电力电缆故障放电声自动识别与起点标定算法

针对电力电缆故障精确定点方法中存在的依赖人工判断、效率低下的缺点,提出了一种电缆故障放电声波自动识别及波形起点标定算法。通过对电缆故障放电声波进行特征分析,定义了4个概括性特征,对大量故障、非故障波形进行了特征提取并组建了训练、验证样本集;提出了基于AdaBoost-SVM(支持向量机)的故障放电声波识别算法,对所提出的4个特征在放电和噪声信号中的空间分布差异进行了学习;结合离散小波变换和高斯分布规律提出了故障波形起点自动标定算法。实验证明,所提算法在保证准确性的同时,可提升电缆故障精确定点的效率。     

革故鼎新,重塑雄关——乾隆五十七年嘉峪关修缮工程始末

文章基于对嘉峪关营修痕迹的调查与相关文献分析,提出嘉峪关城楼形式自明代创建后曾发生重大改变的推测,在乾隆五十七年(1792)曾有大修的可能.进而通过对中国第一历史档案馆、台北故宫博物院所藏三份嘉峪关修缮工程奏折的解读分析,还原了乾隆五十七年嘉峪关修缮工程勘察、设计、施工、变更、验收的全过程.揭示了清廷基于嘉峪关已为内关但仍是东西要道的现实,重点修复关城,放弃边墙壕沟,革故鼎新、重塑雄关的古迹保护思路;及其更改关楼、东西城楼样式,包砌关楼东西土城,添建东西月城门楼,奠定嘉峪关主体建筑当前格局的客观事实.     

基于改进YOLOv5s的焦炉烟火识别算法

针对炼焦厂烟火排放全天候环保监测的要求,提出了基于改进YOLOv5s的焦炉烟火识别算法;该算法以YOLOv5s为基础网络,在主干网络Backbone中添加CBAM注意力机制模块,使网络更加关注重要的特征,提升目标检测的准确率;新增FReLU激活函数代替SiLU激活函数,提高激活空间的灵敏度,改善烟火图像视觉任务;在自建数据集中烟、火样本标签基础上,增加灯光标签来解决强灯光对火焰识别的干扰,并通过分流训练、检测的方式来解决昼夜场景的烟火检测问题;在自建数据集上做对比实验,更换激活函数后,联合CBAM模块的YOLOv5s模型效果最佳;实验结果显示,与原始YOLOv5s模型相比,在白天场景下的烟火识别mAP值提升了6.7%,在夜间场景下的烟火识别mAP值高达97.4%。     

化妆品风险物质知识图谱构建及应用

针对国内外化妆品风险物质多语言特性和复杂关联的特点,提出一种基于双通道图神经网络的邻域匹配算法。采用图神经网络学习实体属性特征和跨域交互特性,将不同特性实体映射到相同的向量空间,通过邻域匹配网络聚合实体邻域特征,为每个实体构建邻域网络以实现实体对齐,并应用于多语言风险物质知识图谱及问答系统构建。实验结果表明,在化妆品风险物质数据集上该方法获得的Hits@1、Hits@10与MRR值都优于其它基线模型,分别平均提升6.37%、8.17%与9.37%。     

基于深度学习的配电柜指针仪表示值识读研究

为准确读取配电柜指针式仪表的示值,保证巡检机器人作出相应决策,提出一种结合改进YOLOv5和PSPNet模型的指针仪表检测及示值识读方法;首先利用主干网络替换为轻量化网络MobileNetv3的YOLOv5算法检测定位表盘区域;然后采用特征提取网络替换为MobileNetv2的PSPNet算法对表盘的刻度线区域和指针进行分割,并通过最小二乘法圆拟合和霍夫直线检测法得到指针回转中心及指针的偏转角度;最后结合指针偏转角度和相邻主刻度线与回转中心连线的偏转角度,通过公式法求取仪表示值;实验结果表明,该算法能够准确提取配电柜上的指针仪表表盘,并对表盘中的刻度和指针进行精准分割,在误差允许的范围内指针仪表示值识读相对误差最大为6.5%,满足实际工程应用的需求。     

基于卷积神经网络的非侵入式负荷监测方法

从深度学习与边缘计算的角度,对适用于电力物联网的非侵入式负荷监测方法展开了研究.针对NILM系统在物联网场景下的部署问题,提出了一种新的边缘计算架构,并讨论了各组成部分的任务分配.针对负荷激活在线提取问题,提出了基于离散度和用电行为规律分析的激活判断策略;针对低频采样下的负荷特征问题,提出了一种可自动提取激活特征并识别...