基于眼睛状态多特征融合的疲劳驾驶检测

为解决驾驶状态中光照及头部姿势变化等因素对眼睛状态检测影响的问题,提出一种基于多特征融合的眼睛状态识别方法。采用级联回归树算法定位人脸特征点,利用欧拉角对人脸特征点校正后得到人眼的纵横比特征、根据人眼二值图像得到累积黑色素差值特征以及人眼水平投影高宽比特征,在此基础上提出融合这3个特征并使用支持向量机分类器进行眼睛状态识别,根据筛选机制以及PERCLOSE准则判别疲劳状态。实验结果表明,该算法疲劳检测准确率为97.05%,可以检测多种姿态下的眼睛状态,满足实时性的要求。

基于深度学习的变电站保护硬压板检测与状态识别技术研究

【目的】针对目前变电站保护压板仍由人工核对读取识别,效率低下且容易误操作,制约着变电站向着智能化方向发展。【方法】文章利用深度学习技术,基于YOLO v5算法,进行超参数调整,可迅速实现对保护压板的位置检测与状态识别。同时,通过数据标注建立了用于训练网络的保护压板数据集,该数据集共包含500张压板图像。【结果】实验结果表明,与传统的图像处理算法相比,该识别方法实时性高,且其准确率最高可达到93.63%。【结论】可以应用于变电站保护压板检测和状态识别中。

基于OpenVINO模型优化的变电站压板状态识别

电网公司变电站少人化、无人化值守模式已成为未来发展趋势。为提高变电站自动化巡视水平,针对保护压板,提出一种基于OpenVINO优化模型的状态识别算法。在原有SSD_Inception模型基础上,使用迁移学习,降低了模型训练难度;通过OpenVINO工具套件对模型加以优化,提高了模型的计算性能。经测试,优化后的模型目标检测精度超过98%,召回率超过91%,检测帧率超过32。相较于原有模型,经优化后的模型计算能力在各项指标上均有明显提升,可以满足边缘移动计算设备的实时性要求。

图像特征提取与识别技术保护压板状态监测

变电站自动化水平极大提升了电网运行效率和安全性.压板是用来投入或退出对应保护功能的,继电保护装置的压板管理需要保护管理指定人员、保护试验人员、运行操作人员三方面共同负责.从保护功能来看,它是保护跳闸的最后一道屏障.文章研究了一种利用计算机深度学习算法实现电力保护压板状态识别的装置,本装置利用深度学习的算法实现图像的特征提取、分割分类与识别,实现保护压板状态的监测,并将监测的结果发送到远端云数据.