风力发电机组光影影响范围计算方法研究

针对风力发电机组光影影响问题,提出了基于三维空间的光影影响范围计算方法,使计算的风机光影影响范围更贴合实际情况。将风力发电机光影影响区域考虑为椭圆柱,根据风力发电机的经纬度,计算风机各时刻对应的太阳高度角及太阳方位角和光影影响的空间范围。通过判断敏感区域的光影交集情况,计算出风机各时刻的禁止偏航区域,可为风机选址和制定光影影响规避措施提供依据。

风电场环境影响评价原则及评价重点研究

针对风电场环境影响评价的评价原则及评价重点进行了探讨性的研究。提出了风电场环境影响评价应以早期介入和避让措施优先为基本原则;对风电场环境影响评价重点进行了识别,并提出风电场选址的环境可行性分析是风电场环评的重中之重;风电项目建设对生态环境的影响及风机噪声、光影影响也是风电场环境影响评价的重点,并创造性的提出风机噪声光影联合防护区的概念,以期对风电场环境影响评价提供理论及技术参考依据。

风力发电对生态环境的影响—以大连地区为例

风力发电项目具有显著的环境、社会效益,其建设及投入运营后对生态环境的影响同样不容忽视。本文在分析风力发电项目的利与弊的同时,特别分析研究了近年引起广泛关注的风力发电机组光影的影响问题,最后提出了结论与建议。

高斯混合模型与GhostNet结合的YOLO-G遗留物检测方法

遗留物检测作为视频监控的关键支撑技术之一,具有广泛的应用前景.针对现有方法存在无法较好地解决光影变化问题、深度学习遗留物检测方法中神经网络的参数量较多及准确度低等问题,提出基于YOLO-G的遗留物检测方法.首先结合高斯混合模型背景建模进行前景检测,根据移动区域与静止区域的分离距离与时间得到可疑静止区域,将判定为分离时刻的帧图像传入深层神经网络进行检测与识别;然后在网络模型中将幽灵网络中的幽灵模块应用于CSPDarknet53主干网络;最后引入压缩激励网络进一步提高特征提取能力.实验结果表明,所提方法的检测准确率比FCOS,SSD,RefineNet,YOLOv3,LRF和YOLOv4分别提高了34.22%,23.86%,16.64%,13.19%,8.16%和1.41%,网络参数量比YOLOv4减少了22.78%.