一种改进残差网络的农田识别算法

农田识别是保证农机自动化作业不越界的前提与基础,为了给农机自动化作业提供环境信息,提出一种基于改进残差网络的农田识别算法。该算法以残差网络(ResNet18)为基础主干网络进行改进,在残差结构的基础上加入通道注意力机制,增强了有效特征的权重,降低了噪声等无用特征的影响,提高了模型的特征提取能力以及鲁棒性;结合标签平滑的训练方式以及学习率余弦退火衰减算法,使用Silu激活函数代替原残差网络中的Relu激活函数,优化了模型的收敛效果。实验结果表明,改进后的残差网络模型对农田、草地、建筑、裸地以及荒漠的识别准确率可达到98.92%,相比于原ResNet18模型的准确率提高了3.8%,证明了该模型的优越性。

基于集成学习的操作机构控制电路故障分类

实时监测和故障诊断是智能化高压配电系统稳定正常运行的关键,为了实现在电力系统中准确识别故障的要求,本文提出了一种基于集成学习的电力系统故障分类模型,通过对特征空间中的非线性规律进行编码的多项式特征衍生,极大地提高了特征的效用。该方法能够有效识别控制系统中各元器件是否发生故障。对提高压断路器设备监测效率、降低安全事故率、提升配电系统智能化改造具有一定的应用价值和现实意义。