基于深度学习的智能电网窃电检测混合模型研究

针对传统窃电检测模型受维度诅咒、类不平衡等问题,提出一种能有效检测智能电网窃电行为的混合深度学习模型,利用深度学习卷积神经网络(AlexNet)处理维度诅咒问题,显著提升数据处理的准确性;通过自适应增强(Ada Boost)对正常和异常用电行为分类,进一步提高分类精度;使用欠采样技术解决类不平衡问题,确保模型在各类数据的均衡性能;利用人工蜂群算法对AdaBoost和AlexNet的超参数进行优化,有效提高整体模型性能。使用真实智能电表数据集评估混合模型的有效性,与同类模型相比,提出的混合深度学习模型在准确率、精确度、召回率、F1分数、马修斯相关系数(MCC)和曲线下面积-接收者操作特征曲线(AUC-ROC)分数上分别达到了88%、86%、84%、85%、78%和91%,不仅提高了用电行为监测的准确性,也为电力系统的智能分析提供了新视角。

基于预训练模型的深度学习算法及其在图书馆行人目标检测中的应用

图书馆行人目标检测能够实现对图书馆内行人目标情况的统计,观察读者的学习行为和时间倾向,对提高服务质量和改善图书馆设施构造具有重要作用。现有图书馆行人目标深度学习算法能够对行人目标进行自动识别和统计,但计算复杂度高,神经网络模型的训练效率低,难以适应图书馆不同场所的需求。对上述问题,文章提出一种基于预训练模型的深度学习算法。该算法基于迁移学习的思想,对模型进行预训练,从而避免模型从零开始训练,并且设计了一种广义损失函数,该函数不仅关注不同对象的重合区,还关注不重合区,从而能更好地体现出两个对象的重合性。实验结果表明,基于预训练模型的深度学习算法能够提高行人目标检测模型的训练效率以及检测的精确度和查全率,能够满足图书馆不同场景下行人目标检测的需求。

基于深度学习的温室鲜枣成熟度检测模型研究

温室种植已成为现代果蔬生产的主要方式之一,而鲜枣作为重要的经济作物之一,在温室中的种植面积也越来越大。然而,由于鲜枣的成熟度难以准确地判断,导致其产量和品质存在较大的波动,影响了农民的生产效益和市场竞争力。因此,研究一种高效准确的鲜枣成熟度检测方法具有重要的现实意义。目前,基于传统图像处理技术的成熟度检测方法已经逐渐无法满足现代农业的需求,而深度学习技术在图像识别领域取得了巨大的成功,为鲜枣成熟度检测提供了新的思路和方法。本文旨在设计并实现一种基于深度学习的温室鲜枣成熟度检测模型,以提高鲜枣生产的效率和质量,促进农业现代化的发展。

基于深度自回归模型的电网异常流量检测算法

针对电网中行为种类复杂多样且数量众多的问题,提出了一种基于自回归模型的电网异常流量检测算法。该算法利用深度自编码网络自动提取网络流量数据的特征,降低异常流量检测的分析周期,并自动挖掘数据的层次关系。通过支持向量机对提取的特征进行分类,实现对异常流量的检测。仿真实验结果表明,所提算法可以分析不同攻击向量,避免噪声数据的干扰,进而提高电网异常流量检测的精度,对于流量数据处理具有重要意义。

基于深度学习的轻量化炮孔智能检测方法

在隧道(巷道)钻爆法施工过程中,智能装药可以取代人工作业,减少装药作业中危险事故的发生。然而,隧道中光线条件差、炮孔目标小和掌子面裂隙等因素会造成智能装药时炮孔的错检和漏检,同时车载计算机有限的算力也是制约炮孔识别大模型使用的难点。MCIW-2深度学习模型,可以解决在隧道掘进作业环境中的高精度炮孔检测和实时性部署问题。模型根据采集到的炮孔图像尺寸特征采取自适应锚框聚类算法优化检测框的长宽比尺寸参数;采用了具有动态非单调聚焦机制的损失函数WIoU(Wise Intersection over Union),通过优化边框回归的损失应对低质量炮孔图片的挑战实现了高精度检测;采用了MobileNetv3-Small网络与CBAM(Convolutional Block Attention Module)注意力机制构建了主干网络结构,减少了模型参数保证了检测准确率,满足车载设备的轻量化部署需求。经实验证明,MCIW-2模型在炮孔识别精确率方面达到了96.18%,检测速度达到了59 fps。与基准YOLO(You Only Look Once)系列目标检测模型文件最小的模型相比,所构建的轻量化炮孔智能检测模型减小了75.86%,模型文件仅为2.80 Mb,优于YOLO系列的基准目标检测模型。使用MCIW-2深度学习模型对工作面现场视频进行测试,实现了快速、精确地检测炮孔,测试结果表明,该模型适用于智能装药工程的轻量化部署需求,具有良好的适应性,在综合性能方面具有显著优势。

面向电力设备异常检测的深度自编码支持向量数据描述模型研究

针对深度自编码支持向量数据描述模型对电力设备部分异常区分能力不足的问题,提出自监督混合专家增强的深度自编码支持向量数据描述模型,构造多种自监督变换数据集模拟潜在未知异常,引入自监督分类和掩码重构任务以学习更具区分性的表示。此外,将编码器部分改造为混合专家模型结构,将数据分配给不同专家子模块进行专业化的学习,使异常决策边界更清晰。在4个公开数据集和3个电厂设备数据集上的实验结果证实了自监督学习和混合专家模型的有效性。

基于深度学习的玉米田间杂草识别模型研究

【目的】针对现有田间杂草识别模型复杂、准确率不高等问题,研究玉米田间杂草识别算法,通过准确识别杂草图像,为提高田间杂草防控效果提供理论与技术支持。【方法】基于深度学习目标检测的方法,选取玉米田间4类常见杂草(早熟禾、藜、刺儿菜、莎草)作为试验数据集,建立了YOLOv3、YOLOv5、SSD目标检测模型,并进行了模型训练。【结果】YOLOv3模型的平均精准率为0.734,平均召回率为0.814,平均F1得分为0.789,mAP值为0.792;YOLOv5模型的平均精准率为0.914、平均召回率为0.967、平均F1得分为0.942、mAP值为0.961;SSD模型的mAP值为0.907。【结论】YOLOv5模型的mAP值为0.961,且其各项指标均优于YOLOv3和SSD目标检测模型。YOLOv5模型更适合用于作物田间精确除草的自动化作业。

一种模型驱动的深度学习OFDM接收机

针对正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)接收机解调精度低和计算复杂度高的问题,采用深度学习方法构建了一种新的模型驱动的接收机模型,称为FBLTNet(Fully Connected,Bi-LSTM and Transformer-encoder Neural Network)。该模型分为信道估计和信号检测两个部分,其中信道估计以全连接神经网络(Fully Connected Deep Neural Network,FCDNN)替代线性插值,信号检测则使用深度自注意力网络编码器Transformer-encoder和双向长短期记忆网络(Bidirectional Long-Short Term Memory,Bi-LSTM)的组合网络,实现信号的解调和比特流的恢复。在瑞利衰落信道下测试了不同调制方式的接收机性能,结果表明FBLTNet与基于深度学习的接收机以及传统接收机相比,误比特率性能得到了显著的改善;与数据驱动的无线接收机算法相比,线下训练模型收敛时间和测试时间分别减少了33.0%和25%,网络结构参数减少了29.5%。

基于深度学习的城市内涝区域车辆检测与分析

在城市内涝场景当中,较多人与车辆被困于积水中,给大众生活带来不利影响。随着计算机技术的快速发展,深度学习在解决实际问题中的运用也越来越广泛。文中提出了一种利用TensorFlow深度学习框架搭建MaskR-CNN(Regions with Convolutional Neural Networks Features)模型的方法,对城市内涝场景的积水区进行检测,检测效果良好,mAP(mean Average Precision)值达到89%。同时,基于YOLOv5(You Only Look Once version 5)模型,采用密集帧间差运算对处于积水区中的人车进行追踪,追踪精度达到90%左右,并使用YOLOv5外挂ResNet(Residual Network)实现了对内涝场景中的车辆进行淹没危险度分析。实验结果表明,文中所用模型的车辆危险度检测效果优于其他模型。

基于深度学习与点云数据的3D检测系统应用研究

为了解决高低差场景中平坦度高的2D视觉检测乏力的问题,基于深度学习和点云数据处理平台,融合3D点云格式图像和深度学习技术,建立微米精度、在线检测、成本可控的3D检测架构机制。采用相移和光栅投影结构光技术的硬件方案获取3D点云原始数据,基于强大的CPU和GPU处理芯片,对经过被测物体调制的光栅图案进行重新编码,并结合标定参数解算3D点云数据。对2D深度学习模型进行升级开发,可对点云数据进行标注、学习训练和检测,并将3D硬件、3D软件和3D算法进行整合。实验结果表明,所提系统有利于3D缺陷检测系统的落地,为智能3D检测设备奠定算法和软件基础。

基于边缘计算和深度学习的光电探测设备故障检测

以提升光电探测设备故障检测效果为目标,提出基于边缘计算和深度学习的光电探测设备故障检测方法。首先利用多传感器采集光电探测设备工作状态信号,从信号提取特征,然后采用边缘计算技术搭建光电探测设备故障检测平台,并采用深度学习算法对光电探测设备故障检测样本进行建模,构建光电探测设备故障检测分类器,最后仿真测试结果表明,本方法能够高精度进行各种光电探测设备故障检测,光电探测设备故障检测正确率超过95%,光电探测设备故障检测时间控制在20 ms以内,获得了理想的光电探测设备故障检测结果。

基于深度学习的金属矿物镜下嵌布粒度检测方法

目标矿物嵌布粒度是指目标矿物在矿石中的粒度大小和分布情况,直接影响着选矿工艺的设计和效果。因此,目标矿物嵌布粒度测量是工艺矿物学研究中的重要任务之一。在传统工艺矿物学研究中,主要利用偏光显微镜对矿石样品进行观察分析的方法,普遍存在处理时间长、结果易受人为主观影响、难以实现自动化和大规模应用等问题。为克服传统方法的局限性,提出一种基于深度学习的金属矿物镜下嵌布粒度检测方法。以河北省唐山市水厂磁铁矿矿石标本为对象,在偏光显微镜的反射光条件下进行拍摄,制作数据集,利用Deeplabv3+网络设计了矿物识别网络模型,实现对目标金属矿物的自动化特征提取和智能识别,并生成目的金属矿物的二值化图像,从而实现对目的金属矿物的分割;最后,结合最大Feret直径完成目的金属矿物嵌布粒度分析测量工作。相较于传统的人工镜下测量方法,基于深度学习的图像测量在矿物颗粒分析中的应用,在测量相同矿物颗粒的情境下,处理速度提高了约119.8倍,同时测量精度提升了约169.5倍,揭示了其在处理效率和测量精度上的显著优势。基于深度学习的金属矿物镜下嵌布粒度检测方法显著缩短了矿物镜下嵌布粒度的检测时间并提升了检测精度,同时可消除人为主观因素的影响,对于促进工艺矿物学智能化发展有重要意义。

基于深度学习的路面缺陷检测方法研究

路面缺陷会给公路监管和路面养护带来严重影响,本文针对目前路面缺陷图像采集方法成本高、效率低的问题,提出一种基于深度学习的路面缺陷检测方法。该方法包括目标检测和图像分割子系统,其中,目标检测使用YOLOv5模型来提升路面缺陷位置识别精准率;图形分割使用“U”形多尺度扩张卷积网络(U-Multiscale Dilated Network,U-MDN)来增强路面缺陷深度特征提取。使用目标检测数据集和图像分割数据集进行试验,其中YOLOv5模型精度为92%;比较U-Net模型和U-MDM模型,U-MDN模型的Precision、Recall和F1-score指标综合表现最优,充分证明了该方法对路面缺陷检测具有有效性。

基于深度学习模型的SAR图像间歇采样转发 干扰检测

间歇采样转发干扰(interrupted sampling repeater jamming,ISRJ)利用合成孔径雷达的匹配滤波特性,在其图像中产生间隔分布的假目标,对目标检测等造成欺骗效果,故针对ISRJ的检测与抑制具有重大意义,而现阶段相关研究主要集中在信号域。对此,在图像域中开展ISRJ检测研究。首先将实测数据与仿真干扰相结合,基于不同实测场景与仿真参数构建ISRJ样本;其次针对假目标间隔分布的特点,选用深度学习检测领域具有代表性的“两阶段”与“单阶段”模型;再次,使用单一场景的ISRJ样本对模型进行训练,再利用训练好的模型对其他场景的样本进行测试;最终,得到ISRJ检测结果。基于MiniSAR数据的实验表明,对于不同类别、不同场景以及不同参数的ISRJ样本,所用深度学习模型能够达到95.75%的平均总体检测精度,具有很强的泛化能力。此外,对于尺寸大小为501像素×501像素的样本,上述模型的最少检测用时为0.035 s。

基于深度学习算法的路面病害检测技术研究

为研究基于深度学习算法的路面病害检测技术,建立路面病害改进检测模型,并通过所选数据集对该改进模型的有效性进行测试。通过对路面病害检测速度和精度的优化,提高了检测路面病害的准确度。测试结果表明,对于不同数据集,改进YOLO模型下的召回率Re、准确率Pr以及平衡F分数F1三个参数较原始模型均有所提高,验证了改进YOLO模型的优越性。但准确率的提高可能会导致召回率的降低,召回率的提高也可能会导致误诊率的增加。对于不同的应用场景,需要结合具体情况来评估召回率和准确率的重要性,并进行模型调优。

基于深度学习的输电线路目标检测

针对目前基于深度学习的输电线路目标检测存在的小目标特征提取能力较差、易出现误检漏检、检测精度较低、检测速度较慢等问题,提出了一种基于改进深度学习神经网络模型YOLOv7的目标检测方法。首先使用MobileNetV2网络作为YOLOv7的特征提取部分,实现模型的轻量化处理;其次引入注意力(coordinate attention,CA)机制和空洞金字塔池化(atrous spatial pyramid pooling,ASPP)模块来提高模型的精度和感知能力;最后利用建立的输电线路障碍物数据集来训练改进的YOLOv7网络模型,并与原有YOLOv7网络模型进行对比。结果表明,算法在准确率、召回率上显著提升,可满足复杂场景下的输电线路故障检测,更利于模型的嵌入式系统硬件实现。

基于深度学习的印刷设备自动化缺陷检测与分类技术研究

本文聚焦于印刷设备缺陷分类技术的核心环节,通过精细化研究与实践,成功应用于实时缺陷检测与分类任务。我们不断优化模型性能,显著提高了印刷行业的生产效率和产品质量,为行业的质量控制注入了新动力。此研究不仅为印刷行业的可持续发展提供了坚实的技术支撑,还展示了科技在提升产业竞争力、促进产业升级方面的重要作用。

基于深度学习的机械表面缺陷检测

提出了一种基于深度学习的机械表面缺陷检测方法,并在MVTec AD数据集上进行了实证验证。首先,设计了一套基于机器视觉的机械表面检测系统,为深度学习模型提供高质量的输入数据。其次,深入研究了图像增强技术,通过亮度调整、对比度增强和直方图均衡化等操作,提升图像质量,以更准确捕捉表面缺陷的细微特征。在缺陷检测方法方面,采用了YOLOv5模型。最后,利用MVTec AD数据集进行了一系列实验,验证了所提方法在真实工业场景中的有效性和泛化能力。结果表明,模型在正常图像上表现出良好的误检避免能力,对真实缺陷区域具有较高的识别准确度。

基于深度学习的网络入侵检测方法探究

引言关于网络入侵的检测课题,深度学习是一种常见的数据分析与预测方法,相关领域积累了丰富的研究成果。晋龙兴等人[1]研究了基于深度学习的智能录波器远程运维入侵检测,实验结果表明,基于神经网络的智能录波器远程运维入侵检测方法可以高效、准确地完成入侵检测,保障其远程运维的安全性和可靠性。刘金硕等人[2]研究了基于深度神经网络和联邦学习的网络入侵检测。DFC-NID模型在NSL-KDD和KDDCup99数据集上的准确率平均达到94.1%,在DoS和Probe攻击上的准确率分别达到99.8%和98.7%。本文基于深度学习方法,提出了基于BP神经网络和CNN-LSTM的两种网络入侵检测算法,并对它们进行了仿真对比实验。实验结果表明,CNN-LSTM算法相较于BP神经网络算法具有更高的准确性和性能表现,且在预测性能方面,CNN-LSTM模型相对于BP模型表现更好,也进一步验证了深度学习算法在网络入侵检测中具有显著潜力,为网络安全提供了多样化防护手段。

基于点云深度学习的散乱堆叠轴承圈位姿检测

为解决工业应用中散乱堆叠轴承圈的难识别、分割与抓取问题,提出一种分层递进随机下采样算法对采集的点云模型进行下采样操作,并结合提出的基于RGB阈值自动标注算法完成数据集的制作,利用PointNet++网络预测并分割出可抓取轴承圈上表面,进而使用RANSAC算法精确分割出待抓取轴承圈上表面,最后采用防干涉的抓取点选取策略完成待抓取轴承圈的位姿检测。实际场景下三组抓取实验得到的成功率均在98%以上,验证了其有效性。