CN112697657B - 一种基于气溶胶颗粒物图像的智能测风系统 - Google Patents

一种基于气溶胶颗粒物图像的智能测风系统 Download PDF

Info

Publication number
CN112697657B
CN112697657B CN202110313821.0A CN202110313821A CN112697657B CN 112697657 B CN112697657 B CN 112697657B CN 202110313821 A CN202110313821 A CN 202110313821A CN 112697657 B CN112697657 B CN 112697657B
Authority
CN
China
Prior art keywords
aerosol particle
layer
neural network
convolutional neural
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110313821.0A
Other languages
English (en)
Other versions
CN112697657A (zh
Inventor
张平慧
夏梦莹
胡淼
许蒙蒙
应娜
赵喻晓
张子石
金益文
张寒琦
张雨婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202110313821.0A priority Critical patent/CN112697657B/zh
Publication of CN112697657A publication Critical patent/CN112697657A/zh
Application granted granted Critical
Publication of CN112697657B publication Critical patent/CN112697657B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
    • G06V20/38—Outdoor scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Dispersion Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于气溶胶颗粒物图像的智能测风系统，包括气溶胶颗粒物图像拍摄设备和图像处理设备；气溶胶颗粒物图像拍摄设备用于获取空气中的气溶胶颗粒物图像；图像处理设备内设有预处理模块、卷积神经网络模块，预处理模块用于对气溶胶颗粒物图像进行预处理；卷积神经网络模块内含训练完成的卷积神经网络，训练完成的卷积神经网络用于根据输入的预处理后的气溶胶颗粒物图像，以输出风速。本发明的系统拍摄空气中气溶胶颗粒物的图像并通过图像计算得出风速，无外露的探测元件，适用于各种环境的风速遥测，且可以通过调整拍摄设备的拍摄区域以快速调整风速遥测目标区域。

Description

一种基于气溶胶颗粒物图像的智能测风系统
技术领域
本发明属于风力遥测技术领域，具体涉及一种基于气溶胶颗粒物图像的智能测风系统。
背景技术
我国风力资源十分丰富，风能作为清洁能源，能够在向全社会提供能源的同时控制碳排放，绿色环保。同时风能取之不尽，用之不竭，无毒副作用，符合安全可持续的发展理念。我国目前风电技术发展还存在一些问题，如风能资源调查比较粗放、风能资源的测量和分析方法还有待完善等，这些问题直接制约了风电技术的发展。现阶段如何提高风能资源的利用率，提高风力发电场的发电量和延长风力发电机组的使用寿命是正待解决的重要问题之一。
在风力发电机组上安装测风装置能为解决上述问题提供思路，通过测风装置及时获得当前风速数据，分析风场状况，进而调整风力发电机组的参数以适应风场突发情况，能有效降低风力发电机组的损耗率，并提高风能资源的利用率和风场发电量。目前应用较为广泛的测风装置是机械式风速仪，虽然有经济实用、测量精度高等优点，但是长期暴露于外场工作环境，寿命有限且无法实现对指定位置的风速遥测。因此机械式测风仪无法实现风场状况预判，无法满足及时调整风力发电机组参数以适应风场突发情况的要求。近些年兴起的多普勒激光雷达测风系统能克服机械式测风仪的固有缺点，实现对指定位置的风速遥测，维护方便且能适应各种恶劣环境，因此被视为是机械式测风仪的替代品，但由于价格昂贵，目前无法大规模使用。因此，需要一种低成本、技术复杂度低的遥测式测风系统。
发明内容
基于现有技术中存在的上述缺点和不足，本发明的目的之一是至少解决现有技术中存在的上述问题之一或多个，换言之，本发明的目的之一是提供满足前述需求之一或多个的一种基于气溶胶颗粒物图像的智能测风系统。
为了达到上述发明目的，本发明采用以下技术方案：
一种基于气溶胶颗粒物图像的智能测风系统，包括气溶胶颗粒物图像拍摄设备和图像处理设备；气溶胶颗粒物图像拍摄设备用于获取空气中的气溶胶颗粒物图像；图像处理设备内设有预处理模块、卷积神经网络模块，预处理模块用于对气溶胶颗粒物图像进行预处理；卷积神经网络模块内含训练完成的卷积神经网络，训练完成的卷积神经网络用于根据输入的预处理后的气溶胶颗粒物图像，以输出风速。
作为优选方案，卷积神经网络模块的卷积神经网络采用VGG结构，由第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第五卷积层、第六卷积层、全连接层、softmax分类器依次连接组成。
作为优选方案，六个卷积层依次包含36、36、36、72、96、3个卷积核，卷积核大小依次为5×5、5×5、5×5、5×5、3×3、1×1，步长均为1；各池化层的过滤器大小均为3×3，步长均为2。
作为优选方案，预处理模块包括筛选层、裁剪层、灰度化层、归一化层；筛选层用于从气溶胶颗粒物图像中挑选带有线段特征的图片；裁剪层用于将带有线段特征的图片裁剪成带有线段特征的目标图片；灰度化层用于将带有线段特征的目标图片灰度化；归一化层用于对灰度化后的图片进行归一化处理。
作为优选方案，归一化处理的计算公式为AFT image =(I-min(I))/(max(I)-min(I))，其中，AFT image 为归一化处理后的图像像素点值，I为图像像素点值，min(I)为图像像素的最小值，max(I)为图像像素的最大值。
作为优选方案，卷积神经网络通过如下训练方法得到：在多个风速下采集气溶胶颗粒物图像，将图像分为训练样本和验证样本，使用训练样本训练卷积神经网络，根据卷积神经网络对验证样本的判断结果与验证样本采集时实际风速之间的误差，使用随机梯度下降的误差反向传播算法对卷积神经网络的参数进行迭代更新，使总体误差最小，完成训练。
作为优选方案，气溶胶颗粒物图像拍摄设备包括主动光发射器、散射光采集器、控制器；主动光发射器用于照射空气中的气溶胶颗粒物，以产生散射光；散射光采集器用于接收散射光，以获取气溶胶颗粒物图像；控制器用于控制主动光发射器和散射光采集器的运行。
作为优选方案，主动光发射器包括激光器和激光扩束器，激光器用于发射激光，激光经过激光扩束器扩宽后照射空气中的气溶胶颗粒物。
作为优选方案，散射光采集器包括CCD相机、滤光片，CCD相机前安装滤光片，主动光发射器照射气溶胶颗粒物的散射光依次经滤光片、相机镜头进入CCD相机，以生成气溶胶颗粒物图像。
作为优选方案，气溶胶颗粒物图像拍摄设备还包括可调支架，主动光发射器与散射光采集器安装在可调支架上，可调支架用于调整主动光发射器与散射光采集器的位置。
本发明与现有技术相比，有益效果是：
本发明的系统拍摄空气中气溶胶颗粒物的图像并通过图像计算得出风速，无外露的探测元件，适用于各种环境的风速遥测，且可以通过调整拍摄设备的拍摄区域以快速调整风速遥测目标区域。
附图说明
图1是本发明实施例1的一种基于气溶胶颗粒物图像的智能测风系统的结构示意图；
图2是本发明实施例1的一种基于气溶胶颗粒物图像的智能测风系统的卷积神经网络的结构图；
图3是本发明实施例1的一种基于气溶胶颗粒物图像的智能测风系统的卷积神经网络训练中错误率变化图；
图4是本发明实施例1的一种基于气溶胶颗粒物图像的智能测风系统的卷积神经网络训练中最相似一张图错误率的变化图。
具体实施方式
为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
实施例1：本实施例的一种基于气溶胶颗粒物图像的智能测风系统，由气溶胶颗粒物图像拍摄设备和图像处理设备5组成，气溶胶颗粒物图像拍摄设备包括安装在一个U型可调支架1上的激光器2、激光扩束器6、CCD相机3、相机镜头、滤光片4、控制器。激光器2安装在可调支架1的一端上，激光扩束器6安装在激光器2的激光发射端并与其光轴重合，使激光器2发射的激光变宽。CCD相机3安装在可调支架1的另一端上，CCD相机3上安装相机镜头，并在镜头前安装滤光片4，滤光片4选用可使激光器2发出的激光通过的频率。激光器2和CCD相机3还连接控制器，控制器集成在图像处理设备5中，用于控制设备运行及接收CCD相机3采集的图像数据。
激光器2和CCD相机3的光轴成一可调夹角θ，夹角设为0-45度之间，两光轴的交点区域便是本实施例智能测风系统的检测区域，也就是气溶胶颗粒物图像的拍摄区域。在上述区域中激光照射空气中的气溶胶颗粒物，而被照射的气溶胶颗粒物会将激光散射，散射光线经过滤光片4过滤、通过相机镜头进入CCD相机，使CCD相机可以拍摄到气溶胶颗粒物的位置。而可调支架1的底座可以水平旋转、U型架部分设有转轴，可以竖直调整俯仰角，配合激光器2和CCD相机3光轴的夹角改变、交点位置变化，可以实现拍摄区域的灵活改变。通过上述结构设计，在无外露探测元件的前提下实现了风速检测，且可以通过调整激光器2和CCD相机3的方向以快速调整风速遥测目标区域。
上述结构中，激光器选用长春新产业公司的PGL-FS-532-80mw18061723；CCD相机选用日本Watec株式会社的WAT-902H ULTIMATE；相机镜头选用深圳华谷动力科技有限公司的VM0410MPIR；滤光片选用中心波长532nm、贷款1nm的窄带滤光片；控制器使用DH-CG300图像采集卡接收CCD相机拍摄的图像。
图像处理设备5除集成的控制器外，还包括预处理模块和卷积神经网络模块，预处理模块在卷积神经网络模块进行特征提取前对气溶胶颗粒物图像预处理，以凸显特征区域、减少卷积神经网络的计算量和加快神经网络的处理速度。其中包括筛选层、裁剪层、灰度化层；筛选层从采集到的气溶胶颗粒物运动轨迹图片中挑选出带有线段特征的图片；裁剪层将筛选层选出的图片裁剪，在保留线段特征的前提下减少图片的无关区域，在本实施例中裁剪层将768 pixel×576 pixel原始图片裁剪成带有线段特征的48 pixel×48pixel图片；灰度化层将裁剪后的图片做灰度化处理；归一化层将灰度化后的图片做归一化处理，归一化层的计算公式为：AFT image =(I-min(I))/(max(I)-min(I))，其中，AFT image 为归一化处理后的图像像素点值，I为图像像素点值，min(I)为图像像素的最小值，max(I)为图像像素的最大值。归一化能够降低几何变换的影响以及加快梯度下降和寻找最优解的速度。
预处理后将预处理过的图片输入卷积神经网络模块计算风速。卷积神经网络模块中内含的卷积神经网络使用VGG结构的CNN模型，采用MatConvNet框架实现。本实施例用于对0-3 m/s的风速进行测量，将风速分为0 m/s、1 m/s、3 m/s三档，用于上述条件的卷积神经网络结构如图2所示：由第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第五卷积层、第六卷积层、全连接层及softmax分类器依次连接组成，六个卷积层分别包含36、36、36、72、96、3个卷积核，卷积核大小分别为5×5、5×5、5×5、5×5、3×3、1×1，步长都为1；所有卷积层都使用非线性激活函数ReLu；所有池化层大小为3×3，步长为2，第一池化层为最大池化层，第二、第三、第四池化层为平均池化层。卷积神经网络模型的具体结构表1所示：
表1 卷积神经网络模型的结构参数
Figure 396903DEST_PATH_IMAGE001
上述卷积神经网络的训练方法如下：调节CCD相机3与激光器2之间的夹角为30mrad并使气溶胶颗粒物的运动图像充满CCD相机3视场，调节镜头焦距使成像清晰，本实施例中相机镜头成像清晰处为离硬件部分10 m处，且CCD相机3的分辨率为768 pixel×576pixel。控制相机镜头成像清晰处范围风速在0 m/s、1 m/s、3 m/s变化，控制CCD相机3连续拍摄300张气溶胶颗粒物运动轨迹图片并做分类，图像采集速度为25帧/s。
卷积神经网络需要大量的训练数据来支持其训练。为了避免发生过拟合现象，提升卷积神经网络的鲁棒性，使用数据增强方法来获得大量数据：通过图像旋转，平移和镜像的方式增大数据集的数量，然后利用数据归一化降低几何变换的影响以及加快梯度下降和寻找最优解的速度。
根据0 m/s、1 m/s、3 m/s的三种风速，将三种风速处理后的图像分别分成训练样本和验证样本，其中训练样本占75%，验证样本占25%，利用训练样本训练上述的卷积神经网络。对于卷积神经网络的验证，在三种风速下进行，利用训练后的卷积神经网络对验证样本进行实际风速测量即可验证训练后的卷积神经网络的准确性。
经图像预处理过后的特征图像统一裁剪成48×48大小，训练时输入卷积神经网络的特征图像大小为1×48×48；输入卷积神经网络的特征图像经过第一卷积层后变为36×48×48，通过第一池化层后变为36×24×24；第一池化层的输出经过第二卷积层后变为36×24×24，通过第二池化层后变为36×12×12；第二池化层的输出经过第三卷积层后变为36×12×12，通过第三池化层后变为36×6×6；第三池化层的输出经过第四卷积层后变为72×6×6，通过第四池化层后变为72×3×3；第四池化层的输出经过第五卷积层后变为96×1×1；第五卷积层的输出经过第六卷积层后变为3×1×1；通过全连接层将第六卷积层得到的特征向量进行平铺，转化为一维向量，并将此向量作为softmax分类器的输入。训练时的批量大小为100，学习率为0.0001，迭代次数为100，权重衰减为0.0001，计算模型预测结果与特征图像实际类别之间的误差，使用随机梯度下降的误差反向传播算法，对卷积神经网络参数进行迭代更新，使总体误差最小，完成模型训练过程。
本实施例所用的卷积神经网络对于风速测量的训练过程中错误率变化图如图3所示，而随着训练次数的增多，训练样本和验证样本的错误率大体上呈现逐渐下降到逐渐稳定的趋势，训练样本和验证样本的错误率非常接近，可看出该卷积神经网络训练效果较好。其中第100次模型迭代的训练样本总的错误率为7.64%，卷积神经网络对于风速测量的训练过程中最相似一张图的错误概率变化趋势如图4所示，第100次模型迭代时为1.818%，因此该卷积神经网络具有一定的可靠性，故应用该卷积神经网络的上述系统可以有效进行风速测量。
卷积神经网络定量测量的过程为对测试样本图片进行风速的测量，将图片判成与之最接近的风速类别并进行计数，将每个风速类别的图片数量N i 除以测试样本图片总数M即为该测试样本测量成该风速类别的概率：
P(i)=N i /M
其中i的取值为1，2，3，分别代表0 m/s，1 m/s，3 m/s风速。
在不同的环境下仍然拍取图片经过相同的处理之后，将样本图片标序，序号1代表0 m/s风速的图片，序号2代表1 m/s风速的图片，序号3代表3 m/s风速的图片。利用卷积神经网络进行定量的风速测量，测试样本的风速测量结果如表2所示，1号风速样本图片经卷积神经网络测量成0 m/s、1 m/s、3 m/s风速的概率分别为0.93、0.07、0.00，2号风速样本图片经卷积神经网络测量成0 m/s、1 m/s、3 m/s风速的概率分别为0.00、0.85、0.15，3号风速样本图片经卷积神经网络测量成0 m/s、1 m/s、3 m/s风速的概率分别为0.01、0.24、0.75。从定量的风速测量结果中可看出三个序号风速的样本经卷积神经网络测量的准确性分别为0.93、0.85、0.75，卷积神经网络测量平均准确率为0.84,可以说明该卷积神经网络的可靠性。
表2 测试样本的风速测量结果
Figure 484945DEST_PATH_IMAGE002
而对于其他测量需求，只需要更改卷积神经网络的结构，并改变softmax分类器的分类便可以灵活实现各种风速范围的测量。
实施例2：根据本发明的另一个实施例的一种基于气溶胶颗粒物图像的智能测风系统中，可调支架中底座和U型架的转轴设有电机；激光器和CCD相机与可调支架的连接处也安装有电机，该电机的转轴与激光器和CCD相机光轴所成平面垂直；上述所有电机的联动转动可以改变测风区域。
控制器与上述所有电机连接，可通过控制器控制电机的运作，从而改变测风区域。
其他结构和使用方法可以参考实施例1。
应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。

Claims (6)

1.一种基于气溶胶颗粒物图像的智能测风系统，其特征在于，包括气溶胶颗粒物图像拍摄设备和图像处理设备；所述气溶胶颗粒物图像拍摄设备用于获取空气中的气溶胶颗粒物图像；
所述图像处理设备内设有预处理模块、卷积神经网络模块，所述预处理模块用于对气溶胶颗粒物图像进行预处理；所述卷积神经网络模块内含训练完成的卷积神经网络，所述训练完成的卷积神经网络用于根据输入的预处理后的气溶胶颗粒物图像，以输出风速；
所述气溶胶颗粒物图像拍摄设备包括主动光发射器、散射光采集器、控制器；所述主动光发射器用于照射空气中的气溶胶颗粒物，以产生散射光；所述散射光采集器用于接收散射光，以获取气溶胶颗粒物图像；所述控制器用于控制所述主动光发射器和所述散射光采集器的运行；
所述气溶胶颗粒物图像拍摄设备还包括可调支架，所述主动光发射器与所述散射光采集器安装在所述可调支架上，所述可调支架用于调整所述主动光发射器与所述散射光采集器的位置；所述主动光发射器包括激光器和激光扩束器，所述激光器用于发射激光，所述激光经过所述激光扩束器扩宽后照射空气中的气溶胶颗粒物；
所述散射光采集器包括CCD相机、滤光片，所述CCD相机前安装滤光片，所述主动光发射器照射气溶胶颗粒物的散射光依次经滤光片、相机镜头进入CCD相机，以生成气溶胶颗粒物图像；
激光器和CCD相机的光轴成一可调夹角，所述光轴的交点区域是风速遥测区域，通过调整激光器和CCD相机的方向以快速调整风速遥测区域。
2.如权利要求1所述的一种基于气溶胶颗粒物图像的智能测风系统，其特征在于，所述卷积神经网络模块的卷积神经网络采用VGG结构，由第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第五卷积层、第六卷积层、全连接层、softmax层依次连接组成。
3.如权利要求2所述的一种基于气溶胶颗粒物图像的智能测风系统，其特征在于，所述六个卷积层依次包含36、36、36、72、96、3个卷积核，卷积核大小依次为5×5、5×5、5×5、5×5、3×3、1×1，步长均为1；各池化层的过滤器大小均为3×3，步长均为2。
4.如权利要求1所述的一种基于气溶胶颗粒物图像的智能测风系统，其特征在于，所述预处理模块包括筛选层、裁剪层、灰度化层、归一化层；所述筛选层用于从所述气溶胶颗粒物图像中挑选带有线段特征的图片；所述裁剪层用于将带有线段特征的图片裁剪成带有线段特征的目标图片；所述灰度化层用于将带有线段特征的目标图片灰度化；所述归一化层用于对灰度化后的图片进行归一化处理。
5.如权利要求4所述的一种基于气溶胶颗粒物图像的智能测风系统，其特征在于，所述归一化处理的计算公式为AFTimage＝(I-min(I))/(max(I)-min(I))，其中，AFTimage为归一化处理后的图像像素点值，I为图像像素点值，min(I)为图像像素的最小值，max(I)为图像像素的最大值。
6.如权利要求1所述的一种基于气溶胶颗粒物图像的智能测风系统，其特征在于，所述卷积神经网络通过如下训练方法得到：在多个风速下采集气溶胶颗粒物图像，将图像分为训练样本和验证样本，使用训练样本训练卷积神经网络，根据卷积神经网络对验证样本的判断结果与验证样本采集时实际风速之间的误差，使用随机梯度下降的误差反向传播算法对卷积神经网络的参数进行迭代更新，使总体误差最小，完成训练。
CN202110313821.0A 2021-03-24 2021-03-24 一种基于气溶胶颗粒物图像的智能测风系统 Active CN112697657B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110313821.0A CN112697657B (zh) 2021-03-24 2021-03-24 一种基于气溶胶颗粒物图像的智能测风系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110313821.0A CN112697657B (zh) 2021-03-24 2021-03-24 一种基于气溶胶颗粒物图像的智能测风系统

Publications (2)

Publication Number Publication Date
CN112697657A CN112697657A (zh) 2021-04-23
CN112697657B true CN112697657B (zh) 2021-09-14

Family

ID=75515582

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110313821.0A Active CN112697657B (zh) 2021-03-24 2021-03-24 一种基于气溶胶颗粒物图像的智能测风系统

Country Status (1)

Country Link
CN (1) CN112697657B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5945529B2 (ja) * 2013-12-25 2016-07-05 本田技研工業株式会社 微粒子撮影装置及び流速計測装置
CN103996171B (zh) * 2014-05-05 2017-02-15 河海大学 基于时空图像的流体运动矢量估计方法
CN105334347B (zh) * 2015-11-20 2019-05-31 中国计量学院 一种基于无人机的粒子图像测速检测系统及方法
CN109297671B (zh) * 2018-07-27 2023-03-17 中国商用飞机有限责任公司 用于飞机客舱空气流场流动显示的粒子图像测速试验装置
CN110246152B (zh) * 2019-05-21 2021-04-02 上海交通大学 Piv图像处理方法及系统
CN110187143B (zh) * 2019-05-28 2021-04-09 浙江大学 一种基于深度神经网络的层析piv重构方法和装置

Also Published As

Publication number Publication date
CN112697657A (zh) 2021-04-23

Similar Documents

Publication Publication Date Title
WO2022160771A1 (zh) 基于自适应多尺度特征提取模型的高光谱图像分类方法
CN113538391B (zh) 一种基于Yolov4和热红外图像的光伏缺陷检测方法
CN112101434A (zh) 基于改进YOLO v3的红外图像弱小目标检测方法
CN109887020B (zh) 一种植株器官分离方法及系统
CN109186929B (zh) 一种基于流线谱的风筛清选系统装配质量检测装置及方法
CN115170816A (zh) 多尺度特征提取系统、方法和风机桨叶缺陷检测方法
CN111652835A (zh) 基于深度学习与聚类的输电线路绝缘子缺失的检测方法
CN114973032B (zh) 一种基于深度卷积神经网络的光伏板热斑检测方法及装置
CN116503318A (zh) 一种融合CAT-BiFPN与注意力机制的航拍绝缘子多缺陷检测方法、系统及设备
CN114359695A (zh) 基于不确定性估计的绝缘子破损识别方法
CN113252701A (zh) 基于云边协同的输电线路绝缘子自爆缺陷检测系统及方法
CN115908354A (zh) 一种基于双尺度策略和改进的yolov5网络的光伏面板缺陷检测方法
CN113890027B (zh) 基于设备运行状态和气象参数的发电功率预测系统及方法
CN112697657B (zh) 一种基于气溶胶颗粒物图像的智能测风系统
CN114627074A (zh) 一种基于深度学习的地面拍摄风机叶片实时监测方法
CN111563525A (zh) 一种基于YOLOv3-Tiny的运动目标检测方法
Li et al. A reliable solder joint inspection method based on a light-weight point cloud network and modulated loss
CN112734732B (zh) 基于改进ssd算法的铁路隧道漏缆卡具检测方法
CN112633090A (zh) 机器人视觉的集中风系统内部霉菌与积尘辨识方法及应用
CN117067226A (zh) 钢桥锈蚀检测机器人及锈蚀检测方法
Tao et al. Weak scratch detection of optical components using attention fusion network
CN113687099B (zh) 一种基于激光线阵的piv图像标定装置及方法
Aldabbagh et al. Classification of chili plant growth using deep learning
Wang et al. Vision measurement of gear pitting based on DCGAN and U-Net
CN113670268B (zh) 基于双目视觉的无人机和电力杆塔距离测量方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant