开关电源高效模块和普效模块混插休眠技术的应用

节能减排是运营商降低成本的重点,因此需对现网运行的开关电源进行改造,提出开关电源高效模块和普效模块混插休眠技术,以提高开关电源的效率,达到节能降耗的目的。该方案适用于现网运行的开关电源系统,对节能减排工作具有积极的指导意义。

开关电源高效模块节能改造应用

本文通过对基站开关电源模块配置进行改造,将高效模块应用在现网的开关电源设备中,在满足目前现网实际应用的前提下,实现了节约能耗的目的。

关于分立式电源高效模块实测数据对比及应用效益分析

通过对分立式开关电源的普效和高效整流模块的能耗的对比,采集和分析数据,印证高效普效模块实际的工作效率,实地验证整流模块标称差异,核算开关电源全生命周期运维成本,从维护角度阐述高效模块节能效果,为日后电源维护降本增效提出新的思路。

基于高效通道注意力模块(ECA)和YOLOv5的图像检测方法研究

佩戴安全帽是人们在施工建设中的一项重要保护措施,它可以有效保障人们的生命财产安全。安全帽检测系统也已经成为了很多施工场所的必备的基础设施,为了改善YOLOv5不能通过权重进行聚焦,从而生成有明显辨识度的特征,进而影响安全帽检测准确度的问题,我们在YOLOv5中引入了注意力模块,保证了卷积过程中的特征提取,并且使得图像得到优化,提升了安全帽检测结果的准确性和模型性能。并且我们对比了原YOLOv5、添加了ECA(Efficient Channel Attention)高效通道注意力模块、添加了SEA(Squeeze-andExcitation attention)注意力模块和添加了压缩激励SEL(Squeeze and Excitation Layer)注意力模块的精确率P/%、召回率R/%、mAP@0.5和mAP@0.5:0.95,实验结果表明添加了ECA(Efficient Channel Attention)通道注意力模块的ECA-Yolov5算法相较于原YOLOv5算法P/%、R/%、mAP@0.5、mAP@0.5:0.95分别提升了0.5、0.6、0.5、0.2。由此结果表明引入高效通道注意力模块(ECA)的YOLOv5安全帽识别算法更有能力进行安全施工的检测,提升了施工的安全性。

DARPA为激光武器反无人机分层防御开发模块化高效激光技术

随着近年来无人机在战场上频繁现身和出色表现,无人机所造成的威胁正日趋加大,美国为了快速形成反无人机装备能力的领先优势,正在大力发展反无人机装备技术研发。2022年DARPA发布“模块化高效激光技术”(MELT)项目五年计划征集公告,旨在开发具有出色光束质量的紧凑型、可扩展的主动相干光束合成半导体HEL源技术,该项目将把激光碟片集成至可扩展HEL光源的平面阵列中,可获得与当前HEL光源相媲美甚至更佳的光束质量,将成为低成本激光武器系统分层防御反无人机的新手段。

引入全局上下文模块和高效注意力机制的车辆跟踪算法

孪生全卷积神经网络目标跟踪算法(SiamFC)近些年成为车辆跟踪领域的研究热点。但该算法缺乏对目标车辆的深层特征提取和整体感知,在背景复杂、低分辨率、光照变化的情况下容易跟丢。提出使用深度残差网络ResNet50作为主干网络,根据跟踪模型特性,从剪裁特征图、调整网络总步长和嵌入高效通道注意力模块三方面对其进行优化,高效提取特征的同时增强模型的差异化认知,并在分支网络引入全局上下文模块(non-local network,NLNet),增强跟踪模型对目标车辆的整体感知。经实验证明,提出的算法在低分辨率、光照变化和复杂背景的情况下跟踪速度和鲁棒性显著提升。在VOT2018和OTB2015数据集中测试均能得到较好的跟踪结果,与经典跟踪模型SiamFC相比,在OTB2015数据集中测试的跟踪精度提高了5.5%,跟踪成功率提高了2.7%,跟踪速度提高了14%可达98帧/s。

基于高效通道注意力模块的运动想象脑电识别

基于运动想象的脑机接口技术有助于手部运动障碍的患者康复,因而广泛被用于康复医疗领域。针对目前运动想象脑电信号信噪比低,导致运动想象左右手脑电信号(Motor Imagination-Electroencephalogram,MI-EEG)分类效果不佳的问题,本文鉴于注意力模块能够关注与运动想象分类任务相关的重要特征和忽视不重要特征的特性,提出一种基于高效通道注意力(Efficient Channel Attention,ECA)模块的卷积神经网络对左右手MI-EEG进行特征提取和分类。为便于卷积神经网络(Convolutional Neural Network,CNN)对脑电信号进行识别,本文使用小波变换将脑电时序信号转换为二维时频图;然后调整基于ECA模块的CNN结构和参数;最后,对本文方法在脑电信号数据集上进行实验。实验结果表明,与一些基于深度学习的运动想象分类识别方法相比,基于ECA模块的CNN能够有效提升MI-EEG的识别准确率,说明本文方法在运动想象脑电识别方面具有有效性。

SunPower公司推出高效光电模块

赛普拉斯半导体公司的子公司sunPower于近日宣布，它将推出其全新的太阳能产品线，即首批采用sunPower公司突破性的“全背面触点”太阳能电池批量生产的光电(PV)模块。凭借接近17％的转换效率，sunPower的新型模块提供了超群的功率密度，以及一种使屋顶安装型PV阵列的外观得以美化的任选“全黑”设计。性能与美学的这一绝妙组合有望增强sunPower公司在规模达25亿美元的PV模块市场上的地位。

矿用蛇形套管模块式涡旋水源热泵机组的研发

煤矿矿井排水具有水质较差、水中煤尘悬浮物多、水的硬度大的特点,传统的水源热泵都是采用管壳式水冷冷凝器、蒸发器,换热不充分,悬浮物沉淀后容易堵塞,效果不理想。针对这一问题,研制了矿用蛇形套管模块式涡旋水源热泵机组,开发了模块式涡旋热泵机组,选择配套涡旋压缩机、热力膨胀阀等设备,设计新型冷凝器、蒸发器、控制装置,并试验测定涡旋热泵机组的性能,确定了产品定型参数。

面向工业表面缺陷检测的改进YOLOv8算法

针对工业缺陷对比度低、周围干扰信息多导致的误检率和漏检率高的问题,提出一种基于改进YOLOv8的工业表面缺陷检测算法EML-YOLO。通过设计一种高效大卷积模块(efficient large kernel,ELK),在保留空间信息的同时提供多尺度的特征表示,从而提高模型的特征提取能力;提出多支路并行的特征融合模块(multi-scale context module,MCM),使得模型能够获取丰富的特征信息和全局上下文信息;在Neck模块中通过特征压缩和精简来减少模型的参数量和计算量,让模型更适用于资源有限的工业场景。采用GC10-DET和DeepPCB两个工业表面缺陷数据集来验证改进的EML-YOLO算法的有效性。实验结果表明,在GC10-DET数据集和DeepPCB数据集上,检测准确率上分别提高了4.3个百分点和2.9个百分点,参数量仅2.7×10^(6)。所提算法可以较好地应用于工业缺陷检测场景。

浅析麦克维尔风冷模块机组在汽车4S店的应用

介绍世界一流品牌麦克维尔风冷模块机在4S店中央空调系统中的应用,即节省了机房又便于维护,省去了冷却水系统,制冷与采暖可以兼顾。

基于全维动态卷积的交通标志识别

针对现有交通标志识别算法对于小目标和遮挡目标的识别精度不高,且识别速度较慢的问题,通过改进YOLOv5网络,设计一种基于全维动态卷积(ODConv)的交通标志识别算法。将主干网络中的部分卷积替换为全维动态卷积,以便在特征提取过程中获取更丰富的信息,提高网络对小目标的敏感度;为了减少上采样过程中信息的丢失,在特征融合网络中使用亚像素卷积模块替换原有的最近邻插值上采样模块,并使用高效层聚合模块替换原有的跨阶段层次模块,提高特征融合效率,延长梯度最短路径,改善小目标检测效果;使用SIoU函数计算回归损失,解决真实框与预测框之间方向不匹配的问题,进一步提高对道路交通标志的检测精度。在TT100K数据集上测试本模型,平均精度(mAP@0.5)达到了93.85%,召回率(Recall)达到了90.73%,与基准网络YOLOv5n相比分别提高了3.90%和5.69%,帧处理速度达到89.29。

基于MES−YOLOv5s的综采工作面大块煤检测算法

综采工作面的目标具有高速运动、多尺度、遮挡等特点,现有的目标检测算法存在精度低、模型占用的内存大、硬件依赖强等问题。针对上述问题,提出了一种基于MES−YOLOv5s的综采工作面大块煤检测算法。采用轻量化设计,将MobileNetV3作为主干网络,以减小模型占用的内存,提高CPU端的检测速度;在颈部网络添加高效多尺度注意力(EMA)模块,融合不同尺度的上下文信息,并进一步减少计算开销;采用SIoU损失函数代替CIoU损失函数,以提高训练速度和推理准确性。消融实验结果表明:MobileNetV3大幅减少了模型占用的内存和检测时间,但mAP损失严重;EMA模块和SIoU损失函数可在一定程度上恢复损失的精度,同时保证模型在CPU上具有较高的检测速度,满足煤矿井下目标实时检测需求。对比实验结果表明,与DETR,YOLOv5n,YOLOv5s,YOLOv7模型相比,MES−YOLOv5s模型综合性能最好,mAP为84.6%,模型占用的内存为11.2 MiB,在CPU端的检测时间为31.8 ms,在高速运动、多尺度、遮挡和多目标的工况环境下能够保持较高的召回率和精度。

基于声谱图时间分辨率优化与残差空间金字塔网络的车辆识别

车辆分类是智能交通系统的关键技术之一,是道路交通监控系统的一个重要研究领域。由于声学传感器具有效率高、成本低、可昼夜工作、隐蔽性强等优势,因此基于车辆声音特征的车辆分类引起了研究人员的广泛关注。然而,现有研究中的车辆声音信号仅包含单一车辆,对于混合的双车辆声音信号的分类缺乏讨论。为此,设计一种网络模型对单车辆和双车辆共12种类别的噪声信号进行分类。针对声音频谱特征的固定分辨率并非最优的问题,基于网络训练得出的注意力得分和时间转换矩阵,控制噪声频谱时间大小,设计频谱时间分辨率优化模型。分类网络依据卷积递归神经网络(CRNN)架构,卷积网络部分(多尺度信号分析模块)参考高效空间金字塔模块对特征进行双分支融合处理,由于循环神经网络(RNN)等不利于并行化,运算速度慢,因此将因果时间卷积网络(TCN)转换为非因果循环TCN。在自制数据集中进行实验,结果表明,该模型的平均精度均值(mAP)达到0.98,远高于相当参数量下的CRNN网络,与MobileNetV3性能相当,但是相比MobileNetV3参数量减少了1.7×10^(6)。分析结果表明,所提模型适用于长时间声音信号处理任务,能提取深层次的特征。

基于EMA改进的图像语义分割算法

针对期望最大化注意(EMA)算法参数与图像的语义关联不足以及缺少对通道间信息关注的问题,本文提出一种双重注意力网络EMA+算法。该算法设计了2个模块:空间注意力模块和通道注意力模块。空间注意力模块以EMA算法为主体架构,在责任估计步骤采用特征图作为期望最大化(EM)算法的初始参数,增加参数与特征图语义上的关联。通道注意力模块使用高效通道注意力(ECA),通过使用一维卷积学习通道之间交互信息,避免由于降维操作导致的破坏通道与其权重之间的直接对应关系。EMA+通过融合空间注意力模块和通道注意力模块,显著提高了语义分割任务的性能。实验结果表明,EMA+在PASCAL VOC2012和一些更复杂的数据集上均取得了较EMANet等方法更优的交并比指标,有较好的泛化能力。

基于改进残差网络的骨龄评估方法

为了更细节地提取手部X图像特征,提出了一种基于改进残差网络的骨龄评估方法。基于TW3方法,结合轻量高效注意模块改进残差网络,提高细小颗粒特征的提取准确率。实验结果表明,该方法在西安某三甲医院提供的数据集上,男、女性的平均绝对误差(MAE)分别是0.4228岁和0.4341岁,在1岁误差范围内,男、女性的准确率分别达到93.82%和93.16%,明显地提高了骨龄评估的准确率。

通信基站节能减排措施及应用实践浅析

近年来,国家大力倡导节能减排,通信行业节能措施众多,本文通过对通信基站的建设及改造项目中,实际应用的几项节能减排措施进行技术分析及总结,探讨通信基站行之有效的节能措施与基站节能建设的问题。

结合高效通道注意模块的残差网络骨龄评估

本文针对现有骨龄评估数据集数据规模小,样本分布不均匀以及现有方法评估准确度较低的问题,提出了一种新的结合高效通道注意模块的残差网络骨龄评估模型。通过结合深度残差网络和高效通道注意模块来提高卷积效率,并改进损失函数,缓解样本分布不均匀问题的影响;然后运用迁移学习的方法微调训练骨龄评估模型,提高模型训练效率;最后引入随机深度算法提高模型泛化能力。实验结果表明,该方法在RSNA数据集和DHA数据集上的平均绝对误差分别为4.69个月和5.98个月,当容忍度为12个月时,骨龄评估的准确率可以达到98.36%和94.88%,说明本文方法能够明显地提高骨龄评估的准确率,一定程度上缓解数据规模小和数据分布不均匀带来的影响。

矿井图像超分辨率重建研究

受井下粉尘大、照度低等环境影响,矿井图像存在分辨率低、细节模糊等问题,现有的图像超分辨率重建算法应用于矿井图像时,难以获取不同尺度图像信息、网络参数过大而影响重建速度,且重建图像易出现细节丢失、边缘轮廓模糊、伪影等问题。提出了一种基于多尺度密集通道注意力超分辨率生成对抗网络(SRGAN)的矿井图像超分辨率重建算法。设计了多尺度密集通道注意力残差块替代SRGAN原有的残差块,采用2路并行且卷积核大小不同的密集连接块,可充分获取图像特征;融入高效通道注意力模块,加强对高频信息的关注度;采用深度可分离卷积对网络进行轻量化,抑制网络参数的增加;利用纹理损失约束网络训练,避免网络加深时产生伪影。在井下数据集和公共数据集上对提出的矿井图像超分辨率重建算法和经典超分辨率重建算法BICUBIC,SRCNN,SRRESNET,SRGAN进行实验,结果表明:所提算法在主客观评价上总体优于对比算法,网络参数较SRGAN减少了2.54%,峰值信噪比与结构相似度较经典算法指标均值分别提高了0.764 dB和0.05358,能更好地关注图像的纹理、轮廓等细节信息,重建图像更符合人眼视觉。

基于改进YOLOv5的菇房平菇目标检测与分类研究

随着食用菌行业由自动化向智能化、信息化发展的趋势越来越明显,为了实现现代化菇房中平菇的准确检测,解决工厂化平菇栽培中收获阶段平菇之间相互遮挡等问题,帮助平菇采收机器人进行准确的自动化采收,该研究提出了一种基于YOLOv5(you only look once version 5)模型的OMM-YOLO(ostreatus measure modle-YOLO)平菇目标检测与分类模型。通过在YOLOv5模型的Backbone层添加注意力模块,对输入的平菇图像特征进行动态加权,以获得更详细的特征信息,并在Neck层采用加权双向特征金字塔网络,通过与不同的特征层融合,提高算法的平菇目标检测的精度。此外,为了改善算法的准确性和边界框纵横比的收敛速度,该文采用了EIoU(enhanced intersection over union)损失函数替代了原有的损失函数。试验结果表明,与原始模型相比,改进模型OMM-YOLO对成熟平菇、未成熟平菇和未生长平菇的平均精度均值分别提高了0.4个百分点、4.5个百分点和1.1个百分点。与当前主流模型Resnet50、VGG16、YOLOv3、YOLOv4、YOLOv5m和YOLOv7相比,该模型的精确率、召回率和检测精度均处于优势,适用于收集现代化菇房中的平菇信息,有效避免了平菇之间因相互遮挡而产生的误检测现象。菇房平菇目标检测可以自动化地检测平菇的数量、生长状态等信息,帮助菇房工作人员掌握菇房内的菇况,及时调整温湿度等环境条件,提高生产效率,并且对可以对平菇进行质量控制,确保平菇产品的统一性和品质稳定性。同时可以减少对人工的依赖,降低人力成本,实现可持续发展,对智能化现代菇房建设具有积极作用。