基于图像识别的波纹补偿器轴向尺寸检测方法

为了解决传统检测方法只能检测工业管道中波纹补偿器的整体轴向位移,而不能检测其相邻波纹之间轴向位移的问题(相邻波纹之间轴向位移变化不均匀,超出一定限度会导致波纹补偿器损坏),提出了一种基于图像识别的波纹补偿器轴向尺寸检测方法.首先,应用Sobel算子对经高斯滤波平滑处理后的波纹补偿器图像进行边缘检测,最大限度地保留原始图...     

阴影Nakagami-m衰落信道条件下分布式天线系统中断分析

This paper presents an outage analysis of distributed antennas system (DAS) suffering from shadowed Nakagami-m fading environment where the desired signal also suffers from cochannel interference. The desired signal and interfering signal are subjected to path loss, multipath and shadowing fading. Based on Wilkinson's method, the signal to interference ratio (SIR) probability density function ( PDF) of fixed DAS is obtained. Some numerical results of outage probability with different parameters are analyzed. The analysis results can provide sufficient precision for evaluating the outage performance of DAS     

基于机器视觉的波纹补偿器轴向尺寸检测

为了准确检测波纹补偿器的变形状况,改善波纹补偿器传统检测方式的弊端,提出了一种应用机器视觉的波纹补偿器轴向尺寸检测方法。首先,使用张正友相机标定法对工业CCD相机进行标定并采集波纹补偿器图像信息,然后提出一种改进Canny算子对图像进行边缘检测,获得可处理的理想化二值图像,遍历二值化图像进行水平倾斜校正后,提取极限边缘特征点。最后,计算出波纹补偿器在世界坐标系下的整体轴向尺寸和相邻波纹间的轴向尺寸。结果表明,该方法能较为精确的计算出波纹补偿器在不同变形程度下的轴向尺寸,并利用所计算出的尺寸数据准确地判断出了波纹补偿器的变形状况,对于保证波纹补偿器平稳工作,维护生产安全具有重要意义。     

基于CNN-LSTM的大坝变形组合预测模型研究

为了提高大坝变形预测模型精度和泛化能力，建立了一种基于卷积神经网络(Convolutional neural networks, CNN)与深度学习长短期记忆(Long short-term memory, LSTM)神经网络的组合预测模型CNN-LSTM。该模型先利用CNN提取大坝变形监测时间序列的特征，再利用LSTM生成特征描述，该模型精度高、泛化能力强。以柏叶口水库混凝土面板堆石坝为例，经过CNN-LSTM模型计算，将模型变形预测值与原型监测资料进行对比，再与LSTM模型及CNN模型的预测结果进行对比。结果表明，CNN-LSTM模型预测值最接近监测资料实测结果。