基于深度学习SSD的变电站设备故障视频识别

变电站设备故障视频识别结果受随时间呈动态性改变视频图像影响,导致识别精度较低。为此提出了基于深度学习SSD的变电站设备故障视频识别方法。设计固定大小的滑动时间窗口,采集并标注变电站设备故障图像;构建基于深度学习SSD识别框架,计算卷积层感受野,获取故障设备及其周围环境信息尺度信息;计算各个特征层像素上默认框大小,结合目标损失函数,改善识别框位置可信度,设计识别规则,实现变电站设备故障视频的识别。实验结果证明,该方法能够保证识别框与真实框重合程度在0.8以上,说明使用该方法能够相对精准地识别变电站设备故障。

基于改进SSD的食物浪费行为识别方法

为更准确地识别现实生活中复杂环境下的食品浪费行为,提出一种改进单激发多盒检测器(SSD)算法,增强算法在检测遮挡对象时的鲁棒性。将SSD基础网络替换成Resnet,增强特征提取能力。以实际应用中数据集真实框大小为依据,重新设计SSD检测时默认框的生成比例。通过添加SE模块,使模型在训练过程中增强重要通道信息。利用双向融合特征金字塔网络(BiFPN)对不同检测层中的特征进行融合。实验结果表明,改进后的SSD目标检测算法在自制的浪费行为数据集中检测精度达到88.49%,相比原始SSD提高了5.09%。

滚动轴承-转子-定子系统的碰摩故障分析

以某航空发动机实验器为基础 ,建立了轴承 转子 定子多自由度系统碰摩故障模型 ,研究了具有局部碰摩的滚动轴承 转子 定子系统的非线性特性 ,利用数值模拟分析了该系统的分岔与混沌运动 ,得到了该轴承转子定子系统在某些有实际意义的参数域内的非线性响应的Poincar啨映射图、分岔图、相轨线图、轴心轨迹图和幅值谱图 ,发现了该系统丰富的非线性混沌行为·分析结果表明 ,转子碰摩刚度与转子弯曲刚度比明显影响轴承 转子 定子系统运动特性·系统响应在较宽的刚度比范围内主要以混沌运动为主·随着刚度比的增加 。

基于ARM的改进型井下智能馈电开关保护器设计

针对目前井下低压馈电开关保护器检测速度慢和电路结构复杂的问题,设计了基于ARM微处理器的改进型馈电开关保护器。该保护器采用高精度电量芯片ATT7022E取代模拟电路采集三相交流信号,以STM32作为控制核心,进行多任务调度。同时,应用MATLAB的cftool工具箱对保护回路绝缘阻值曲线进行多项式拟合,实现电网绝缘阻值数值化,提高了电网漏电故障检测的准确性。

基于SSD算法的航空发动机内部凸台缺陷检测

基于深度学习的背景,提出将目标检测算法用于航空发动机内部凸台缺陷的检测研究。首先介绍了算法的主要特点,通过使用聚类分析方法改进算法产生默认框的生成方式,提高了算法模型对发动机内部凸台缺陷的匹配能力;并采用多种图像处理算法相结合,对目标图像进行预处理来突出凸台缺陷的主要特征,增强了算法模型提取待检测目标的特征信息,从而进一步提高检测算法对于航空发动机凸台缺陷的检测精度。最终检测算法对于凸台缺陷的检测精度达到了95%以上。

杨式太极拳的翻译

本文是为外国留学生翻译和讲解太极拳的体会。翻译太极拳词汇主要涉及两个方面 :一、作为典型的中国文化思想和思维方式的产物 ,太极拳的拳法是太极拳运动的精髓 ,也是译语文化的缺省部分 ,翻译者面临的问题是如何为译语受众建构有效的认知图式 ,从而建立他们能够理解的通道 ;二、翻译杨式太极拳的各式名称涉及到如何在翻译过程中针对原语名称的文化意义、概念意义和功能意义进行有效转换。

薄壁盒形容器零件拉深起皱的原因分析与解决方法

各种薄壁盒形容器拉深零件在拉深过程中经常出现起皱现象,特别是对带有锥度的方形容器和带有阶梯的矩形容器等异型类零件的起皱现象,一直是在拉深模具设计中十分关注的问题。这些问题与拉深模具本身的设计参数有着直接的关系,也与拉深模具的制造参数与模具装配、调试有着直接的关系。

新巴塞尔协议中信用风险管理IRB法解析

为研究商业银行的信用风险管理问题,对新巴塞尔协议中信用风险管理IRB法进行系统分析,概括其基本框架,并通过详细解析其设定的4种风险要素函数来解释目前我国商业银行在运用各种信用风险管理模型时存在"黑箱"的原因,同时,探讨该方法与各种信用风险管理模型的兼容关系,通过解析信用风险管理模型中各种风险要素函数设定的内在逻辑关系,总结目前我国商业银行应用IRB法时存在的各种数据估计上的困难,从而得出应对各种困难的对策。

自动装弹机测试性验证平台需求与方案设计

针对装甲装备使用过程中设备复杂、运行环境恶劣、故障检测与隔离困难、维修保障难度较大等问题,结合测试性验证要求对自动装弹机测试性验证平台的需求进行了分析,在兼顾经济与安全的前提下设计了一种基于物理的软件混合模式故障注入方法,构建了自动装弹机测试性验证平台,为改进和提高自动装弹机的测试性水平提供了技术参考。

基于并行局部特征金字塔的弱势道路使用者检测

针对现实环境中弱势道路使用者(Vulnerable Road Users,VRU)检测准确率低的问题,提出并行局部特征金字塔检测模型。该模型以SSD(Single Shot Multibox Detector)为基础,针对SSD中默认框过大不能涵盖小尺度VRU的问题,重新设计默认框来匹配更多尺度的VRU;使用两阶段回归策略解决正负样本数不平衡的问题;通过并行的局部特征金字塔结构将高层的语义特征融合到底层特征中来增强模型对VRU的检测能力。相比SSD网络,提出方法的mAP(mean Average Precision)提升了7%,且检测速度满足实时性要求。由此验证了该模型对VRU检测的有效性。

基于改进SSD网络的目标检测方法

传统目标检测方法存在准确率低、可靠性差、效率低等问题,无法满足对大量图片准确、高效处理的需求。对SSD网络结构进行改进,删除原网络最后两个预测层,对保留各预测层的默认框个数和宽高比进行优化,同时对保留的最后一个预测层的网络参数进行改进。改进后的SSD网络减少了网络参数和计算量,对存在遮挡、目标较小等情况的图片数据具有更好的检测精度和检测效果,同时模型检测的mAP提高了约5.1%。改进后的网络模型解决了传统方法的不足,可以实时、准确、高效地对大量图片数据进行目标检测处理。

全卷积语义分割与物体检测网络

目的目前主流物体检测算法需要预先划定默认框,通过对默认框的筛选剔除得到物体框。为了保证足够的召回率,就必须要预设足够密集和多尺度的默认框,这就导致了图像中各个区域被重复检测,造成了极大的计算浪费。提出一种不需要划定默认框,实现完全端到端深度学习语义分割及物体检测的多任务深度学习模型(FCDN),使得检测模型能够在保证精度的同时提高检测速度。方法首先分析了被检测物体数量不可预知是目前主流物体检测算法需要预先划定默认框的原因,由于目前深度学习物体检测算法都是由图像分类模型拓展而来,被检测数量的无法预知导致无法设置检测模型的输出,为了保证召回率,必须要对足够密集和多尺度的默认框进行分类识别;物体检测任务需要物体的类别信息以实现对不同类物体的识别,也需要物体的边界信息以实现对各个物体的区分、定位;语义分割提取了丰富的物体类别信息,可以根据语义分割图识别物体的种类,同时采用语义分割的思想,设计模块提取图像中物体的边界关键点,结合语义分割图和边界关键点分布图,从而完成物体的识别和定位。结果为了验证基于语义分割思想的物体检测方法的可行性,训练模型并在VOC(visual object classes)2007 test数据集上进行测试,与目前主流物体检测算法进行性能对比,结果表明,利用新模型可以同时实现语义分割和物体检测任务,在训练样本相同的条件下训练后,其物体检测精度优于经典的物体检测模型;在算法的运行速度上,相比于FCN,减少了8ms,比较接近于YOLO(you only look once)等快速检测算法。结论本文提出了一种新的物体检测思路,不再以图像分类为检测基础,不需要对预设的密集且多尺度的默认框进行分类识别;实验结果表明充分利用语义分割提取的丰富信息,根据语义分割图和边界关键点完成物体检测的方法是可行的,该方法避免了对图像的重复检测和计算浪费;同时通过减少语义分割预测的像素点数量来提高检测效率,并通过实验验证简化后的语义分割结果仍足够进行物体检测任务。