论文部分内容阅读
复杂场景下基于Faster R--CNN的工业设备目标检测
【摘 要】
：
工业设备检测是工业生产中非常重要的一个环节,不仅需要耗费大量的人力物力,而且存在人员安全隐患,同时还存在部分工业设备无法被正常检测的情况。而传统的基于手工特征的目标检测算法耗时较长且鲁棒性较差,无法对工业设备进行快速准确检测,尤其处理多目标时,问题更加突出。随着计算机视觉的快速发展,卷积神经网络逐渐应用于工业工程中的设备检测。基于卷积神经网络的工业设备目标检测算法不仅安全可靠,还可以提升检测的精度
【机 构】
：
东北电力大学
【出 处】
：
东北电力大学
【发表日期】
：
2021年01期
【基金项目】
：
其他文献
人脸识别技术自问世以来便得到了社会的广泛关注,且应用范围被不断扩大。随着相关技术的发展,当代社会对人脸识别系统的要求逐渐提高,在各种应用场景中,对其召回率、精确率等要求更为严格。实际应用中该系统极易受到外部因素的干扰,如光线,年龄及姿态的改变等。所以,基于不同场景下能够针对具体项目的需求进行改变参数的识别算法,在很大程度上推进了人脸识别技术的发展。本次研究课题中综合应用了深度学习算法和传统群优化算
学位
随着新能源和电力电子设备的不断接入,现代电力系统的运行状态接近极限,安全运行风险提高。暂态稳定评估是识别电力系统安全运行的关键方法,基于物理模型的暂态稳定评估方法难以满足大电网调度中心对时效性的要求。以机器学习为代表的数据挖掘法以其学习能力强、应用速度快等优点为暂态稳定评估提供了新的视角。本文从暂态稳定特征的构建、评估模型性能的综合提升以及在线更新方案的设计三个方面展开研究,主要的工作如下:(1)
学位
暂态稳定评估是电力系统安全运行的关键。近年来,人工智能算法在电力系统暂态稳定评估中取得了良好成果,但仍处于理论阶段。主要是因为将其应用于实际工程时,会面临以下困难:1)暂态稳定数据具有高维性,数据在采集、传输过程中会受到相量测量单元中噪声的干扰;2)暂态失稳样本数目远小于稳定样本数目,导致模型对失稳样本学习不足,且两类样本误分类代价不同;3)现阶段的电力系统暂态稳定分类技术均已获得良好的评估准确性
学位