绝缘子红外检测及图像处理技术

正近年来,无人机挂载红外设备进行电力线路巡检快速发展。无人机红外巡检每天产生大量的红外数据,这些数据目前均依靠人工处理,耗时耗力且效率低下。针对这一问题,本文深入研究输电线路故障缺陷,将无人机热红外影像作为数据源,建立设备热红外影像数据库,构建深度神经网络模型识别绝缘子设备,最后定位出设备在图像中的位置,从而达到高效准确处理红外巡检图像的目的。     

基于平衡特征融合SSD的绝缘子检测方法

本文针对输电线路航拍图像中绝缘子串以及绝缘子两头挂板等绝缘子周边金属部件锈蚀问题,提出了基于平衡特征融合SSD的绝缘子锈蚀缺陷检测方法.对于绝缘子锈蚀目标中小目标的漏检问题,对SSD的骨干网络中的特征层进行平衡特征融合,提升网络对细节信息的捕获能力,解决了部分小目标漏检问题.     

基于深度学习的雾检测方法

雾是一种对交通运输和物流有着重大影响的气象现象。能见度的降低会导致延误、经济损失甚至生命损失。本文首先综述了雾天条件下能见度距离估计的研究现状。然后,我们提出了一个基于深度卷积神经网络的使用视频图像估计能见度距离的方法。我们使用多组不同雾浓度情况下的视频图像对所提出的解决方案进行评估。实验表明,所提出的解决方案在FROSI数据集上获得了令人满意的性能。     

基于深度学习的无人机目标检测系统

本文基于机器视觉对无人机目标检测系统进行研究,采用YOLOv3作为论文的基础网络模型。在原模型的基础上对网络模型的结构和无人机预测框筛选算法进行了改进,提高了无人机检测的速度和准确率。在无人机识别的基础上,本文采用改进后的KCF算法对无人机进行跟踪,达到了很好的跟踪效果。     

基于Edge Boxes和深度学习的车辆检测

传统的基于机器学习的车辆检测无法自适应地提取图像的典型特征,本文提出了基于深度学习的检测方法,并用Edge Boxes算法提取车辆的预选区域以取代传统的多尺度滑动窗口搜索策略。在高分辨率卫星影像上的实验证明了本算法的有效性。     

基于深度学习网络的露天停车场汽车检测

为满足停车场容纳更多车辆需求,缓解城市交通拥堵,本文通过采集并处理停车场图像,训练停车场实际环境的正负样本,建立基于深度学习网络的露天停车场车辆检测系统,并利用Matlab软件对设计方案仿真。     

基于深度学习的唐卡边缘检测技术研究

唐卡是藏传佛教文化中不可或缺的一部分,它具有复杂、细致的图案和多样、缤纷的符号。唐卡大多使用天然矿物质颜料画在绢帛等画布上,然后再经绸缎装裱进行保存。但是这种保存方式随着时间的流逝,很容易受到侵蚀等外界因素的影响从而导致不同程度的损坏。为了避免唐卡这种重要非物质文化遗产的损坏,提出了一种基于卷积神经网络架构（CNN）的边缘检测模型DMSCNN,它能够准确地捕捉唐卡图像中复杂的特征信息,输出完好的边缘图像。另外,文中将DMSCNN模型同Canny算子和其他多尺度等深度学习模型相比较,结果表明该模型在唐卡图片上比起其他方法具有更好的效果。该研究既为唐卡图片的保护、研究和传承提供了保障,又为深度学习在文化遗产保护领域的应用提供了有益的范例。将来的研究将着眼于模型的改进以及尝试将该模型拓展到其他文物的保护工作上。     

基于深度学习的风机叶片裂纹检测算法

风电机组叶片裂纹问题对机组正常安全运行会产生严重影响。为对风电机组叶片损裂状态进行有效检测,基于风场大数据,提出了一种基于深度学习区域卷积神经网络(Cascade R-CNN)的风机叶片裂纹检测方法。并通过对数据集进行图像增强、选取ResNeXt-101作为特征提取网络、在特征提取部分加入特征金字塔网络(Feature Pyramid Networks,FPN)等改进方式进行优化。实验结果表明,所提方法都能有效的提高风机叶片裂纹检测的准确率,精度共提升了10%,本文还与目前主流的目标检测算法如Faster-RCNN等进行对比,实验结果表明,本方法识别精度更高,检测速度与其他方法基本持平。     

基于深度学习的无人机图像防震锤检测研究

基于传统的防震锤定位识别费时、价格高、低效的现状,提出了一种高效准确的无人机图像的抗震动检测方法,该方法是利用卷积神经网络对输电线路绝缘子进行深度学习,然后识别和定位航拍图像的抗震动特性。在大量航拍图像上进行了实验测试,结果表明该算法能够清晰有效地检测到防震锤。     

基于深度学习的图像识别研究

图像识别技术是人工智能的一个重要领域,传统的图像识别方法需要人工设计特征,而深度学习属于神经网络结构,它能够从大数据中自动学习特征,极大的提高了识别准确率以及效率。因此本文着重研究了基于深度学习的图像识别方法,并探讨了卷积神经网络以及深度信念网络的基本模型和原理。     

一种基于深度学习的光伏生产异常数据检测算法

<正>随着绿色能源的发展,太阳能的应用越来越广泛。因为太阳能本身的特点,储量大且清洁,其潜力巨大。光伏项目目前依然是应用太阳能最主要的一种方式,环境因素是影响光伏发电效率的主要因素之一。各种遮挡物,如树叶、鸟粪、阴影等,都会对太阳能电池产生不同程度的影响。这些遮挡的部分会直接影响太阳能电池的发电效率,还有可能造成个别电池的损坏,这些损坏的电池会成为负载大量发热,对光伏电池的光电转换效率以及安全性都造成了很大的影响。     

一种基于深度学习算法的隧道裂缝智能检测系统

<正>现阶段,隧道结构作为隐蔽工程,其特点在于所处的外部环境复杂多变,受力情况复杂,隧道的结构安全性和稳定性受到影响。而国内铁路对隧道衬砌病害的检测工作,是通过人工检查完成的。依靠人工进行检测,要求检测人员具有专业性,检测工作是以人员主观判断为主,很难保证检测工作的准确性以及检测效率。同时受复杂的客观条件影响,例如：恶劣天气、照明、目视距离等,加大了人工检测的难度,     

基于改进Faster R-CNN的绝缘子检测方法研究

近年来,我国的电力系统发展迅速,其稳定运行至关重要~([1])。因此对于输电系统中绝缘子的检测方法成为电力相关人员乃至社会各界的研究热点。本文结合现有检测方法的不足提出一种基于Faster R-CNN(Faster Region-based Convolution Neural Networks)改进算法~([2])。通过改进特征提取网络框架和多尺度特征融合,最终使用800张绝缘子图片进行数据扩充至8000张再训练目标检测网络模型,在绝缘子测试集上均值平均精度mAP(Mean Average Precision)达到98.5%左右,满足准确性的要求。     

基于深度学习的高中美术项目式学习

<正>项目式学习与深度学习都是以建构主义理论为指导,强调学生在真实的情境中针对问题的探究学习。深度学习是一种价值追求,而项目式学习是实现深度学习的一种教学方式或教学模式。深度学习是项目式学习的上位概念,所以探究项目式学习就必须充分理解深度学习的概念并把它置于思考的前沿位置。     

一种基于深度学习的道路交叉口车辆排队长度检测方法

<正>随着智能交通系统的逐渐成熟,现在的交通信号控制机可以根据交叉口的实时车流量等交通数据优化信号灯配时,以减少拥堵、降低碳排放。在交通参数中,排队长度表示在交叉口排队的车辆所占道路的长度,不仅可以表征实时交通状态,同时也是评估交叉口拥堵的重要指标。但是排队事件涉及车辆多,车辆运动状态复杂,因此对排队长度的检测一直是该领域的研究热点。利用道路监控视频信息对交叉口排队长度进行检测具有重要的理论意义和实用价值。     

基于深度学习的文本表示方法

【目的/意义】文本表示是自然语言处理的基础工作，是信息检索、文本分类、问答系统的关键问题。【方法/ 过程】论文介绍了传统的文本表示方法，按照文本不同的粒度，回顾了近五年国内外基于神经网络模型的词表示、 句子表示、篇章（段落）表示的方法，并提出了未来的研究方向。【结果/结论】实验发现，通过在神经网络模型中融入 更多的特征能得到更优的词向量，但词向量还缺乏统一的评价标准，句子向量表示通常根据具体NLP任务建模，不 同结构的模型在特征表示、运算速度上各有优劣势，篇章表示通常使用层次组合模型。     

基于深度学习的情感识别研究进展

<正>随着人机自然交互、智能机器人等领域的研究发展需要,机器人与人之间进行简单的对话沟通已难以满足当下要求,而机器人具有一定的认知和理解能力,能够理解人类的情感则成为当下研究的新方向,因此情感识别已成为智能机器人领域的一个重要研究方向。目前基于语音、面部表情、生理信号等单一信号的情感识别已经取得一定的进展。但是实际上,只有综合人的语音、面部表情、肢体动作等多种行为特征才能更加准确地理解人类的意图和情感状态。     

基于深度学习的AIT智能交通系统

随着我国汽车保有量的不断增加,城市地面交通现状收到社会的重点关注,交通拥堵已经成为非常棘手的问题。在人工智能发展背景下,提出以人工智能为基础,采集交通信息,并进行深度学习并处理,达到采集、分析、处理、控制交通系统的目的,形成基于深度学习的AIT智能交通系统。通过建立AIT智能交通系统,达到对我国交通系统的智能化管理,达到交通的最优化设计。     

基于深度学习的情感分类研究

互联网上的信息蕴含着海量带有情感的数据,充分地对其进行分类可以更好的了解网民的观点和社会舆情。情感分类是自然语言处理(NLP)的重要问题之一,旨在解决情感极性的自动识别与分类问题。近年来随着深度学习的迅速发展,深度学习在海量文本数据的智能理解上表现出独特的优势,得到了越来越多研究者的青睐。本文首先讨论几类有代表性的深度学习模型,利用几类典型的深度学习模型引出多种基于深度学习的情感分类方案。     

基于深度学习的嵌入式智能衣柜

随着经济的发展和生活水平的提高,衣柜里的衣物越积越多,而个人服饰过多容易造成衣物整理困难、衣服搭配耗时、容易遗忘自己曾买过的服饰和衣服易潮湿、发霉等问题。针对该问题,利用当下热门的物联网技术、语音处理技术和基于深度学习的图像识别技术,设计了包含有智能管理、智能推送和除湿杀菌功能的智能衣柜。实现衣柜的智能管理与人机交互。