计及时间演变和空间相关的多风电场短期功率预测

针对多风电场站和多时间步的日前风电功率预测问题,提出了同时计及单风场功率时间演变和多风电场间空间相关的深度时空融合多风电场短期功率预测模型。它由门控循环单元、多核卷积层和时变模式注意力机制共同构成。首先通过门控循环单元和多核卷积层分别提取各风电场历史风电数据的时序和多周期特征;然后引入时变模式注意力机制对多风电场时变特征的演变模式赋予相关性权重,同时实现对多风电场功率时间演变规律的纵向追踪与横向对比。中国北方某风电基地实际算例结果表明,所提预测模型能有效利用风电功率时空特性,与现有多种预测模型相比具有更高的预测精度和更强的风功率时变模式学习能力。     

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。     

多视图融合和全局特征增强的车辆重识别网络

车辆重识别是智能交通领域重要应用之一,现有的车辆识别方法大多集中于预定义的局部区域特征或全局外观特征。然而,在复杂的交通环境下,传统的方法难以获取预定义的局部区域,同时很难捕捉有价值的车辆全局特征信息。因此,本文提出一种具有多视图融合的混合注意力机制和全局特征增强的端到端双分支网络。该网络旨在通过增强车辆的特征表达能力和特征质量来获得更完整、更多样的车辆特征。本文通过视图解析网络对车辆图片4个视角的视图进行分割,并通过视图拼接方法缓解分割不准确导致的信息丢失问题。为了更好地突出拼接视图中的显著性局部区域,本文提出一种由通道注意力机制和自注意力机制组成的混合注意力模块。通过该模块从车辆拼接视图中分别获取关键局部信息和局部信息之间的相关性,更好地凸显拼接视图中车辆局部的细节信息。除此之外,还提出了一个全局特征增强模块,通过池化和卷积获得全局特征的空间和通道关系。该模块不仅能提取到语义增强的车辆特征,而且还使车辆特征中包含完好的细节信息,解决获取的车辆图像受视角变化、光照条件变化等因素的影响。在Veri-776和VehicleID数据集上的大量实验表明,mAP、CMC@1和CMC@5分别达到...     

融合 Transformer 与残差通道注意力的恶劣场景水 位智能检测方法

精准感知水位信息变化是实现精细水务管控和洪涝灾害的关键环节之一,而低照度、雾霾、雨雪、冰冻、波浪、镜头抖动等恶劣场景给水位检测带来极大挑战。针对现有方法中难以实现水位精准检测难题,构建一种融合Transformer与残差通道注意力机制的Unet模型(TRCAM-Unet),进而提出基于TRCAM-Unet的恶劣场景水位智能检测方法。关键技术包括通过全尺度连接结构实现多层次特征融合,通过Transformer模块强化区域特征的关联性,通过残差通道注意力模块强化有用信息的表达并削弱无用信息的干扰。相关试验和实践表明,TRCAM-Unet取得了98.84%MIOU评分与99.42%的MPA评分,在约150 m距离外水位检测最大误差不超过0.08 m,水位偏差均值(MLD)仅有1.609×10^-2 m,优于Deeplab、PSPNet等主流语义分割算法。研究结果对解决恶劣场景下水位精准检测难题及洪涝灾害预警具有重要应用价值。     

基于改进 Mask R-CNN 的光学元件划痕缺陷检测研究

光学元件缺陷会直接影响整个光学系统的性能,在光学元件缺陷检测中,划痕缺陷无疑是检测的难点,划痕缺陷存在着尺寸小,长宽比却比较大,易受杂质影响的问题,本文将深度学习算法应用到光学元件缺陷检测,并根据划痕缺陷的特点,对Mask R-CNN网络模型进行了改进,使算法对划痕缺陷也有了更好的检测效果。首先,将原有的ResNet更换为本文提出的CSPRepResNet,并添加ESE注意力机制,提高了特征提取的能力并减少了计算量;其次,利用K-means算法重新聚类anchor boxes的长宽比例;再次,将目标检测的损失函数由Cross Entropy改为梯度均衡化的Focal Loss,解决了正负样本不平衡问题的同时,更有利于对困难样本的检测,还可以消除离群点的影响。总体来说,检测的mAP@.5由原来的52.1%提高到57.3%,提高了5.2%,且推理速度几乎不变,可见,改进后Mask R-CNN对光学元件划痕缺陷有更好的检测效果。     

隧道围岩沉降自适应实时识别及测量

针对传统隧道围岩沉降监测方法鲁棒性较差、难以及时有效的监测隧道围岩沉降值的问题,提出将坐标注意力结合目标检测算法的隧道围岩沉降自适应识别测量算法。利用工业相机拍摄不同环境靶标图像建立数据集,训练具有坐标注意力的目标检测模型,在测试集中验证模型预测精度为97.9%。使用图像中靶标的数字以及LED灯点的像素坐标标定测量算法模型并计算沉降值。结果表明在25 m范围内测量误差小于1 cm,在10 m范围内的靶标测量误差小于5 mm。     

基于混合通道注意力的类别级物体六自由度位姿估计

针对有光照变化、距离变化、背景杂乱、遮挡等干扰的场景下物体六自由度位姿估计精度低的问题,提出了一种结合多尺度特征融合和注意力机制的混合通道注意力模块(mixed channel attention, MCA)。在MCA基础上进一步构建了类别级物体六自由度位姿估计方法(MCA6D),其关键步骤包括物体的实例分割,特征提取与基于MCA的特征优化,基于先验形状的物体模型重建,及基于点云配准的位姿估计。本文方法在公共数据集CAMERA和REAL分别取得86.3%(5°2 cm)、73.4%(5°5 cm)和39.2%(5°2 cm)、43.3%(5°5 cm)的均值平均精度,领先于NOCS、SPD、SGPA等主流方法;同时实物实验表明本文方法在存在光照变化、距离变化、背景杂乱、遮挡等干扰的场景可准确估计物体六自由度位姿。     

基于软打分机制——多模态融合的真实开关柜局部放电模式识别方法

局部放电类型与开关柜早期绝缘劣化程度密切相关,准确识别开关柜局部放电类型是改善开关柜运行状态,保障电网安全的重要手段。文中设计了真实开关柜中易产生的尖端放电、悬浮电位放电、强垂直分量沿面和弱垂直分量沿面放电4种局部放电类型。利用特高频传感器、暂态地电波传感器、超声传感器和高频电流线圈对开关柜的局部放电进行多模态融合检测,分析了同一缺陷下不同传感器的检测灵敏度以及不同缺陷类型的谱图特性。提取谱图的放电密度分布特征参量为正负峰值差Dpn、边沿积分差值Dei、前端均值差Dav、前端放电数占比Pfd和相位横向跨度Tr。提取谱图的轮廓特征参量为与缺陷标准轮廓的相关系数r。将所提取的特征参量融合得到表征开关柜局部放电模式的新特征体系,并提出了一种基于软打分机制的开关柜局部放电模式识别方法。该方法解决了传统识别方法谱图特征单一、识别准确率低、识别类型不精准的问题,为开关柜设备的在线监测和故障诊断提供了理论依据。     

ALO优化下1DCNN-BiLSTM-Attention锂电池SOH预测

锂电池因具有质量轻、寿命长、功率承受力高、自放电率低等优点,在绿色能源汽车制造、航空航天等领域得到了广泛应用。为了进一步提高锂电池健康状态(SOH)的预测精度,提出了一种基于一维卷积神经网络(1DCNN)和双向长短时记忆网络(BiLSTM)的锂电池SOH预测方法。1DCNN用于提取老化特征,BiLSTM用于特征分析。利用1DCNN参数少、抑制过拟合性能高的优点,并结合BiLSTM能充分考虑样本之间的关联性及有效结合数据过去和未来的状态等优势,模型能够在实现高预测精度的基础上兼具高计算速度。通过引入蚁狮优化算法(ALO)对模型的超参数进行优化,在减少耗时的基础上有效避免了人工调参的不确定性。同时引入注意力机制,通过对输入数据赋予不同权重,提高神经网络对重要信息的捕捉能力。以NASA锂电池数据集的电池参数为依据进行验证,结果表明该模型在B0005、B0006、B0007 3种锂电池单体上估计SOH的MAE均值为0.0064,相对于1DCNN-LSTM(0.0111)、CNN-LSTM&GRU(0.0197)模型分别降低了42.34%、67.51%,且在各方面评价指标上均优于其消融模...     

多尺度注意力机制的电子元器件深度迁移识别方法

电子元器件的识别对于现代电子产品的智能生产和制造具有重要的作用,为了进一步获取电子元器件图像的关键特征,提升图像细粒度表达能力,提出一种基于多尺度注意力机制深度迁移识别方法。以Xception为主干网络架构,引入多尺度池化通道注意力和多尺度空间注意力模块,结合空间金字塔池化的思想,对特征图的每个通道进行不同尺度的最大池化和均值池化,获取通道方向上不同尺度的特征信息;在空间层面上进行不同尺度的空洞卷积,增大特征图的感受野,获取更加全面的空间特征信息;通过深度迁移学习,实现特征参数共享,进一步提高模型的泛化能力。在5种常见的电子元器件数据集上进行实验,结果表明,所提方法能有效获取图像不同尺度的显著特征信息,提升识别效果。