摘要：电力巡检机器人系统在对电力设备分合闸X射线图像采集过程中,往往存在图像失真、模糊、低分辨率等低质量问题,对于X射线图像分合闸状态的识别造成了困难。基于此,提出一种基于数据不确定性学习DUL的深度学习识别方法。首先,分别使用三种卷积神经网络BaseNet、ResNet18与MobileNetV3设计识别算法。然后,通过融合DUL模块,卷积神经网络将图像空间映射到一种服从高斯分布的不确定的特征空间,以自适应学习低质量X射线图像中的噪声。最后,设计三组对比实验模拟理想环境、恶劣环境及正常环境下的不同质量数据对模型识别性能的影响。实验结果表明,融合DUL模块的算法模型性能优于确定性模型,X射线图像分合闸平均识别精度提升2.64%;ResNet18+DUL表现最好,精度高达100%,适用于在线识别;MobileNetV3+DUL表现次之,精度高达97.83%,适用于离线识别。

摘要：为实现对金刚石氮空位(Nitrogen-Vacancy,NV)色心的频率扫描,基于LabVIEW,通过USB协议进行通信,将原有测频的软件进行整改,设计了频率扫描系统,介绍了系统的整体结构以及一些关键的程序框图,验证了系统的性能。结果显示:系统可以满足在频率2.6 GHz~3.2 GHz,扫频步长最小0.1 MHz,扫频间隔时间0.1 ms的情况下进行扫频操作,已在项目中流畅稳定运行。LabVIEW开发周期较短,易于维护与拓展,后期可开发集成功率扫描模块,实现功率检测。

摘要：为解决当前控制系统存在对无人机落地高度测量误差大,落地各姿态角度大等问题,设计了作战用固定翼无人机落地姿态平衡控制系统;选用CMOS模拟多路复用器ADG508单芯片,对系统硬件电源电路、AD转换电路、信号采集电路、时钟复位电路、存储扩展电路及调试与接口电路进行优化,通过测量无人机落地姿态,完成系统软件设计,结合硬件与软件部分,实现作战用固定翼无人机落地姿态平衡控制系统的设计;实验结果表明,改进系统对无人机落地高度测量误差小,落地俯仰角、横滚角及偏航角小,具有较好的平衡控制效果,充分满足姿态测量需求。

摘要：针对电力开关设备分/合闸X射线图像呈现设备种类多、数据量少、类别不平衡问题,提出一种基于域泛化的非均衡电力设备分/合闸X射线图像识别方法。首先以AlexNet和改进的ResNet作为骨干网络设计识别算法;然后利用最大熵对抗数据增强(MEADA)训练算法对训练集进行样本扩充,以模拟未知类型分/合闸图像的域分布;最后通过将Focal Loss损失函数引入到识别算法中解决分/合闸数据类别不平衡问题。实验结果表明,使用所提方法AlexNet和简化ResNet(ResNet-F)模型的平均准确率相比其基线方法分别提升5.31个和6.52个百分点,且ResNet-F的识别精度比AlexNet高出3.54个百分点。类激活图、受试者工作特征(ROC)曲线和t-随机嵌入(t-SNE)等可视化分析结果进一步验证了所提方法的有效性,为多域非均衡电力设备分/合闸X射线图像识别提供了新思路。