储油罐检测机器人性能综合评价

储油罐检测机器人技术发展较快,但缺乏合理的性能评价方法。构建统一的储油罐检测机器人性能评价指标体系,提出一种以序关系分析(G1)法和基于层间相关性赋权法(CRITIC)确定权重、引入功效系数法与虚拟云改进云模型的综合评价方法。建立7个机器人的指标数据集,通过序号总和理论与众数理论与多种评价方法作对比。结果表明:云模型的评价方法有效性测度更高,且机器人的性能大多处于中等水平,还有很大的改进空间。

针对全球储油罐检测的TCS-YOLO模型

原油作为一种重要的战略物资,在我国经济和军事等多个领域均起到重要作用。本文提出一种基于深度学习的目标检测模型TCS-YOLO(Transformer-CBAM-SIoU YOLO),该模型在YOLOv5的基础上进行优化,同时基于吉林一号光学遥感卫星影像数据集进行实验,对全球范围内的储油罐进行识别与分类。优化内容包括:添加基于Transformer架构的C3TR层对网络进行优化;使用CBAM(Convolutional Block Attention Module)在网络层中添加注意力机制;使用SIoU(Scale-Sensitive Intersection over Union) loss代替CIoU(Complete Intersection over Union) loss作为定位损失函数。实验结果表明:与YOLOv5相比,TCS-YOLO的模型复杂度(Giga Floating Point of Operations,GFLOPs)平均减少3.13%,模型参数量(Parameters)平均减少0.88%,推理速度(Inference Speed)平均降低0.2 ms,mAP0.5(mean Average Precision)平均提升0.2%,mAP0.5∶0.95平均提升1.26%。与此同时,将TCS-YOLO模型与通用目标识别模型YOLOv3,YOLOv4,YOLOv5和Swin Transformer进行对比实验,TCS-YOLO均体现出了更高效的特点。TCS-YOLO模型对全球储油罐的目标识别具有通用可行性,可为遥感数据在能源期货领域提供技术参考。

针对遥感影像的MSA-YOLO储油罐目标检测

原油作为一种重要的战略物资,在我国经济和军事等多个领域均起到重要作用。提出一种算法MSA-YOLO(MultiScale Adaptive YOLO),该算法在YOLOv4算法的基础上进行优化,并基于以吉林一号光学遥感卫星影像为主的遥感图像数据集进行实验,对特定监控区域内的储油罐进行识别与分类。算法优化内容包括:为简化储油罐监测模型同时保证模型的效率,对YOLOv4的网络结构中的多尺度识别模块进行修剪;使用k-means++聚类算法进行初始锚框的选取,使模型加速收敛;使用基于CIoU-NMS的优化,进一步提升推理速度和准确度。实验结果表明,与YOLOv4相比,MSA-YOLO模型参数数量减少25.84%;模型尺寸减少62.13%;在Tesla V100的GPU环境下,模型的训练速度提升6 s/epoch,推理速度提升15.76 F/s;平均精度为95.65%。与此同时,MSA-YOLO算法在多种通用目标识别算法进行的对比实验中均体现出了更高效的特点。MSA-YOLO算法对储油罐进行准确且实时的识别具有通用可行性,可为遥感数据在能源期货领域提供技术参考。

多线程程序设计在储油罐监控中的应用

介绍了储油罐监测计量的现状 。