【摘 要】
：
目前电缆隧道内的巡检任务多由人工巡检完成,不仅费时费力,且具有极大的安全隐患。随着深度学习和智能技术的发展,越来越多的工业任务使用基于智能算法的机器人完成。因此,本文针对隧道内巡检任务苦难,环境复杂的问题设计出一种搭载深度学习智能算法的轨道式机器人系统。设计了机器人巡检策略,搭建了电缆检测模型,并进行了隧道内电缆的动态检测研究。首先对相关文献分析,采用了轨道机器人作为隧道巡检任务主要载体,设计了相
论文部分内容阅读
目前电缆隧道内的巡检任务多由人工巡检完成,不仅费时费力,且具有极大的安全隐患。随着深度学习和智能技术的发展,越来越多的工业任务使用基于智能算法的机器人完成。因此,本文针对隧道内巡检任务苦难,环境复杂的问题设计出一种搭载深度学习智能算法的轨道式机器人系统。设计了机器人巡检策略,搭建了电缆检测模型,并进行了隧道内电缆的动态检测研究。首先对相关文献分析,采用了轨道机器人作为隧道巡检任务主要载体,设计了相关物理架构、软件架构和巡检标准。制定了机器人巡检标准和巡检模式,绘制了机器人巡检策略图,并完善了巡检模式间的无扰切换。设计了交互模块,保障机器人与主站台的良好通信。对主要任务目标电缆检测设计了专用隧道电缆检测模型CabNet,在基于VGG16网络的基础上,使用全卷积网络改进为FCN-8s网络,引入空洞卷积与FCN-8s池化层相接,增加不同尺寸网络输出层,提高CabNet网络检测精度。实验结果表明,CabNet模型有良好的电缆检测精度,对比基础网络VGG16和FCN-8s都有明显的提升。最后根据电缆图像在视频中的连续性,引入了 LSTM模型,提取电缆时间性特征。结合LSTM模型对电缆位置预测结果和CabNet网络对电缆位置的检测结果,有效提高电缆动态检测精度。分析不同结合模型对精度提升的影响,使用加权相加的方式构成电缆动态检测模型LS-CabNet。最后使用常用目标检测模型和目标跟踪模型与LS-CabNet模型进行对比,结果表明LS-CabNet网络检测精度优于大部分模型,且具有较高的检测效率,适用于隧道内的电缆巡检。
其他文献
卷积神经网络在大量的传统机器学习任务上的表现超越传统方法,在实际生产生活中正得到广泛的运用,例如:图像分类、目标识别和生成模型等。然而,当前的先进网络往往具有较大的计算量,这限制了其在大量低成本、低功耗的边缘场景中的使用。同时,将面向复杂数据的模型直接应用到较小的数据集上,会不同程度地增加网络模型的冗余,甚至会因过拟合影响模型的泛化性能。网络压缩领域中的网络剪枝方法能以结构化的方式移除模型中的冗余
当前的工业过程控制系统中,线性控制器仍占绝大部分。然而真实的工业系统都是非线性的,工况切换,设备老化等等实际工业问题都对传统控制器带来挑战。研究更加智能的,具有自学习能力的控制算法具有重要意义。随着机器学习算法的不断发展,以深度学习、机器学习为基础的强化学习算法使得非线性系统自适应控制出现了新的研究方向。强化学习是具有自我决策能力的控制算法,通过探索与试错拥有类似人类的学习能力,通过学习不断改善自
在工业过程控制中,控制器的自整定被认为是一个提高控制系统自动化程度的有效方法。控制器自整定的一般过程就是通过激励信号获取系统输出数据,其次利用这些简单的采样数据获取系统重要的特征参数,最后利用这些特征参数快速获得控制器参数。目前ABB、Siemens、Honeywell等公司都已经将PID自整定技术用在了自己的产品中,效果不错。然而调查研究表明,PID虽在工业现场使用极其普遍,但效果也不一定总是很
随着人工智能技术的日益成熟,基于深度学习模型的文本分类技术被广泛的应用于现实任务中,例如情感分类、恶意文本检测、新闻分类等。但深度学习模型很容易受到对抗样本的攻击,这影响了模型可靠性,从而给使用相关技术的企业和个人带来了安全隐患。因此,如何在保证模型具有较好泛化性的同时提高模型对于对抗样本的鲁棒性,成为近几年深度学习领域亟需解决的重要问题。本文聚焦于深度学习文本分类任务,对影响模型可靠性的对抗样本
肝移植手术是应对急性肝衰竭、肝硬化甚至肝癌最有效的治疗方法之一,而对于肝移植术后受者并发症的预测则是现代医学中很有意义的一项工作,能够准确预测术后并发症将对肝移植治疗起到很大的帮助。虽然现在已有很多机器学习算法能够很好地应对预测分类问题,但这些方法用于小样本,特征空间很大的医疗数据集时存在着预测准确率低,精确率和召回率不高等问题。对肝移植手术数据进行科学的分析与处理,以获取有效信息,在协助医生进一
由于人力成本的逐年增加,在高强度或高危险的重复性任务中,使用智能机械臂代替人工符合时代的需求。随着相关计算机视觉算法研究的不断深入,机器人对抓取目标的感知能力得到了技术和理论支撑。本文针对机器人抓取中的平面抓取检测问题进行研究,利用图像处理和深度学习的技术,结合目标检测算法设计了一种抓取检测的基本网络结构,并在此基础上提出了一种准确实时的平面抓取检测方法,实现了较高的抓取检测准确率。首先,分析了平
随着分布式控制和多智能体系统的发展,分布式估计/观测器技术引起了科学界越来越多的关注。分布式观测器由于具有灵活性和鲁棒性,在复杂环境监测、目标跟踪等场景中得到广泛应用。本论文主要研究分布式观测器的设计问题,并将事件触发控制,量化控制运用到分布式观测器中,最后通过数值仿真验证设计方法的有效性。全文主要工作包括以下方面:1.对于无向通信拓扑结构,为了实现（子）观测器之间的离散时间通信,提出了一种动态事
在实际的工业生产过程当中,时常会遇到两种或两种以上的物体混合共同流动的工况,这一现象一般被学术界还有工业界称为多相流。而目前能够解决两相流中的过程检测的重要手段就是被广泛应用的过程层析成像（Process Tomography,PT）技术。电容层析成像（Electrical Capacitance Tomography,ECT）这种技术就是过程层析成像技术的一种,它具有高精度和非侵入性,成本低,结
卷积神经网络CNN（Convolutional Neural Network,CNN）算法是当前人工智能领域尤其是计算机视觉领域的一个重要研究方向,在目标检测、图像跟踪,图像分类等研究方向取得了巨大突破。但是随着网络性能的提高,算法的计算密度和内存需求也急剧上升,导致其难以在计算和存储资源以及能耗受限的嵌入式端侧设备上进行模型部署和应用,从而制约了计算机视觉的发展和推广。由于FPGA具有高性能、低
目标跟踪是计算机视觉领域的研究热点,也是很多计算机视觉应用的基础部分。由于跟踪对象和背景的复杂性,以及目标跟踪内在的实时性要求,使得目标跟踪任务极富挑战性。判别式相关滤波方法相比生成式跟踪方法具有更佳优良的特征表征能力。其次,相关滤波跟踪速度上优势明显。随着深度学习在目标识别方面取得巨大进展,将深度学习和相关滤波跟踪算法相结合成为新的研究热点。本文以空间正则化判别式相关滤波（SRDCF）算法为基础