电磁层析成像技术在刹车盘缺陷检测中的应用

针对列车刹车盘缺陷检测的实际需求,提出采用电磁层析成像技术(electromagnetic tomography,EMT)对刹车盘进行缺陷检测,检测得到的数据经过图像重建后对缺陷的位置、形状和大小等分布信息进行显示。根据列车刹车盘的结构特点,设计平板型传感器线圈阵列,通过电磁场仿真软件对不同缺陷的刹车盘模型进行仿真,并使用不同算法进行缺陷成像。通过评价指标对比了不同算法的图像重建质量,仿真结果验证了电磁层析成像技术用于列车刹车盘缺陷检测的可行性;搭建了刹车盘缺陷检测的EMT实验系统,对刹车盘缺陷进行数据采集与成像实验。实验结果表明,电磁层析成像技术在高速列车刹车盘缺陷检测中具有很好的应用前景。     

含热电联产机组的分布式能源集群动态划分方法

集群划分是实现分布式能源网络优化调控的基础环节。文中提出含热电联产机组的分布式能源网络集群划分方法。首先,提出综合考虑结构性与功能性的集群划分指标体系:结构上采用计及电热网络特性的模块度指标,用以刻画不同网络节点间的联系强度;功能上引入供需匹配度指标和热电耦合度指标,反映单一能源网络集群内部供应和实际需求间、源侧耦合出力和实际用能间的平衡程度。其次,依托集群划分指标体系设计电网和热网2个层面的优化目标作为集群划分的依据,采用Louvain社区检测算法生成以热电联产为中心的电热双重集群。最后,通过实际算例验证了所提方法的有效性。     

基于生产经营状态识别的低误报率窃电检测二次筛查方法

数据驱动的窃电检测方法主要根据电量及派生指标识别低电量异常,容易受干扰影响误报。利用工商业用户生产经营状态指标大致固定的特点,提出基于生产经营状态识别的窃电二次筛查方法。首先,将检出的低电量异常用户每天的三相功率作为负荷特征,用以标识其当天的用电行为模式及生产经营状态。然后,将每天的负荷特征进行近邻传播聚类。当低电量异常时段负荷特征与正常低电量生产经营状态聚为同类时,认为是用户状态正常转换导致的异常,可排除窃电嫌疑。基于实际窃电数据的测试表明,所提方法可降低误报率。     

基于数据增强的太阳能电池片缺陷检测

针对太阳能电池片缺陷数据量匮乏造成的网络过拟合和模型性能不达标的问题,提出基于深度卷积对抗生成网络和图像随机拼接的真假数据融合算法,将训练数据量提升了800倍;同时对网络模型进行轻量化优化,减少模型训练参数。实验结果表明,经过真假数据融合扩充数据集后训练的模型测试精度相比原始训练集和传统数据增强算法分别提升了近30%和17%;轻量化处理后的模型参数减少为之前的1/2,对每张图片的测试时间由57 ms缩短到22 ms。研究证明,真假数据融合算法能够有效的缓解训练数据不足造成网络过拟合问题;轻量化优化模型在保证精度的同时,压缩模型大小,加快测试速度。     

基于改进的SSD模型手机违规使用目标检测

针对某些对手机使用有特殊规定的场所时常面临难以准确、高效地识别手机违规使用的问题,提出了一种基于改进的SSD模型来检测手机的违规使用。利用SSD模型获取初次目标位置及区域分类,并利用改进的DenseNet模型对初次目标框进行判定,从而获得精确的手机检测边界框。为改进数据预处理流程,采用了数据扩增与图像质量改善相结合的策略。在自建的手机检测数据集上的实验结果验证了这些改进策略的有效性,改进的SSD模型定位精度可达91.1%,识别精度高达98%,相比原有SSD模型提升了35%。改进的SSD模型同时具有识别精度高和定位精度高的特点,可为智能识别违规使用手机的行为提供理论依据和技术支持。     

一种改进工件边缘检测方法的研究

针对现有边缘检测技术难以同时消除图像中噪声和工件表面划痕对边缘检测的影响,并保持图像边缘的清晰度和连续性,提出了一种基于二阶微分算子和数学形态学的改进边缘检测技术。首先利用数学形态学理论,设计了一种形态学开闭运算处理图像的方法,为去除工件表面划痕做好预处理;然后用二阶微分Laplace算子对预处理后的图像进行边缘检测;最后改进了一种高斯与双边滤波结合的算法,强化去噪效果,并对最终算法进行实验验证。实验结果表面,改进的算法在去除工件表面划痕方面效果明显,并与传统微分算子比较,边缘清晰度、峰值信噪比(PSNR)都有大幅提高,为提高工件识别精度打好基础。     

LBP与低秩分解的网状织物纹理缺陷检测方法

针对网状织物纹理复杂,缺陷检测难度大的问题,提出一种基于局部二值模式(LBP)与低秩稀疏矩阵分解的网状织物纹理缺陷检测方法.首先,采用等价旋转不变的局部二值模式算法提取网状织物纹理特征,获得纹理特征矩阵;其次,根据纹理特征矩阵构建低秩稀疏分解模型;最后,通过最佳阈值分割算法对网状织物低秩稀疏分解产生的显著图进行分割.实验结果表明,与K-奇异值分解(K-SVD)算法相比,该方法的平均准确率达到89.94%,平均召回率达到93.88%,分类总正确率达到92%以上。     

基于峰值检测的自适应时间窗口计步算法

针对现有的计步算法无法适应用户行走状态、手机姿态多样性的问题,以及有效解决静止状态下的虚假步态周期的判别问题,提出基于峰值检测的自适应时间窗口计步算法。该算法通过检测加验证的方式进行计步,利用双重滤波对原始加速度进行预处理,根据峰、谷值时间差的自适应时间窗口消除伪峰值,再利用方差与标准差对检测到的峰值进行验证。实验结果表明,该算法相比传统方法(固定窗口峰值检测、条件判断峰值检测)在不同运动状态、不同手机姿态下的平均计步精度分别提高了7.7%、3.4%,并且优于目前流行的商业步数计算应用。     

一种基于DBSCAN随机圆检测的多瓶口定位算法

现有医药灌封生产中的西林瓶瓶口定位方法易受瓶口边缘干扰的影响,导致瓶口圆中心定位不准确。对此,提出一种基于DBSCAN随机圆检测的多瓶口定位算法。首先,通过Canny边缘检测算法得到图像中所有轮廓,采用基于密度的DBSCAN聚类算法分割出感兴趣的瓶口边缘集;接着,针对每个单独的瓶口边缘集,采用最小二乘法和径向扫描获取瓶口的外边缘点,再利用重复随机圆检测得到大量候选圆心集;最后,基于DBSCAN算法聚类得到真实圆心集,以真实圆心集的均值中心作为瓶口中心。与4种典型算法进行对比,实验结果表明,提出的圆定位算法的平均定位误差为0.553 pixels,优于其他算法,且该算法的平均执行速度为1.359 ms。该算法能够满足医药灌封生产线对准确性和实时性的要求。     

复杂环境下课堂多人状态检测算法研究

新冠肺炎疫情背景下课堂多人佩戴口罩及姿态识别问题,提出了基于YOLO和OpenPose模型的课堂多人状态检测算法。提出的Efficient-YOLO模型,通过采用CBAM注意力模块、SPNET-NEW模块,解决了多人遮挡和无规则化目标的口罩佩戴检测精度问题。此外,提出了一种轻量化的Class-OpenPose模型检测学生上课姿态,该算法在OpenPose模型基础上,使用ShuffleNetV2-NEW对传统模型在底层特征提取方面进行改进,实现了复杂环境下关键姿态点的实时准确检测。实验表明,在课堂多人异常状态检测任务中,Class-OpenPose模型平均准确率高于传统模型,为79.0%,检测速度达到13.5 F/s; Efficient-YOLO口罩识别模型达到83.1%的平均准确率,检测时间仅需31.54 ms,为课堂学生状态检测提供了不错的算法思路。