分的参数进行重新训练,并在模型末端添加新的参数,基于已构建的数据集进行训练; 最后在提出的构件类别检测、剥落检测、病害检测和病害类别检测任务中,分别获得84.88%、98.56%、97.18%和85.34%的F1分数。结果表明:通过构建多属性标注的混凝土结构病害数据集训练深度学习模型,可较好地实现多场景特征下的病害识别效果; 采用迁移学习技术可从开源数据中获取较好的特征提取效果; 改进的ResNet-34网络可克服网络退化问题,并针对混凝土结构病害识别的多个任务获得较好的效果; 相对于单一的混凝土结构病害识别,进行病害部位、程度、多类别的系统性检测,可为结构状态评估提供详细信息,更贴合工程实际需要。     

改进粒子群算法的两阶段梁式结构损伤识别

针对实际工程监测时损伤识别误差大的问题,提出一种基于改进粒子群算法的两阶段识别方案。第1阶段利用D-S证据理论融合算法进行损伤定位;第2阶段利用改进的粒子群算法,对定位结果进行修正,同时准确定量损伤。仿真算例和实验分析结果表明:由于第1阶段损伤定位减少了可能损伤单元的数量,第2阶段基于改进粒子群算法的搜索范围减小,能更准确地识别多损伤和小损伤的位置和程度,且抗噪性能良好。     

热值仪检测误差的分析

分析了热值仪燃烧喷嘴进气压力、燃气相对密度的变化和相对密度检测单元的状态对检测结果误差大小的影响，提出了避免和修正误差的方法。     

步态识别技术研究综述

步态识别是生物特征识别技术的一个新兴领域,旨在根据人们走路的姿势进行身份识别。本文对步态识别过程的步态检测、步态特征提取、步态分类与识别三个阶段进行了综述,分析了现有步态识别算法的特点,总结了步态识别研究存在的问题及未来研究方向。     

基于改进YOLOv3 的无人机林火监测系统设计与实现

以无人机为飞行平台，基于目标检测技术设计并实现了一套林火监测系统，针对原生态YOLOv3 算法在烟雾与火焰检测时表现不佳，从增加NMS 和重新聚类Anchors 两个方面对算法进行改进，检测准确率和召回率分别提高了6.8% 、11.92%。该系统无论昼夜都可实时监测森林火灾，提高了森林防火安全防范的能力和林火预警的自动化、数字化水平。     

大型水电站引水竖井无人机检查技术研究与应用

近年来无人机在工程建设领域的应用越来越广泛,但截至目前,尚未有类似引水竖井的封闭空间内无GPS信号、黑暗环境下无人机成功完成巡检任务的案例.以大型水电站引水竖井运行检查为目标,通过在黄登·大华桥水电站引水竖井封闭空间内无GPS信号的状态下探索无人机巡检技术,逐步解决无人机室内定位、光源补充、飞行巡检、实景三维建模、缺陷智能识别等关键技术,实现了无人机检查技术在新领域、新环境下的实际应用,达到了良好的应用效果.