基于改进CNN的电力设备红外目标检测技术

电力设备红外图像背景较为复杂、设备种类较多,使得电力设备红外目标检测效果较差。为此,提出基于改进CNN的电力设备红外目标检测技术研究。通过联合中值滤波与高斯滤波,预处理电力设备红外图像。以此为基础,采用ResNet与FPN改进CNN,获取电力设备红外图像特征信息。通过常数分割模型训练随机森林分类器,将特征信息输入至训练后的分类器中,获得电力设备红外目标检测结果。实验结果显示,采用所提方法对电力设备红外目标检测结果与实际检测结果保持一致,帧率最大值为14.1 FPS,表明所提方法应用性能良好。

融合声纹特征的智慧电网主设备故障自动化识别系统

为准确识别电网主设备故障,推进电网智能化水平和安全运行,设计融合声纹特征的智慧电网主设备故障自动化识别系统。采集电网主设备故障信号,通过主控中枢和上位机将其发送到人工智能中枢,人工智能中枢对信号进行分帧和添加汉明窗处理后,提取电网主设备超声信号的声纹特征,再将该声纹特征输入到卷积深度置信网络模型内,输出电网主设备故障自动化识别结果。实验表明,该系统可有效采集智慧电网主设备故障超声信号,提取到电网主设备声纹特征,有效识别不同电网主设备出现的故障类型和故障时间,应用效果较为显著。

基于K均值的超分辨率图像噪声识别方法

现有的大部分噪声识别算法都是基于图像中只存在单一类型高强度噪声的假设,很少有研究者对于常见的低强度混合噪声进行研究,该文研究基于K均值的超分辨率图像噪声识别方法。采用加权均值算法灰度化处理超分辨率图像并提取出图像特征。通过粒子群算法建立聚类中心求解函数,自适应调整粒子惯性因子、学习因子及其适应度程度,寻找出全局最优聚类中心,结合K均值进行图像特征分类,确定具有噪声特征的类别,得到超分辨率图像噪声识别结果。实验结果表明,所提方法能够有效识别出各种类型超分辨率图像噪声,保证识别效果与速度。