基于YOLOv5s和Android部署的电气设备识别

针对变电站多种电气设备实时检测的需求,提出了一种基于改进YOLOv5s的电气设备识别方法,并设计基于Android部署的电气设备识别APP,以便对电气设备进行识别与学习。以电力变压器、绝缘子串等6种常见变电站电气设备为例构建图像数据集。数据集进行图像预处理后对YOLOv5s算法进行改进。通过引入C2f模块提高小目标检测精度,采用Soft-NMS提高检测框筛选能力,减少漏检和误检的情况,使用改进后的算法对数据集进行模型训练。将训练好的识别网络模型通过TensorFlow Lite框架进行模型部署,设计电气设备识别APP。经验证,改进后的变电站电气设备识别网络模型mAP稳定在91.6%,与原模型相比提高了3.3百分点。部署后的APP具有设备识别和设备介绍等界面,使用移动端进行识别时每张图片识别时间都小于1 s,具有较快的识别速度和较高的识别精度,可以高效地实现变电站电气设备的实时检测与设备学习。     

高可测无线传感器网络的自组织组网过程的记录与分析

相对于一般的自组织网络,无线传感器网络的自组织组网过程具有更多的不确定性和不稳定性.针对无线传感器网络自组织组网过程的这一特点,提出高可测无线传感器网络,实现了高可测无线传感器网络自组织组网过程的状态信息实时图形化显示和回放,并对自组织组网过程信息和网络节点的能量信息、传感数据信息进行分析,再结合运用一定的规则,控制调节网络节点负载均衡,优化网络拓扑结构,评估无线传感器网络的故障点和性能,延长网络寿命.     

一种基于认知无线电的无线传感器网络邻点搜索算法

为了提高无线传感器网络中节点在多个频点工作环境下的搜索效率,提出了一种基于认知无线电技术的节点搜索算法。在分析了影响节点成功搜索的各个因素并映射这些因素到算法中相应参数的基础上,通过多种方法建立了各参数之间的联系并得出了在一定使用情况下的最优配置。算法既汲取了认知无线电中对频点利用率高、抗干扰能力强和安全性好等优点,还克服了其相对于定频通信在节点搜索能力方面的不足。