基于经验模态分解的门控循环单元神经网络的锂离子电池荷电状态估计

锂离子电池荷电状态(SOC)估计技术是电动汽车电池监测系统(BMS)设计的重要组成部分。该文提出一种基于经验模态分解(EMD)的门控循环单元(GRU)神经网络的锂离子电池荷电状态估计方法,在GRU估计SOC的基础上,引入EMD算法分解放电电流,不仅提高GRU模型对长时间电流信号保持长期信息的能力,而且提高锂离子电池荷电状态估计精度。仿真实验表明,与传统的循环神经网络和长短期记忆网络相比,该文所提基于EMD-GRU方法的锂离子电池SOC估计平均绝对误差为1.5093%,同比降低了20.7924%。

基于Dense-YOLO网络的井下行人检测模型

行人检测是实现矿用车辆无人化的一项关键技术,煤矿井下弱光环境中捕获的图像可见度不佳,极大地影响了行人检测效果。现有行人检测方法忽略了井下弱光环境对目标检测精度的影响,检测效果不理想。针对该问题,提出一种基于Dense-YOLO网络的井下行人检测模型。将弱光图像分解为光照图和反射图,采用Gamma变换、加权对数变换、限制对比度的自适应直方图均衡(CLAHE)对光照图进行增强处理,采用亮度权值和色彩权值对增强后的图像进行加权融合;采用双边滤波算法对反射图进行处理,以增强图像纹理;将增强后的光照图和经过双边滤波处理的反射图逐点相乘,重构出RGB图,并采用ROF去噪模型对融合后的图像进行全局去噪,得到最终的增强图像。将含有残差块的Dense模块添加到YOLOv3中,构建基于Dense-YOLO网络的井下行人检测模型,残差块的加入有利于避免在网络训练过程中出现梯度消失和梯度爆炸等问题。实验结果表明:对弱光图像进行增强处理能够有效提高图像可见度和行人检测效果;Dense-YOLO网络对增强图像的漏检率为4.55%,相较于RetinaNet网络降低了14.91%,基于Dense-YOLO网络的井下行人检测模型有效降低了行人检测漏检率。