摘要：随着以深度学习为代表的人工智能技术快速发展,机场跑道异物(foreign object debris,FOD)识别中也成为热门的研究方向,但现场复杂光影干扰导致的成像不佳是识别精度难以提升的重要原因之一。基于此提出了以图像卷积进行自适应直方图均衡,再利用色度强度比Iratio对镜、漫反射进行分离,以达到图像色度分布平衡,消除光影干扰的目的。通过对某机场跑道图像质量差,光影干扰强的FOD图片的处理分析,表明该法能够减小光影的干扰,增大识别物的特征,更有利后期异物识别。

摘要：针对传统地质雷达图像中目标检测方法流程繁琐、效率低和精度不高等问题,本文采用可实现端到端识别的深度学习技术开展地质雷达图像目标检测与识别的研究,将基于Mask R-CNN的卷积神经网络算法应用于衬砌检测图像中双曲异常的智能识别。该算法首先以残差网络(ResNet101)作为骨干网络提取图像的基本特征,并在特征图上设定多个候选的感兴趣区域(ROI),然后通过区域建议网络(RPN)和RIO Align操作将特征输入不同的全连接分支,以获得检测目标的分类类别、区域位置和边缘轮廓。本文在TensorFlow和Keras框架下,利用劳雷地质雷达设备进行数据采集获得的数据构建训练数据集和测试数据集,对Mask R-CNN深度学习模型进行训练,最终得到权重参数较好的地质雷达衬砌检测图像的双曲异常检测模型。实验结果表明Mask R-CNN目标检测方法在地质雷达衬砌图像的目标检测与识别上能取得良好的效果,有效提高了地质雷达图像的智能化识别效率。

摘要：目前鱼类种类繁多,人工识别面临着劳动力老年化和短缺的挑战,为解决人工识别存在的问题,采用一种轻量级卷积神经网络MobileNetV2,在30种鱼类数据集的基础上,对神经网络进行迁移学习,得到paddle分类模型,利用模型转换工具,得到可以在K210模块上运行的模型。实验结果表明,该系统可以以较高的准确率完成鱼类的识别,实时性较好,功耗低。

摘要：针对电力设备的智能化巡检需求,提出了一套基于智能识别与增强现实的电力设备巡检技术方案。该方案依托于智能设备图像采集,使用增强现实技术建立图像数据库,并利用CNN模型实现电力设备图像的显著性计算及焦点定位。在此基础上,采用DCNN网络图像进行预训练和多维度特征提取,结合随机森林算法对增强后的图像进行智能识别。实验测试数据结果表明,相比于现有算法,所提技术方案对于不同类型的电力设备缺陷均具有更高、更稳定的识别率,同时在训练时间与识别效率上有较为显著的提升。

摘要：电力施工现场需要极为严格的安全管控以降低误操作率,减少安全事故。研究从人工智能和AR技术出发,构建了一种专门应用于电力施工现场监控的智能识别系统。该系统以卷积神经网络算法为基础,实现了对电力施工现场人员、设备等的实时监控,可以满足不同班组、不同岗位人员在同一大场景下的配合作业,在很大程度上提高了人员处理突发事件和团队协作能力,为电力安全施工提供了保障。

摘要：电力杆塔主要构件的图像识别是无人机巡检的主要内容,准确识别杆塔构件对保障电网运行具有重要价值。为此,提出一种基于深度学习和知识图谱的电力杆塔主要构件识别方法。首先,建立不同构件类型的拓扑关系,形成杆塔空间知识图谱;其次,设计语义关系推理模型,融合构件语义特征与拓扑关系,得到增强特征;最后,拼接增强特征与原始特征,实现特征融合。实验表明:在未架线电力杆塔多目标识别方面,所提方法比Reasoning-RCNN、Cascade-RCNN及Faster-RCNN的识别效果好,能够精准识别杆塔主要构件,对无人机电力巡检具有参考价值。

摘要：针对变电站序列控制方式存在的顺控操作效率偏低问题,提出基于视频监控智能识别的变电站一键顺控技术研究。分析变电站一键顺控装置布置方式,确定变电站一键顺控主程序逻辑结构,编辑工作子程序、检修子程序、地刀闸程序、插件子程序和急停子程序;研究顺控操作中数据传输过程,设计变电站一键顺控程序交互方式;采用视频监控智能识别技术,通过预处理-特征提取-判别等步骤,识别、判断、研究变电站设备状态,控制一键顺控操作。结果表明,应用该技术检修接线线路运转情况,检修时长最多为64 s;操控变电站电容器组,检修时间最多为8 min,且平均操控时间与正常操控时间一致,总体缩短了一键顺控操控时间,具有较优的操控效率。

摘要：目标矿物嵌布粒度是指目标矿物在矿石中的粒度大小和分布情况,直接影响着选矿工艺的设计和效果。因此,目标矿物嵌布粒度测量是工艺矿物学研究中的重要任务之一。在传统工艺矿物学研究中,主要利用偏光显微镜对矿石样品进行观察分析的方法,普遍存在处理时间长、结果易受人为主观影响、难以实现自动化和大规模应用等问题。为克服传统方法的局限性,提出一种基于深度学习的金属矿物镜下嵌布粒度检测方法。以河北省唐山市水厂磁铁矿矿石标本为对象,在偏光显微镜的反射光条件下进行拍摄,制作数据集,利用Deeplabv3+网络设计了矿物识别网络模型,实现对目标金属矿物的自动化特征提取和智能识别,并生成目的金属矿物的二值化图像,从而实现对目的金属矿物的分割;最后,结合最大Feret直径完成目的金属矿物嵌布粒度分析测量工作。相较于传统的人工镜下测量方法,基于深度学习的图像测量在矿物颗粒分析中的应用,在测量相同矿物颗粒的情境下,处理速度提高了约119.8倍,同时测量精度提升了约169.5倍,揭示了其在处理效率和测量精度上的显著优势。基于深度学习的金属矿物镜下嵌布粒度检测方法显著缩短了矿物镜下嵌布粒度的检测时间并提升了检测精度,同时可消除人为主观因素的影响,对于促进工艺矿物学智能化发展有重要意义。

摘要：传统电视媒体的人工广告检测,已经不能满足电视发展需要,而市场上的自动识别产品,满足不了电视媒体的智能识别需求。电视媒体的广告智能识别,需要基于电视台的需求,立足播出管理,从自动识别出发,关注广告时段和播出类型,着重广告价值分析。在实现过程中,引入自动识别流程,按时间点自动处理结果时段信息,在样本中自动处理播出类型,在结果中关注广告价值分析,辅助决策支持。

摘要：为了提升编组站解编效率与现场作业安全性,进一步提高编组站作业自动化技术水平,针对解编自动化技术瓶颈,提出一种基于深度学习的编组站提钩自动化智能识别设计方案。阐述编组站提钩自动化智能识别的设计需求,从位置信息获取、作业过程监控、图像数据采集、信息数据处理等环节研究图像信息处理方法,重点研究智能识别流程,利用深度卷积神经网络模型与算法研究图像特征值提取与图像匹配识别技术实现方案。经验证,智能识别方案在试验中的平均可靠度达99.37%,为编组站解编自动化提供了一种有效技术手段。