基于多维识别网络级联融合的焊缝管道识别方法及系统

    公开(公告)号:CN116912238B

    公开(公告)日:2023-11-28

    申请号:CN202311159689.8

    申请日:2023-09-11

    摘要: 景,而且识别精度更高、鲁棒性更强。本发明提供一种基于多维识别网络级联融合的焊缝管道识别方法及系统,属于管道识别技术领域,包括:对焊缝管道数据进行标注得到管道点云数据集;将改进的Soft‑NMS算法添加至YOLOv5网络,构建改进后的F‑Pointnet多维识别融合网络,基于管道点云数据集训练改进后的F‑Pointnet多维识别融合网络,并添加弹性网络正则化优化损失函数,得到焊缝管道识别模型;将待识别焊缝管道数据输入至焊缝管道识别模型,得到管道类型识别结果和管道尺寸识别结果。本(56)对比文件唐靓等.基于改进YOLOv5的绝缘子缺陷检测算法《.华中师范大学学报(自然科学版)》.2022,第56卷(第05期),全文.王亚东等.基于卷积神经网络的三维目标检测研究综述《.模式识别与人工智能》.2021,第34卷(第12期),全文.M. S. Mekala et al.Deep LearningInspired Object Consolidation ApproachesUsing LiDAR Data for Autonomous Driving:A Review《.Archives of ComputationalMethods in Engineering 》.2021,全文.

    一种基于电压概率密度的电池RUL预测方法

    公开(公告)号:CN117686935A

    公开(公告)日:2024-03-12

    申请号:CN202410123299.3

    申请日:2024-01-30

    摘要: 本发明提供了一种基于电压概率密度的电池RUL预测方法,包括:以多条电压概率密度曲线a的峰值对应电压的正负0.05V范围作为特征电压区间,计算不同循环周期下且在特征电压区间内的电压概率密度分布,并绘制电压概率密度曲线b;提取不同循环周期下电压概率密度曲线b的峰值,并绘制出电压概率密度峰值曲线,将其作为健康特征HF;将健康特征HF作为电池的特征数据序列#imgabs0#,并利用特征数据序列#imgabs1#和电池容量数据构建岭回归容量预测模型,得到容量预测值C。本方案通过绘制电池的电压概率密度峰值曲线作为健康特征HF,实现了预测过程只需收集特征电压区间内的数据,大大降低了数据计算量,从而提高了处理效率。

    基于改进的yolov5的绝缘子缺陷检测方法

    公开(公告)号:CN114022432A

    公开(公告)日:2022-02-08

    申请号:CN202111261977.5

    申请日:2021-10-28

    发明人: 唐靓 余明慧

    摘要: 本发明涉及绝缘子缺陷检测技术,具体涉及基于改进的yolov5的绝缘子缺陷检测方法,包括采集绝缘子图像形成数据集;使用LabelImg标注工具对数据集进行标注;对所采集的图像进行数据增强处理;在YOLOv5的骨干网络中引入triplet attention模块;优化损失函数;将CIoU作为改进YOLOv5算法的bounding‑box损失函数LossCIoU;训练改进后的网络;将绝缘子图像数据集输入训练好的YOLOv5网络,得到输入图片中是否存在有缺陷的绝缘子以及该缺陷所在位置。该方法减少了漏检,消除了通道与权值之间的间接对应,以较小的计算开销达到了提高准确率的效果,提高了模型预测框架的精确定位能力。

    一种基于电压概率密度的电池RUL预测方法

    公开(公告)号:CN117686935B

    公开(公告)日:2024-05-14

    申请号:CN202410123299.3

    申请日:2024-01-30

    摘要: 本发明提供了一种基于电压概率密度的电池RUL预测方法,包括:以多条电压概率密度曲线a的峰值对应电压的正负0.05V范围作为特征电压区间,计算不同循环周期下且在特征电压区间内的电压概率密度分布,并绘制电压概率密度曲线b;提取不同循环周期下电压概率密度曲线b的峰值,并绘制出电压概率密度峰值曲线,将其作为健康特征HF;将健康特征HF作为电池的特征数据序列#imgabs0#,并利用特征数据序列#imgabs1#和电池容量数据构建岭回归容量预测模型,得到容量预测值C。本方案通过绘制电池的电压概率密度峰值曲线作为健康特征HF,实现了预测过程只需收集特征电压区间内的数据,大大降低了数据计算量,从而提高了处理效率。

    一种改进YOLOv7和融合双向路由注意力机制的火焰检测方法

    公开(公告)号:CN116844109A

    公开(公告)日:2023-10-03

    申请号:CN202310763899.1

    申请日:2023-06-26

    摘要: 本发明公开了一种改进YOLOv7和融合双向路由注意力机制的火焰检测方法。所述方法包括S1:通过可视化监控拍摄设备及网络爬虫的方式获取带有火焰目标的图像,并对所述图像数据进行筛选和标注,建立火焰图像数据集。S2:以YOLOv7为基础模型建立火焰检测模型,以实现火焰的类别和位置信息的检测。S3:在S2所述的基础模型中融合双向路由注意力机制模块并改进边界框损失函数,得到改进YOLOv7和融合双向路由注意力机制火焰检测算法。S4:利用建立的火焰图像数据集对改进后的YOLOv7算法进行训练和测试,得到训练完成的改进的YOLOv7火焰检测模型。将所述训练完成的改进的YOLOv7火焰检测模型部署到可视化监控拍摄设备中,并根据火焰检测结果产生告警信息。

    一种基于自抗扰控制策略的上肢外骨骼系统协同随动控制方法

    公开(公告)号:CN114654470A

    公开(公告)日:2022-06-24

    申请号:CN202210409154.0

    申请日:2022-04-19

    IPC分类号: B25J9/16 B25J9/00 B25J17/02

    摘要: 本发明公开一种基于自抗扰控制策略的上肢外骨骼系统协同随动控制方法,包括步骤S1、在上肢外骨骼系统的人机交互点安装多维力传感器,检测操作者对多维力传感器的人机相互作用力,构成上肢外骨骼系统的阻抗控制模型;步骤S2、通过阻抗控制模型获取操作手末端的期望位置,由得到的期望位置计算出上肢外骨骼系统中肩关节的期望关节角度和肘关节的期望关节角度;步骤S3、通过自抗扰控制器估计上肢外骨骼系统的状态和干扰,将估计的干扰作为上肢外骨骼系统的负反馈,并将干扰消除,能够估计出上肢外骨骼系统模型中耦合项和各种不确定因素引起的总扰动并加以补偿,针对上肢外骨骼系统中不确定因素具有较强鲁棒性。

    一种基于足底压力和曲线相似的人体运动意图识别的方法

    公开(公告)号:CN114492639A

    公开(公告)日:2022-05-13

    申请号:CN202210095356.2

    申请日:2022-01-26

    IPC分类号: G06K9/62 G06N20/00

    摘要: 本发明涉及运动意图识别技术,具体涉及一种基于足底压力和曲线相似的人体运动意图识别的方法,包括对步态相位分类及自定义步态事件;根据三种步态事件的发生确定步态运动意图识别流程;在运动意图识别的过程中,核心建立三种不同的步态事件曲线相似性模型及其计算方法;利用有监督学习方式,有限训练样本和演化计算搜索曲线模板模型参数,将收集的步态数据进行标注,用于模板模型的训练和测试。该方法提出了一种新的步态相位分类,每个曲线相似模型的参数都是由训练数据所确定,代表一种模式分类的同时,也代表了一种虚拟的模板曲线及参数分布。具有识别准确率较高,且所有参数自动适应不同运动速度和体重的个体,适应性更强。

    新能源汽车动力电池故障诊断方法及故障电池定位方法

    公开(公告)号:CN118169578A

    公开(公告)日:2024-06-11

    申请号:CN202410349086.2

    申请日:2024-03-26

    摘要: 本发明提供了一种新能源汽车动力电池故障诊断方法及故障电池定位方法,新能源汽车动力电池故障诊断方法包括采用获取的实车在放电过程的电压数据构建电压矩阵Un,c,计算每个采样时刻的电压数据计算改进峭度指标z;判断改进峭度指标z是否超过阈值T1,若不超过阈值T1,则判断电池组正常;若超过阈值T1,则判断为电池组发生故障。故障电池定位方法包括将改进峭度指标z超过阈值T1对应时刻后50~100个采样点的采样窗口进行T‑SNE降维处理得到二维故障特征后,计算LOF值;判断LOF值是否超过设定的阈值T2,如果超过阈值T2,则定为故障电池单体。本方案采用改进峭度指标放大故障发生后的故障特征,能够更敏锐地捕捉到故障信号,提前预测故障的发生。

    基于DenseNet-LSTM网络的下肢外骨骼运动模式识别方法及系统

    公开(公告)号:CN116738325A

    公开(公告)日:2023-09-12

    申请号:CN202311029184.X

    申请日:2023-08-16

    摘要: 本发明公开了一种基于DenseNet‑LSTM网络的下肢外骨骼运动模式识别方法及系统,本发明将由IMU采集到的左右髋关节、左右膝关节和左右小腿的角度数据输入DenseNet‑LSTM网络中,进行下肢外骨骼运动模式识别;DenseNet‑LSTM网络,包括通道注意力机制模块和DenseNet‑LSTM模块;本发明通过构建DenseNet模型充分利用网络各层之间的特征信息,结合LSTM捕获时间序列中的长期依赖关系,进一步减少了模型的过拟合问题。同时,还引入了注意力机制,有效解决了坡度数据特征不明显的问题。本发明实现了对平地行走(FW)、上楼梯(SA)、下楼梯(SD)、上坡(RA)和下坡(RD)五种不同的运动模式的分类识别。