基于多源特征融合的实验室不安全行为检测系统设计

为降低实验室事故发生率,设计一种基于多源特征融合的实验室不安全行为检测系统。首先,构建系统基础框架,在图像采集单元中利用高清摄像机获取实验室监控视频图像,经过图像处理单元的灰度化、去噪、平滑滤波处理后,在目标识别单元中采用帧间差分法获得视频目标区域图像;然后,在特征提取单元中处理视频目标区域图像,提取HOG特征以及人体行为重心特征,通过对二者进行融合处理得到一维特征向量,将其输入到行为检测单元中,利用SVM分类器检测不安全行为。实验结果表明:所设计系统可有效检测实验室不安全行为,F1指数均值、召回率均值分别为98.94%、99.15%,错误检测数量较少。

领域特征融合Transformer的环焊缝缺陷识别方法

环焊缝缺陷的类型识别对于长输管线管道焊缝质量评价以及管道服役寿命评估具有重要意义。由于不同类型缺陷的射线检测图像具有特征差异小、对比度低等特征,现有缺陷类型识别方法所提取的特征表征能力不足,其准确性及可信性难以满足行业需求。为此,提出了一种缺陷领域特征提取与Transformer融合的焊缝缺陷类型识别方法。基于环焊缝缺陷评定技术人员的知识及缺陷领域特征,从缺陷几何特征、缺陷位置特征以及缺陷背景区域特征3个方面定义了14个特征,用于实现不同类型缺陷的特征表征;以Transformer网络为基础,融合上述14个特征提出深度可调节的缺陷类型识别模型与方法。以企业实际环焊缝缺陷数据对模型进行验证。结果表明,与ResNet50网络相比,所提模型对于未熔合、未焊透缺陷,分类精度分别提高18.2%和14.3%;对于咬边和内凹2种形状缺陷,分类精度达到90%以上。证明所提方法可以有效提高缺陷类型识别准确率,可将其扩展到射线检测铸造缺陷、TOFD检测焊缝缺陷识别领域。

基于RUN-GRU-attention模型的实车动力电池健康状态估计方法

实车动力电池的健康状态(state of health,SOH)评估存在数据质量差、工况不统一、数据利用率低等问题,本文面向阶梯倍率充电工况构建多源特征提取及SOH估计模型。首先,通过数据清洗、切割、填充,获取独立的充电片段;其次,基于不同电流阶段计算容量,实现原始数据利用率达96.9%,并与单独限定SOC范围计算容量的方法相比,误差降低48.1%以上;然后,从当前工况、历史累积两个维度提取多个健康因子,对于当前工况特征值,通过灰色关联度及干扰性随机森林重要度分析双重筛选。对于历史累积特征值,利用Spearson相关性分析和核主成分分析方法(kernel principal component analysis,KPCA)降低信息冗余;最后,对门控循环单元网络模型(gated recurrent unit,GRU)引入注意力机制和龙格库塔优化算法(Runge Kutta optimizer,RUN),建立RUN-GRU-attention模型,基于实车运行数据集与现有5种模型进行对比,实验结果表明,无论是包含单阶段还是多阶段电流的测试样本,优化模型的估计精度更佳,误差不高于0.0086,并且随着充电循环次数增加表现出良好的误差收敛性,可有效预测SOH波动趋势。