期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于料面视频图像分析的高炉异常状态智能感知与识别
被引量：
2
1
作者
朱霁霖
桂卫华
+2 位作者
蒋朝辉
陈致蓬
方怡静
《自动化学报》
EI
CAS
CSCD
北大核心
2024年第7期1345-1362,共18页
智能感知、精准识别高炉(Blast furnace,BF)异常状态对高炉调控优化和稳定运行至关重要,但高炉内部的黑箱状态致使传统检测方法难以直接感知并准确识别多种高炉异常状态.新型工业内窥镜可获取大量料面视频图像,为直接观测炉内运行状态...
智能感知、精准识别高炉(Blast furnace,BF)异常状态对高炉调控优化和稳定运行至关重要,但高炉内部的黑箱状态致使传统检测方法难以直接感知并准确识别多种高炉异常状态.新型工业内窥镜可获取大量料面视频图像,为直接观测炉内运行状态提供了全新的手段.基于此,提出一种基于料面视频图像分析的高炉异常状态智能感知与识别方法.首先,提出基于多尺度纹理模糊C均值(Multi-scale texture fuzzy C-means,MST-FCM)聚类的高温煤气流区域提取方法,准确获取煤气流图像,并提取煤气流图像多元特征;其次,提出基于特征编码的高维特征降维方法,结合自适应K-means++算法,实现煤气流异常状态的粗粒度感知;在此基础上,通过改进雅可比−傅立叶矩(Jacobi-Fourier moments,JFM)提取煤气流图像深层特征变化趋势,进而提出细粒度煤气流异常状态感知方法;最后,基于煤气流异常状态感知结果,结合料面视频图像,提出多级残差通道注意力模块(Multi-level residual channel attention module,MRCAM),建立高炉异常状态识别模型ResVGGNet,实现高炉煤气流异常、塌料和悬料的精准在线识别.实验结果表明,所提方法能准确识别不同的高炉异常状态且识别速度快,可为高炉平稳运行提供重要保障.
展开更多
关键词
高炉
料面图像
高炉异常状态感知
高炉异常状态识别
多级
残差通道注意力模块
在线阅读
下载PDF
职称材料
基于改进Faster R-CNN的光伏电池内部缺陷检测
被引量：
34
2
作者
伊欣同
单亚峰
《电子测量与仪器学报》
CSCD
北大核心
2021年第1期40-47,共8页
光伏电池近红外图像中复杂异构背景使内部缺陷检测成为一项极具挑战性的问题,为此,提出了一种基于深度学习的目标检测框架-残差通道注意力Faster R-CNN(residual-channel-attention-faster R-CNN,RCA-Faster R-CNN),该网络通过卷积层-...
光伏电池近红外图像中复杂异构背景使内部缺陷检测成为一项极具挑战性的问题,为此,提出了一种基于深度学习的目标检测框架-残差通道注意力Faster R-CNN(residual-channel-attention-faster R-CNN,RCA-Faster R-CNN),该网络通过卷积层-池化层提取图像特征,再送入新颖的残差通道注意力RCA模块进行复杂背景特征抑制和缺陷特征突出,进而区域推荐网络推荐出更加精确的包含缺陷的候选框,最后利用分类与定位网络实现高精度的缺陷分类和位置估计。实验结果表明,RCA-Faster R-CNN的缺陷检测精度提升到了83.29%,证明了所提方法的有效性。
展开更多
关键词
深度学习
残差通道注意力模块
光伏电池
缺陷检测
近红外图像
在线阅读
下载PDF
职称材料
题名
基于料面视频图像分析的高炉异常状态智能感知与识别
被引量：
2
1
作者
朱霁霖
桂卫华
蒋朝辉
陈致蓬
方怡静
机构
中南大学自动化学院
湘江实验室
出处
《自动化学报》
EI
CAS
CSCD
北大核心
2024年第7期1345-1362,共18页
基金
国家重大科研仪器研制项目(61927803)
国家自然科学基金基础科学中心项目(61988101)
+1 种基金
国家自然科学基金(62273359)
湘江实验室重大项目(22XJ01005)资助。
文摘
智能感知、精准识别高炉(Blast furnace,BF)异常状态对高炉调控优化和稳定运行至关重要,但高炉内部的黑箱状态致使传统检测方法难以直接感知并准确识别多种高炉异常状态.新型工业内窥镜可获取大量料面视频图像,为直接观测炉内运行状态提供了全新的手段.基于此,提出一种基于料面视频图像分析的高炉异常状态智能感知与识别方法.首先,提出基于多尺度纹理模糊C均值(Multi-scale texture fuzzy C-means,MST-FCM)聚类的高温煤气流区域提取方法,准确获取煤气流图像,并提取煤气流图像多元特征;其次,提出基于特征编码的高维特征降维方法,结合自适应K-means++算法,实现煤气流异常状态的粗粒度感知;在此基础上,通过改进雅可比−傅立叶矩(Jacobi-Fourier moments,JFM)提取煤气流图像深层特征变化趋势,进而提出细粒度煤气流异常状态感知方法;最后,基于煤气流异常状态感知结果,结合料面视频图像,提出多级残差通道注意力模块(Multi-level residual channel attention module,MRCAM),建立高炉异常状态识别模型ResVGGNet,实现高炉煤气流异常、塌料和悬料的精准在线识别.实验结果表明,所提方法能准确识别不同的高炉异常状态且识别速度快,可为高炉平稳运行提供重要保障.
关键词
高炉
料面图像
高炉异常状态感知
高炉异常状态识别
多级
残差通道注意力模块
Keywords
Blast furnace(BF)
burden surface image
BF anomalies perception
BF anomalies recognition
multilevel residual channel attention module(MRCAM)
分类号
TG54 [金属学及工艺—金属切削加工及机床]
TP391.41 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于改进Faster R-CNN的光伏电池内部缺陷检测
被引量：
34
2
作者
伊欣同
单亚峰
机构
辽宁工程技术大学电气与控制工程学院
出处
《电子测量与仪器学报》
CSCD
北大核心
2021年第1期40-47,共8页
基金
国家自然科学基金(51974151)资助项目。
文摘
光伏电池近红外图像中复杂异构背景使内部缺陷检测成为一项极具挑战性的问题,为此,提出了一种基于深度学习的目标检测框架-残差通道注意力Faster R-CNN(residual-channel-attention-faster R-CNN,RCA-Faster R-CNN),该网络通过卷积层-池化层提取图像特征,再送入新颖的残差通道注意力RCA模块进行复杂背景特征抑制和缺陷特征突出,进而区域推荐网络推荐出更加精确的包含缺陷的候选框,最后利用分类与定位网络实现高精度的缺陷分类和位置估计。实验结果表明,RCA-Faster R-CNN的缺陷检测精度提升到了83.29%,证明了所提方法的有效性。
关键词
深度学习
残差通道注意力模块
光伏电池
缺陷检测
近红外图像
Keywords
deep learning
residual channel attention module
photovoltaic cells
defect detection
near infrared image
分类号
TP391.4 [自动化与计算机技术—计算机应用技术]
TN081 [电子电信—物理电子学]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于料面视频图像分析的高炉异常状态智能感知与识别
朱霁霖
桂卫华
蒋朝辉
陈致蓬
方怡静
《自动化学报》
EI
CAS
CSCD
北大核心
2024
2
在线阅读
下载PDF
职称材料
2
基于改进Faster R-CNN的光伏电池内部缺陷检测
伊欣同
单亚峰
《电子测量与仪器学报》
CSCD
北大核心
2021
34
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
