Jul, 2023

基于改进神经网络算法的近海风力发电机组实时断裂检测

PDF
TL;DR通过引入 YOLOv8 目标检测模型的高级版本，结合卷积块注意力模块（CBAM）来改善特征识别，进一步优化损失函数，本研究在 Saemangeum 海上风力发电场和公开可用的数据集上进行了严格测试，结果显示缺陷检测稳定性显著提高，对于高效的涡轮维护迈出了重要一步，为未来的研究提供了启示，有可能革新可持续能源实践。
发现论文，激发创造
  • 基于改进深度学习模型的海上风电场鸟类快速识别

    为了解决风力发电机叶片损伤的健康和生态问题，本文提出了一种新的基于 YOLOv5 的鸟类检测模型，该模型使用了 CBAM 注意机制和 RetinexNet 网络来提高网络性能，实验结果表明，该模型检测鸟类的准确度可以达到 87.40％，且该模型可以在夜晚，雨天和震动环境下表现出强的稳定性，证明了该模型能够确保风力发电机的安全稳定运行。

    Jun, 2023

  • 利用基于无人机的检测图像学习识别风力涡轮机叶片表面的裂缝

    本文使用深度学习构建了一个可靠的风力涡轮机叶片损伤检测模型，降低了风电成本并增加了可持续风能发展。

    Jul, 2022

  • 风力涡轮机叶片视觉损伤自动检测系统

    针对风能产业中风力发电机叶片破损的问题，提出了一种基于机器学习的破损检测模型，并探讨该模型在生产中实际运用的性能和效果，借助该模型可以降低风能发电的运营成本。

    May, 2022

  • 利用虚拟现实技术和深度学习进行风力涡轮叶片缺陷检测的新方法

    通过使用两步深度学习方法，本文试验缺陷检测准确性，在风力涡轮片背景中生成真实感图像并训练定制的 U-Net 架构来分类和分割缺陷，为无人机等航空器的自主和远程检查提供合理的缺陷检测准确性。

    Dec, 2023

  • 基于注意力机制的卫星监测海洋垃圾检测

    通过结合 YOLOv7 的实例分割和不同的注意机制，本研究在卫星图像中探讨了寻找海洋垃圾的最佳模型，并发现 CBAM 在探测海洋垃圾方面具有最佳适用性。

    Jul, 2023

  • 一种新的水下图像增强和改进的水下生物检测流程

    本文提出一种基于卷积块注意力模块和自适应全局直方图拉伸算法的水下目标检测方法，以提高水下环境下目标检测的准确性和图像质量，经过对 URPC2021 基准数据集的大量实验和全面评估，证明了该方法的有效性。

    May, 2022

  • 基于报警序列和长短时记忆算法的风力涡轮机修复行动预测的深度学习框架

    该论文介绍了使用深度学习在 Offshore Wind 的 Condition-based monitoring 中进行 alarm sequence modelling 的研究，并提出了使用 Long Short-term Memory 和 Bidirectional LSTM 模型来预测相关修理措施的新方法，这可以将 O&M 过程中的复杂报警减少，并减少诊断和纠正故障所需的不必要的船舶转移。

    Jul, 2022

  • 基于贝叶斯神经网络的海上风电结构物的农场范围虚拟负载监测

    通过基于数据的 Bayesian 神经网络模型，实现在全风电场范围内非全监测风机的虚拟负载监测，解决因负载监测不全而难以进行生命周期管理的问题，同时提高了负载预测的准确度。

    Oct, 2022

  • 轻量级木板缺陷检测方法，结合注意力机制和特征融合网络

    提出了一种轻量级木质面板瑕疵检测方法 ——YOLOv5-LW，该方法结合了注意力机制和特征融合网络，并采用多种技术提高检测能力和计算效率，在自主开发的实验数据集上取得了 92.8% 的准确率，减少参数数量 27.78％，压缩计算体积 41.25％，提高检测推理速度 10.16％。

    Jun, 2023

  • 野外 RGB 图像中风力发电机叶片的稳健分割

    为实现风力涡轮机的结构健康监测，我们提出了一种新型分割算法，它利用已知数据填补空洞，使用组合损失函数加正则化项，并通过随机森林消除错误分类，最终实现了高达 97.39% 的准确率。

    Jun, 2023