摘要：架空输电线路上的鸟巢侵占会对铁塔上的电力设备造成安全隐患,间接可能影响整个电力系统的稳定运行。针对目前架空输电线路鸟巢检测模型在复杂场景以及小目标场景下检测精度不高,检测效率低,模型复杂等问题。本研究提出一种基于YOLOv5s框架的轻量化架空输电线路鸟巢检测网络。首先在主干部分采用Fasternet重构YOLOv5s特征提取网络,降低模型复杂度,提高运行速度;然后在特征融合网络部分嵌入ConvMixer层,ConvMixer层的结构设计有助于在特征信息中更好的捕捉空间和通道的关系,提升模型对于小目标的检测能力;最后在特征融合网络部分引入ODConv模块,令送入检测头的特征图包含更多有效特征,提高模型对复杂场景和小目标的检测性能。实验结果表明,本文与基线模型YOLOv5s相比,计算量和模型体积分别减少了86%和72%,平均精度均值达到96.4%,检测速度达到104.2帧/s,验证了本文改进模型的有效性和可行性。

摘要：为探索有效的水稻叶绿素光谱特征选择方法与含量反演建模,解决东北粳稻叶绿素含量无人机遥感监测等问题,该研究利用沈阳农业大学卡力玛水稻实验站2018—2020年无人机(UnmannedAerialVehicle,UAV)水稻冠层高光谱数据及地面样本数据,设计了基于正则近邻成分分析的光谱特征选择方法,优化了其损失函数与正则化参数,获得水稻叶绿素不同含量的特征波段,并以此为输入,构建粒子群优化极限学习机叶绿素含量反演模型。结果表明:正则近邻成分分析算法具有较好的特征选择能力,其损失函数为均方误差损失函数、正则化参数值为0.306时,特征选择效果最佳,初选出权重非零的16个特征波段;进一步以叶绿素极限学习机反演精度为判据,优选出权重最高的6个特征波段:710、716、508、798、532和708 nm;应用粒子群优化算法优化了极限学习机模型的输入权值和阈值偏差,粒子群算法正交试验种群规模(POP)、惯性权重(IW)、学习因子(C1,C2)和速度位置相关系数(MC)的优选结果分别为50、1.5、1.3、3.5和0.6;基于正则近邻成分分析-粒子群优化极限学习机叶绿素含量反演结果的RMSE和R^(2)分别为9.549mg/L、0.891。研究结果可为基于无人机平台的高通量作物监测提供理论依据,并为筛选无人机高光谱波段实现作物长势参数快速估测提供参考。

摘要：为探究植保无人机所配套使用的多种典型扇形航空喷头的雾化特性,采用DP-02激光粒度仪分别对延长范围型喷头CFA11001、CFA110015、CFA11002、CFA11003和CFA11004,以及标准扇形喷头SF11002和TeeJet11002进行雾滴粒径测试及相关喷雾数据统计分析,并且就孔口尺寸和喷雾压力对各型号扇形航空喷头雾化特性的影响进行研究。试验结果表明,在固定喷雾压力(0.6MPa)条件下,CFA型喷头随着孔口尺寸的不断增大,雾滴粒径尺寸和粒径分布范围持续增大,其中,D_(V0.1)的极差最小,D_(V0.9)的极差最大。同时,对于具有相同孔口尺寸的3种不同类型喷头,TeeJet11002和SF11002型标准扇形喷头的喷雾性能表现较为稳定,二者的雾滴粒径尺寸和粒径分布范围均较小;CFA11002延长范围型喷头雾滴粒径尺寸则较大,雾滴粒径分级为粗(C),高达259.3μm,雾滴粒径分布也更广,主要集中于110~600μm。在0.2~0.8MPa,TeeJet11002、SF11002和CFA11002的喷头雾滴粒径呈现出随压力增大而变小的趋势。其中,TeeJet11002喷头在整体测试压力范围内表现较为稳定,SF11002喷头次之,而CFA11002喷头由于喷头结构设计的差异,在该压力范围内雾化性能表现出了一定的波动性,D_(V0.1)、D_(V0.5)和D_(V0.9)的极差分别达到4.8,24.8,84.4μm。研究还发现,孔口尺寸和喷雾压力均是影响扇形航空喷头雾滴粒径尺寸和雾滴粒径分布的重要因素,其中相较于标准扇形喷头,喷雾压力对CFA延长范围型喷头影响较大,该类型喷头喷施雾滴粒径尺寸也相对较大,粒径分布范围更广;标准扇形喷头雾滴粒径尺寸则较小,粒径分布更加均匀且稳定。研究结果可为航空喷头的设计与选择提供参考,对优化航空喷洒方案也有一定指导意义。

摘要：本文根据县级配电网管理的自身特点以及管理需求,设计了抚顺县农电局地理信息系统。介绍了系统的总体结构,论述了系统的设计思想,阐述了各子系统的功能以及技术实现。

摘要：基于配电GIS平台实现潮流计算的实用方案,利用GIS平台中的全局唯一编码(GUID)描述配电网络拓扑模型,取代传统前推回代方法中的节点-支路编码方式,为潮流计算提供更完整、精确、更新及时的参数。在Matlab环境下设计配网潮流计算模块,在GIS平台上集成该模块,实现可视化的潮流计算,将结果直观显示在配电网地图上。该方案在某农电企业实际应用,潮流计算结果验证了方案的实用性。

摘要：针对光伏电站光伏板热斑故障难以检测的问题,结合无人机巡检技术,提出一种基于深度卷积神经网络的光伏板热斑快速检测方法。首先设计了光伏板识别模型,将Yolov4主干特征提取网络替换成轻量级网络MobileNetV2,并将PAnet网络中标准3*3卷积替换为深度可分离卷积,实现了将光伏板快速从红外图像中识别出来。为快速识别热斑并解决光伏板反光噪声问题,将MobileNetV2网络引入DeeplabV3+模型中,改进由于下采样造成的目标缺失,并将交叉熵损失函数修改为Dice损失函数来进一步提高分割精度。试验结果表明,该方法能够准确识别光伏板热斑,光伏板识别准确率为99.56%,检测速度为22.1帧/s。光伏板识别后的热斑分割准确度达到95.99%,交并比mIou达到85.58,检测速度为24.5帧/s,该方法能够满足光伏板故障检测的需要。

摘要：精准预测玉米出机水分含量是实现玉米干燥过程自动控制的关键。为提升玉米干燥系统自动化程度,实现玉米出机水分的快速、无损、精准预测,研究依托粮食干燥模拟试验系统,通过调节干燥过程的热风温度、干燥段温度和排粮频率,设计8组多批次玉米干燥平行试验,分时段获得玉米干燥过程6个点位的温湿度特征数据,以及相对应的出机玉米水分含量数据;通过相邻平均法(adjacent average smoothing,AAS)对12组温湿度特征数据进行平滑处理,平滑后的数据点集合毛刺减少、波动明显缓解,12组特征数据与玉米出机水分含量的Pearson相关性大幅提升,提高幅度在0.061~0.105之间,为后续构建玉米水分预测模型提供了数据基础;进而,研究以相邻平均法平滑后的12组特征数据作为模型输入量,构建了基于极限学习机(extreme learning ma⁃chine,ELM)的玉米干燥过程出机水分含量预测模型并进行评价分析。结果表明:基于ELM的玉米出机水分含量预测模型以sig⁃moid为激活函数、神经元个数设定为22时,模型运行速率较快、预测效果较好,其中训练集和验证集拟合优度R2分别为0.9886和0.9812,验证集R^(2)与训练集接近,表明该模型拟合效果较好、未出现过拟合情况,水分含量预测均方根误差(root mean square er⁃ror,RMSE)分别为0.2811%和0.3821%,预测误差总体较低。综上表明,模型在训练与验证过程中均具备较好的拟合效果和较高的预测准确性。该模型为玉米干燥过程的自动化控制和工艺优化提供了数据参考和技术支持。

摘要：提出在配电网GIS平台下建立供电可靠性管理系统,实现供电可靠性的可视化管理,并采用全局唯一编码的方式设计了配电网网络模型。同时,研究基于目标分解思想的供电可靠性管理模式,提出一种科学合理的可靠性目标分解算法。在配电网GIS平台中结合建立的配电网络模型实现了该目标分解算法,验证了其合理性。

摘要：在对当前主流W ebG IS技术分析的基础之上,结合农村电力资源信息特点,提出了基于W ebG IS建立农村电力资源网络查询系统的设计方案,运用W ebG IS平台———SuperM ap ***建立农村电力资源W ebG IS站点、发布空间数据的基本方法,及***环境下运用C#进行服务器端开发,实现基于W eb和大型DBMS的空间数据操作,进而实现对配电网络资源与电力用户信息查询的关键技术与方法。

摘要：纹枯病是水稻的三大病害之一,尤其在中国北方稻区,纹枯病发生逐渐加重、严重威胁到中国的粮食安全,而纹枯病的有效检测是水稻病害预防与控制的首要任务。在实际生产中,农民和从事相关的研究人员通过人工目测来识别水稻纹枯病,但由于光线、杂草、枯叶等外在自然因素和人眼视觉误差等人为因素,导致对水稻的病害等级误判,从而影响对水稻纹枯病的防治,造成环境污染和经济损失,而计算机视觉技术给水稻纹枯病的自动识别检测带来了可能。基于2019年沈阳农业大学北方粳型超级稻成果转化基地的水稻纹枯病图像数据,综合借鉴YOLOv1、YOLOv2和Faster R-CNN算法,设计了一种基于深度卷积神经网络的水稻纹枯病识别模型:YRSNET。该模型具有回归思想的特点,将图像划分为相同大小互不重合的网格,然后通过特征图来预测每个网格区域上的边界框和含有纹枯病病斑的置信度,最终通过非极大值抑制法获得含有纹枯病病斑的最佳边界框位置。试验结果表明:YRSNET对纹枯病病斑识别的平均精度mAP为84.97%、查准率达到为90.21%,对大小为450×800pixel的图像识别所需时间为32.26ms(31帧·s^-1),可满足复杂背景下的水稻植株图像纹枯病的检测,对智能农业水稻纹枯病有效防治具有重要意义。