一种卷积自编码的智能电表外观缺陷检测技术

目前我国每年智能电表的消耗量非常庞大,检测其表面损坏情况是一件非常复杂的事情。由于电表表面缺陷复杂多样,而且收集大量带缺陷的电表图像样本十分困难。因此,文中提出了一种基于卷积自编码模型的算法判断智能电表外观的缺陷。具体来说,基于Faster RCNN训练一个目标检测模型,将电表中待检测区域提取出来。再使用训练好的卷积自编码器判断提取的待检测图像是否存在缺陷。若存在缺陷则会逐像素将缺陷标记出并显示到结果图中。实验结果表明,所提算法判断缺陷的准确率可达0.982,处理单张分辨率为960×1080的电表图像仅需0.83 s。文中方法相较于模板匹配的方法具有更高的鲁棒性和准确性,能够适应复杂工业场景。

基于特征提取与LM-BP神经网络协同作用的异常条形码辨识方法

针对复杂工况环境下异常条形码的识别问题,提出了一种新的基于特征提取与BP神经网络协同作用的异常条形码判别方法。首先,为有效对条形码图像特征进行表征,从图像histogram of oriented gradient(HOG)特征、曲线特征、纹理粗糙度、纹理灰度特征着手,建立条形码识别的特征库;在此基础上,建立以LM-BP神经网络为核心的辨识框架对条形码特征进行训练和辨识;最后,通过模拟国网新疆电力有限公司电力科学研究院计量生产自动化系统现场的条形码图像验证了算法的合理性。实验结果表明:基于特征提取与LM-BP神经网络协同辨识的方法能有效对条形码状态进行识别,其识别精度可达88. 29%。

电能表贴标机异常贴标图像识别方法研究

针对电能表自动化生产线上贴标机工作过程中出现的贴标异常问题,开展了有关异常贴标图像的识别方法研究。通过综合采用图像增强技术、梯度直方图(HOG)算法、支持向量机(SVM)、卷积神经网络(CNN)模型以及残差网络(ResNet)模型等理论、技术和方法,提出了一种有效的异常贴标图像的识别方法。使用HOG+SVM、VGG-16和ResNet模型,在平衡后的数据集中进行了模型训练和样本识别的试验。试验结果表明,深度神经网络模型在训练与测试集中的识别效果具有明显提升。其中,ResNet模型的识别精度更高(训练集识别精度为100%,测试集识别精度为89%)。该研究为适用于电能表问题贴标的识别筛选提供了有效方法,为实际应用打下了基础。

基于FPGA的多角度周转箱图像采集系统设计

电表自动检定生产线上存在的一些故障,降低了整个生产线的运行效率。周转箱作为整个生产线的主要运输载体,工作于生产线的各个环节。因此,周转箱如果存在形变、条码不清等问题,会严重影响生产线其他环节的正常工作。为了检测出自动化电表检定生产线上有问题的周转箱,设计了基于现场可编程门阵列(FPGA)的多角度周转箱图像采集系统。详细介绍了系统的硬件设计方案和FPGA的内部模块化设计。在光电传感器检测出周转箱的位置时,由FPGA控制对应位置的图像传感器拍照,图像数据在双口RAM中缓存,再由MAC模块封装后控制千兆以太网将数据上传到计算机中。系统可获得三个角度的、大小为2 592×1 944的周转箱图像,数据传输速度可以达到510 Mbit/s。实际工程案例表明,该系统能自动稳定的采集图像,并快速地传输图像数据到上位机,以满足图像采集的实时性需求。

稳定开关频率的H桥滞环跟踪动态性能研究

研究了单相H桥电压型逆变器三电平滞环电流跟踪控制的动态性能。该系统采用一种变环宽的方法来稳定开关频率并采用中心对称的双滞环调制策略,其内环用于稳态跟踪控制,外环用于提高动态响应性能。分析了在不同开关状态区间内指令信号发生突变时滞环电流跟踪控制系统的动态响应性能。为了提高系统的动态响应性能,提出了采用外环和检测指令电流方向来自动选择最优的动态响应开关切换策略。最后,给出了仿真和实验结果。

5G通信技术在电力计量自动化系统智能运维中的应用初探

文章针对电力计量中心电能表计自动化检定于智能仓储的智能运维系统中存在的问题,尝试先进的5G通信技术应用,以提供实验室生产网络的电信级覆盖、业务流的端到端安全传输和服务质量保障。结果表明,5G接入和承载网络具备良好的带宽时延性能,完全满足当前业务需求,并支持面向未来的广域安全移动作业、泛在物联的规模化创新应用。