基于双目视觉的台区测量算法研究

配电网台区建设质量的优劣,直接影响着台区的供电可靠性。针对传统配电网台区建设中人工验收存在的效率低、成本高、周期长、安全风险大等问题,设计了一种基于双目视觉和人工智能的台区量化指标测量算法。设计的多阶段检测算法能够实现对台区关键部件的高精度定位识别。基于定位区域进而利用双目测量点匹配策略实现对台区验收量化指标的高精度测量。试验结果表明,所设计的测量设备能够在5 m工作距离内实现对15 m标准台区的拍摄测量,算法测量相对人工测量的误差范围为0.45%~1.97%,满足了配电网台区标准化建设验收中量化指标的精度需要。

一种基于可信度估计单元的图像分类噪声抑制深度学习策略

近年来,深度学习越来越关注噪声抑制的研究.本文提出了一种噪声抑制深度学习策略,该策略通过构建噪声无感网络(Noise Unaware Network,NUN)和可信度估计单元(Reliability Estimation Gate,REG)来处理训练数据含有噪声的情况.通过对每个样本的可信度进行评估,调节其在训练时的权重,从而降低标签噪声对网络训练的影响.随着模型的迭代更新,标签可信数据的权重将会逐渐变大,而噪声数据的权重将会被抑制.本文通过在多个标注数据集上的实验验证了所提出的噪声抑制深度学习策略的有效性.