风电机组齿轮箱内窥镜图像识别应用

作为目前新能源发展的重要角色,风力发电显得尤为重要。齿轮箱是风电机组发电的核心组件,做好相关的检测与维护工作对风力发电效率有重要影响。针对风电机组齿轮箱内部磨损情况下的安全问题,提出了一种基于Faster-RCNN的目标检测算法,通过内窥镜对齿轮箱内部的齿面和轴承进行图像检测来识别各个部件的磨损或其他类型的故障,为齿轮箱的故障分析和故障预测提出理论依据。同时,利用图像增广来解决内窥镜拍摄时的图像不清晰、模糊等问题,进一步提高故障检测率。

坪山新区流行性感冒和人禽流感监测结果分析

目的：探讨坪山新区流行性感冒和人禽流感的监测结果,为制定防治措施提供依据。方法选择2014年10月—2015年10月坪山新区报告流感病例7868例,对所有病历资料进行分析。结果坪山新区2014年10月—2015年10月的流感样病例有7868例,占0.58%。2015年1月份流感样患者比重最高,为15.82%,其次为2月份的13.87%,3月份的13.19%；7月份流感样比例最低,为1.72%。流感样患者在25~59岁年龄段的比例最高,达到49.06%,与其他年龄段患者相比,差异有统计学意义（P﹤0.05）。所采集流感样患者咽拭子标本586份,阳性标本占11.26%。其中甲型H1N1流感占40.91%,甲型H3N2流感占27.27%,乙型Yamagata流感占31.82%,未发现H7N9禽流感阳性标本。禽类流感阳性率高于猪类,差异具有统计学意义（P﹤0.05）。结论坪山新区在2014—2015年度未发生流感疫情爆发和流行现象,未发现人禽流感病例,但需继续进行流感和人禽流感相关监测工作,尽可能控制疫情,降低疾病的危害,保障广大群众的健康。

基于改进YOLOv8的风电叶片表面损伤检测与识别方法

针对风电叶片极易出现损伤和故障,且制造和维护成本高昂等问题,提出了一种基于改进YOLOv8模型的风电叶片表面损伤检测与识别方法。首先,将现场拍摄到的高清叶片图像作为实验数据集,并将其按比例随机划分为训练集、验证集和测试集;然后,在YOLOv8模型中引入了动态数据增强算法Mosaic、Mixup及离线数据增强算法Albumentations,对训练数据集进行了扩充,解决了模型在有限数据集下的泛化性问题;最后,使用卷积注意力模块(CBAM)和梯度协调机制(GHM)/Focal loss算法等手段加强了模型的损伤检测能力,改进了样本分布不均衡问题,建立了一种先进的风电叶片表面损伤检测与识别方法,提升了YOLOv8模型对叶片损伤的检测精度。研究结果表明:改进后的YOLOv8模型在计算量和参数量都较低的情况下,其平均精度(AP)、平均召回率(AR)都超越了同等配置下的快速区域卷积神经网络(Faster R-CNN)模型。改进后的YOLOv8模型在交并比(IoU)阈值为0.5时的AP和AR分别达到了73.2%和58.8%,验证了该方法在风电叶片损伤检测方面具有一定的可靠性和有效性。