排序方式: 共有4条查询结果,搜索用时 0 毫秒
1
1.
应用旋翼无人机对风力发电机进行自主巡视时,需正对风机采集全景图,计算桨叶空间位置,进而对巡视航线和航点做出规划。为此提出一种风机自主巡视的无人机控制策略。首先,采用Yolov5神经网络模型对风机各部位进行提取,同时利用风机各部位像素坐标计算无人机位姿修正量并设计控制器,使无人机到达正对风机的位置对其全景图进行采集;其次,根据全景图计算桨叶叶尖的空间坐标,规划出巡视航线及初始航点,达到对桨叶的全面图像采集;最后,为克服定位误差等因素的干扰,设计控制器使无人机可依据图像信息进行位姿调整,使桨叶保持在图像中心位置,达到对风机精准巡视的目的。仿真试验表明,所提出的策略可达到对风力发电机自主巡视的目的,其中的设计思路也可为其他电力设备的巡检方案提供参考。 相似文献
2.
3.
为实现对风电机组叶片表面缺陷检测的智能化,本研究应用无人机技术、图像视觉技术和深度学习算法,建立风电机组叶片缺陷检测系统,提高了对叶片上开裂缺陷的检测精度。系统使用 算子计算图像横向和纵向的梯度,并对图像进行阈值分割和去噪处理。构建深度学习模型提取图像缺陷的特征信息,加入了SPP-Net网络进行卷积操作,增加了模型的输入数据尺度,得到特征图后在利用PRN网络筛选特征图。实验结果显示本研究系统能够去除大量无用的背景信息,开裂缺陷部位的特征信息保留完整,对验证集中的图像进行测试后,本研究系统识别出的开裂缺陷数最高可达到50个。 相似文献
4.
针对光伏发电设备工作过程中存在的故障检测低下问题,设计了集采样、稳压、采样保持和故障采集于一体的集成电路,并提出了故障检测方法。通过分布式测控网络,使系统能够实时、准确地获得光伏发电设备的运行状态。故障检测装置自带计算处理模块智能对比检测数据,为实现故障检测算法提供数据支撑。为了更好地识别光伏发电设备的故障,提出了基于反向传播(BP)神经网络引入可信度检测度量参数的故障监测算法。该算法不仅能够消除误差,并且有很强的抗干扰性。试验结果证明,在不同的干扰信噪比下,检测故障的时间仅在5 ms左右,能够自主地对光伏发电设备运行过程中产生的故障进行识别,极大地提高了光伏发电设备故障检测的工作效率。 相似文献
1