基于改进YOLOx-S的输电线路上金具检测方法

输电线路航拍图像存在背景复杂多变、检测目标占比较小的问题。针对部分图像属于阴影、模糊等视觉信息较差的困难样本,在特征融合角度的基础上,使用通道注意力使得模型更加关注复杂背景下的关键特征提取区域;基于自适应空间特征融合(Adaptively Spatial Feature Fusion,ASFF)机制使得浅层和深层的特征图更合理地融合;对检测模型的损失函数进行改进,解决损失函数无法准确反映真实框与预测框重合度大小的问题。在自建的金具目标检测数据集上进行实验,实验结果表明,所提出的改进算法在原始YOLOx-S(You Only Look Once x-S)基础上获得了5.15%的检测精度提升,召回率提高了1.62%,并且针对小目标、易漏检和错检目标的检测有了明显改善,体现了在输电线路上金具目标检测的优越性和实用性。

基于对抗性持续学习模型的输电线路部件缺陷分类

输电线路金具巡检是电网安全态势感知中不可或缺的一部分,线路的定期巡检关系着电力系统是否能安稳运行。针对目前的输电线路部件缺陷分类模型无法处理现实情况中无限数据流的问题,该文提出一种基于对抗性持续学习的输电线路部件及其缺陷分类方法。将持续学习技术引入到输电线路部件缺陷分类任务中,使得分类模型在保证分类准确率的同时,可以从无限增长的数据流中不断学习新的分类任务,并且减少时间资源消耗。通过融入注意力机制,增强了模型对细微特征提取能力,解决了分类任务类间差异过小的问题,提高分类准确率。针对持续学习任务中的排序不可知性问题,提出基于离散度进行排序的方法,以实现持续学习分类模型的最优利用。最后,在CIFAR-100公共数据集和自建数据集上进行实验验证,并对模型的各种性能进行分析与比较。结果表明该文提出的方法实现了部件及其缺陷分类任务的可持续学习,缓解了灾难性遗忘的问题;融入注意力机制和使用L_(3)损失函数使分类准确率分别提高了1.43%和2.25%;实现了持续学习分类模型在已获取数据集上的最优利用,为电网安全态势感知打下了坚实的基础。

浅析白车身点焊工艺及质量控制方法

当前汽车工业及其制造技术已随全球科技进步率先进入工业4.0时代,全球汽车制造水平高速发展,汽车生产效率大幅提升,据统计主流的汽车厂商其生产节拍已经达到每隔两分钟左右即可完成一台整车下线,生产节拍之快令人叹服,当然归根到底这一切都离不开汽车制造中最基础的冲压、焊接、涂装、装配四大生产工艺。本文着重从汽车制造四大生产工艺之一的焊接方面,来探讨汽车白车身相关的点焊工艺及其质量控制方法。

盾构穿越已建隧道的影响分析及应对措施

通过研究盾构法施工对地层的扰动以及隧道的受力变形特征,结合上海地铁盾构穿越隧道的工程实践,探讨了盾构施工对已建隧道变形的控制措施,获得了一定经验。同时指出,注浆工艺和上覆土厚度对隧道变形的影响应引起足够重视。

汽车尾门框尺寸匹配问题解决与优化提升研究

汽车尾门框尺寸配合在汽车制造过程中始终是重点和难点,直接反映了企业对整车尺寸控制和产品设计水平。作为可直观感知的 A 类质量区,当配合不当有明显 AV 间隙、段差大、左右一致性差等问题时,会引起客户抱怨,更严重的是发生漏水、尾门难关、异响、干涉脱漆等严重质量问题,降低品牌质量。尾门框尺寸匹配优化,需要从产品设计、工装设计、工艺设计、控制策略、安装工具、员工操作、供应商零件质量控制等多个角度开展[1],文章将主要从产品制造过程中如何提升优化尾门框尺寸,以及常见问题的解决思路展开阐述,为现行产品及后续产品的开发提供参考。

输电线路部件视觉缺陷检测综述

随着我国电网系统的不断发展,基层巡检作业负担越来越重,运维成本越来越高,如何实现输电线路部件缺陷的智能化检测变得愈发重要。同时,由于国家《新一代人工智能发展规划》的提出和国家电网“数字新基建”的部署,人工智能应用于电力设备运维的相关技术得到了快速发展,对输电线路部件视觉缺陷准确检测成为亟待解决的关键问题之一。早期基于图像处理和特征工程的部件视觉缺陷检测方法对图像质量的要求较高,无法真正应用于现实复杂的输电线路作业环境;随着深度学习的兴起,基于深度学习的检测模型可以有效地将部件目标及其缺陷从复杂的输电线路航拍图像中提取出来,既节省了人工设计特征的时间,又在性能上达到了显著提升,因此逐渐成为主流研究方法。本文首先描述了基于传统算法的输电线路关键部件视觉缺陷检测技术,回顾了深度学习的发展过程并分析了深度学习在缺陷检测领域的优缺点;围绕输电线路上3个重要的部件:绝缘子、金具以及螺栓,介绍了其定位与缺陷检测的研究现状;分析了输电线路部件缺陷检测中研究的样本不平衡问题、小目标检测问题、细粒度检测问题等几个关键问题;分析了符合电网巡检任务复杂场景需求和故障诊断标准的输电线路部件缺陷检测技术的未来发展趋势。