基于深度学习的低光照条件的混凝土裂缝检测

针对目前利用深度学习和计算机视觉技术检测混凝土裂缝需要较好光照条件的现状,实现了在低光照条件下的混凝土裂缝检测。首先,为了加快网络训练速度和检测速度,采用Segnet-MobileNet轻量级深度神经网络作为主要架构。其次,通过引入感受野模块和图像增强模块,利用图像增强模块对裂缝样本进行光照增强预处理,并将感受野模块连接到MobileNet模型后端,利用感受野模块中的残差结构、多分支结构和膨胀卷积融合多尺度裂缝特征图谱信息,扩大网络感受野,进一步改善裂缝检测效果。最后,通过取样验证、损失评价和精度评价的方法评价模型性能,并且通过进行多次试验减少结果偶然性。试验结果表明:模型具有较高的检测精确度,平均检测精确度为97.6%,解决了低光照条件下混凝土裂缝的检测问题。

光伏发电最大功率跟踪的改进方法

针对导纳增量法在低光照情况下不易进行最大功率跟踪的缺点,结合线性比例电流法提出了一种线性比例电流法结合导纳增量法的控制策略。利用Matlab/Simulink仿真软件,构建了光伏电池板和线性比例电流法结合导纳增量法的最大功率跟踪控制的仿真模型。仿真结果验证了线性比例电流法结合导纳增量法的合理性和有效性。