基于人工智能与大数据的双碳大气环境信息化应用进展与展望

[目的]二氧化碳与大气污染物化石燃料排放同源,在碳达峰碳中和的双碳进程中应协同治理,改善双碳大气环境。大气环境信息化应用主要基于大气化学传输数值模式展开,而双碳大气环境信息化应用还处于起步阶段。近年来,人工智能与大数据技术在双碳大气环境上的应用愈加广泛,蕴育科研范式从数值模式向与人工智能、大数据深度融合变革,因而亟需梳理当前进展并展望未来发展方向与路径。[方法]通过调研领域工作,勾勒基于人工智能与大数据的双碳大气环境信息化应用的研究路径和发展方向。[结果]双碳大气环境信息化应用应以人工智能、大数据科技创新实现对大气化学传输模式的融合替代,形成应用体系,实现更高精度、更快速度的数字化治理。[局限]本文提出的概念与设计,有待于未来的实施与验证。[结论]人工智能与大数据技术的应用,带来双碳大气环境科研范式变革机遇,同时也提出了挑战。协同推进算法突破与信息化系统研制,有助于实现这一科研范式变革。

一种基于可见光巡检图像的杂草智能识别方法

目前电力巡检主要是采用无人机巡检的方式,针对无人机巡检获取的图像识别过程中,电力设备旁的杂草可能会造成安全隐患,需要对图像中的杂草进行识别。针对电力巡检的场景,提出了一种基于可见光巡检图像的杂草智能识别方法,以可见光巡检图像中杂草的特征为基础,结合卷积神经网络方法,解决可见光巡检图像中电力设备附近的杂草识别问题。通过对图像进行样本数据增广和预处理,接着引入区域生成网络,再对图像提取固定个数候选框的图像特征,和改进的图像分类网络连接在一起,得到最终的卷积神经网络模型。实验表明其准确率可以达到97.98%,检测一幅600×600大小图像需要花费的平均时间约为0.256 s,在保证了准确率的同时达到了高效识别的要求。

基于FPGA的电力巡线无人机硬件加密通信方法

电力巡检无人机无线通信主要依赖跳频通信机制予以防护,攻击方可监听单频点获取跳频序列进行破解,夺取无人机控制权。针对专业级巡线无人机作业场景下的安全防护需求,提出了基于现场可编程门阵列(field-programmable gate array,FPGA)的硬件加密通信与认证防护方法。该方法模仿智能电表硬件加密通信方式,为无人机配置嵌入式加/解密模块(embedded secure access module,ESAM);在无人机起飞配对时,将该无人机的密钥传输至遥控器,并按所给密钥进行FPGA 重编程,飞行控制中即可实现基于ESAM模块和FPGA对称硬件加密方式的身份认证与加密通信,保障专业级巡线无人机的安全。所提方法在无人机端及遥控器端均为硬件加/解密,可满足无人机实时指令响应速度需求。

基于YOLO的无人机电力线路杆塔巡检图像实时检测

无人机巡检已成为电力线路灾后巡检的重要方式。然而,目前的无人机巡检仍主要通过人工方式评估线路灾损,不仅费时费力,而且准确率低。提出了一种基于深度学习算法(YOLO)的实时目标检测模型,用于灾后根据无人机巡检视频实时检测电力杆塔的状态。通过对倒断类杆塔图像进行数据增广,解决了杆塔类别不平衡问题。通过使用K-means算法对杆塔数据集的目标框进行重新聚类,改进了YOLO算法参数。测试结果表明,该模型能有效检测多种环境下多种尺度的杆塔目标。改进后的模型在测试集上的召回率和交并比(IoU)较改进前有所提高,且平均均值精度(mAP)达到94.09%,检测速度达到20帧/s。此外,也对更快的简化版YOLO模型进行了测试,检测速度能达到30帧/s。