道路桥梁结构病害预防措施探讨

为了促进道路桥梁工程的稳定发展，我们要针对其结构病害，展开分析，通过相关预防措施的应用，解决问题，实现桥梁的有效加固。一般来说，我们可以通过应用加固增强技术及其裂缝修补技术进行桥梁病害的治理，保证道路工程的稳定发展。     

一种电力施工安全规范模型验证方法

电力行业安全、稳定运行,事关各行各业以及国名经济发展和人民群众的根本利益,所以确保安全生产是我们的头等大事。由于电力行业涉及诸多作业场景,因此对相关作业场景进行有无违章操作的监测就具有重要意义。规范的作业执行,能够确保生产安全,提高生产效率。本文着重研究对视频监控过程中易发多发且具有一定危险性违章行为的实时监测与预警提醒,主要是基于图像识别基础,结合深度学习技术,对电力作业相关场景进行目标检测来对作业过程中拟存在的违章场景进行实时监测与预警提醒。本文基于单阶段目标检测模型YOLOV5来开展相应的训练与验证测试,经过测试发现全类别模型4＿m（指检测多类目标物,YOLOV5预训练模型采用YOLOV5m.pt）的对多种类别目标物检测的平均精度达到0.85,模型的推理测试能力达到0.66左右。截止目前研究阶段而言,全类别模型4＿m对作业场景的违章监测效果相对最佳。基于深度学习模型对电力作业场景目标物的实时检测,在结合相应的逻辑判断,即可对相应的作业场景进行有无违章操作的预警提醒,实现电力作业施工的过程管控,实现违章行为的早发现早纠正,避免事故发生,确保安全生产。     

基于卷积自编码网络的杆塔点云数据自动分类方法

在输电线路三维可视化自动建模场景中如何实现对杆塔的三维点云数据进行快速准确的自动化分类是一个关键问题,在本文中我们提出了一种基于卷积自编码神经网络CAE的杆塔三维点云数据自动分类算法。首先,我们通过投影计算得到杆塔点云的旋转角度并使用旋转矩阵将杆塔点云摆正,然后进行正面侧面投影获取到杆塔点云的图像;第二,使用收集到的杆塔点云图像组成训练数据集,对卷积自编码网络进行训练之后提取出自编码网络的编码部分用于对图像进行特征提取;第三,使用自编码器对输入的杆塔点云图进行特征抽取,将提取的图像特征向量输入EM进行自动分类。实验结果表明我们所提出的杆塔点云自动分类算法能够快速准确实现对点云数据的自动化分类。     

公路旧桥加固环节分析与管理模式优化

为了确保公路旧桥管理环节的优化,我们需要实现其公路旧桥加固管理模式的深化,保证现实工作的开展,通过对其运作过程中的不足,展开分析,满足现实工作的需要,实现其有效的加固管理。     

一种三维激光点云数据纠偏误差抽样验证方法

随着三维点云数据获取设备成本的降低和点云数据处理技术的成熟,基于点云数据处理的各种应用逐渐出现在了电网业务的各种应用场景中。由于RTK得到的飞行轨迹绝对坐标误差随飞机距离起飞点越来越远先是轻微的线性增加,在达到一定距离后将衍变为剧烈的非线性误差,由此得到的点云绝对坐标也将随着远离起飞点的距离产生随机误差,且大范围内的点云采数据采集,将生成数量巨大的点云数据,其中必然存在大量的错误坐标,为了减少错误坐标需要对采集到的点云坐标数据进行纠偏工作。在本文中我们提出了一种输电线路三维激光点云数据纠偏误差抽样验证方法（限制性百分比抽样检验法）。首先,我们对输电线路三维激光点云数据纠偏验证数据进行采样和统计分析;第二,对纠偏误差数据的分布曲线进行拟合确定误差的分布类型;第三,根据误差分布的上α分位点选取误差判断阈值d;第四,根据输电线路三维激光点云数据纠偏误差与杆塔类型和地形地貌等之间的关系,给出误差纠偏验证的规则;第五,提出限制性百分比抽样验证方法。实验结果表明我们所提出的限制性百分比抽样验证方法,能够灵活适应输电线路三维激光点云数据纠偏误差抽样验证场景。     

基于集成学习PCA多元融合的输电线路图像生成研究

电力系统巡维图像中存在缺陷的样本图像极少,导 致正常样本和缺陷样本不均衡, 无法使用深度学习等算法来进一步研究输电线路的故障检测。目前各种基于深度机器学习的 图像生成方法均存在分辨率低、缺陷特征不明显等问题,导致生成的样本图像难以满足研究 人员的需要。本文提出一种基于集成学习(ensemble learning,EL)的PCA加权平均多元融 合(diverse integration,DI)生成方法。采用正常和含有缺陷的输电线路绝缘子图像进行 实验,实验结果表明生成图像质量效果明显,可以有效运用于电力系统构建专业的样本库, 为后续相关研究提供大数据支撑,也为该领域提出一种新颖可行的研究方法。