简介:摘要: 目前我国的工业化进程很快,很多新型技术都被运用到 煤炭 企业当中,尤其是 新增的 智能化系统,在 煤炭 生产中起到重要作用。 智能化系统的应用 , 可以 实现 最终的 生产自动化,且生产过程处于实时监控下,避免不必要的损失。下面围绕此系统展开讨论,对其组成、应用以及注意事项进行详细介绍,希望对相关企业优化生产工艺提供参考。 关键词: 智能化 ; 工业生产 ; 应用
简介:摘要:当今, 随着智能电网的稳步推进,电力通信网络子网形态日渐丰富,各平面网元数量和承载的业务量不断增长。一般情况下,电力通信网络以 5年为规划周期,规划过程中需要考虑的因素繁多,参考数据样本量巨大,对编制人员的技术水平和规划后目标网络的可维护性、可扩展性及可靠性均提出了较高的要求。随着各项技术的不断发展,综合利用信息化系统在大数据提取、存储和计算方面的优势,通过采集电力通信各类业务数据,形成通信网络与承载业务的关联关系;通过对电力通信网络规划中所遵循的原则、经验以及输出结果的深入调研,分析电力通信网络各平面的薄弱环节,为扩容整改提出依据;通过结合电力一、二次网架建设规划,二次设备与通信网络匹配规则,输出合理的网络规划成果,最后利用机器学习在模型建立方面的规范性结果,真正实现将电力通信网络规划与生产实际需要结合起来。
简介:【摘要】数控铣床指应用电子及数字化信号控制的铣床,属于自动加工设备的一种,通常分为带刀库及不带刀库两种类型,其中带刀库的数控铣床又被称之为加工中心。数控铣床的类型较多,不同类型具有不同的部件组成,不仅包括冷却系统、润滑系统,还涵盖了控制系统、主轴传动系统等,各个系统又由多种部件组成,若数控铣床的某一部件或系统出现故障,就会对产品生产效率和质量产生不利影响,进而造成企业的利益损失。因此,必须对其所存故障进行分析和排除。本文以数控铣床 FANUC 系统故障为例,对其常见故障进行分析,并排除故障。 【关键词】数控铣床; FANUC 系统;故障排除 数控铣床是制造业实现集成化、信息化和自动化生产的一种重要载体,不仅是提高生产效率的保障,还是提高产品质量的保障。 FANUC 系统数控铣床因其具备功能强大、可操作性强及性价比高等优势,被广泛应用于制造行业中,并在长期实践的过程中实现了进一步发展。对于制造业来说,数控铣床发生故障次数少、发生故障时间短等均能够减少企业的利润损失,而由于数控铣床的部件组成较为复杂,无论是出现何种故障,在排除故障时通常都需要应用机电、自动控制等多项技术,因此,要求维修人员必须掌握较为牢固的专业知识和技能,能够在极短时间内分析出数控铣床 FANUC 系统的故障原因,快速找出故障点,并采取正确方法对故障进行排除 [1]-[3] 。
简介:摘要: 新中国成立以来对农业建设进行大力扶持,调集大量科研资源针对如何更加有效的提高生产效率,减少资源浪费,进行研究、讨论,初步建成了井渠结合灌区节水灌溉系统的雏形,在此基础上经过不断的努力,进行优化,提高灌溉系统效率,最终集成井渠结合灌区节水灌溉系统智慧化。
简介:摘 要 : 针对于当今监控系统大多只起拍摄作用而无智能监控手段的问题,提出了基于目标检测算法的智能监控系统。在运用目标检测算法与人脸检测算法的基础之上,利用这些算法实现了能够检测移动目标并进行图像之中人脸的检测与提取,从而当陌生人进入时系统能够精确识别。实现了智能化监控,极大提升了监控的准确性与安全性。 关键词:目标检测、人脸检测、 智能监控 引言 智能视频监控系统无需监控人员持续地盯着屏幕,减轻了工作人员的负担,并具有主动性和实时性的优势。智能视频监控系统的主要职责是利用计算机视觉技术从视频图像中检测、跟踪、识别人脸,并对该主体的行为进行理解。 一、系统设计原理 该系统在原视频系统的监控功能基础上,还增加了以下功能: 包括固定传感器布控预警、华为云平台 Atlas200DK智能摄像头、数据处理系统、可视化一体平台。其中可视化一体平台包括人员属性检测采集系统和视频结构化回溯系统实现人脸信息采集的智能化分析及预警。 ( 1)视频监控系统具有人脸识别能力。要求系统能够自动捕捉出入监控范围的人员脸部图像与数据库信息进行比对 , 并自动识别判断是否为可疑人员上传至数据库处理系统。数据处理系统通过算法模型进行人脸识别并与云数据库中的信息比对,若信息不匹配,则智能启动无人机,无人机将进行目标追踪。 ( 2)系统会将收集到的信息上传至可视化一体平台。固定摄像头拍摄图像信息上传到数据处理系统,数据处理系统通过数据处理算法和可视化数据分析上传至可视化一体平台。无人机拍摄可疑人员后自行处理并上传至可视化一体平台呈现给用户。 二、算法分析 2.1目标检测算法( YOLO v3) YOLO v3采用帧间差分法进行图像提取,且采用多个 scale融合的方式做预测。原来的 YOLO v2有一个层叫: passthrough layer,假设最后提取的 feature map的 size是 13*13,那么这个层的作用就是将前面一层的 26*26的 feature map和本层的 13*13的 feature map进行连接,有点像 ResNet。当时这么操作也是为了加强 YOLO算法对小目标检测的精确度。这个思想在 YOLO v3中得到了进一步加强,在 YOLO v3中采用类似 FPN的 upsample和融合做法(最后融合了 3个 scale,其他两个 scale的大小分别是 26*26和 52*52),在多个 scale的 feature map上做检测,对于小目标的检测效果提升还是比较明显的。 YOLO v3中对前面两层得到的 feature map进行上采样 2倍,将更之前得到的 feature map与经过上采样得到的 feature map进行连接,这种方法可以让我们获得上采样层的语义信息以及更之前层的细粒度信息,将合并得到的 feature map经过几个卷积层处理最终得到一个之前层两倍大小的张量。 图 1 帧间差分法算法流程图
2.2人脸检测算法 (MTCNN) 所谓人脸检测,就是给定一张图像,找到其中是否存在一个或多个人脸,并返回人脸置信度和人脸框位置。它是从待识别图像上获取有用信息的第一步,是实现实时、高精度人脸识别系统的前提和基础。网络实现人脸检测(人脸分类、边框回归)和关键点定位分为三个阶段: 第一阶段:由 P-Net获得了人脸区域的候选窗口和边界框的回归向量,并用该边界框做回归,对候选窗口进行校准,然后通过非极大值抑制( NMS)来合并高度重叠的候选框 第二阶段: P-Net得出的候选框作为输入,输入到 R-Net,网络最后选用全连接的方式进行训练,利用边界框向量微调候选窗体,再利用 NMS去除重叠窗体。 第三阶段:使用更加强大的 CNN( O-Net),网络结构比 R-Net多一层卷积,功能与 R-Net作用一样,只是在去除重叠候选窗口的同时,显示五个人脸关键点定位。 ONet 是网络的最后输出。 图 2 人脸检测阶段流程图 三、系统结构设计 ( 1)数据输入层。本部分通过采集或导入已有人脸数据库,为系统提供待测人脸数据及人脸比对基础库。涵盖一切提供数据源的前端及数据库。 ( 2)算法引擎层。人脸识别平台系统是人脸识别系统的核心 ,主要包括人脸数据的建模,比对分析和存储。 ( 3) 平台服务层。平台服务层向下对接算法引擎,向上提供业务数据接口。主要包括接受客户提出的任务,调用相关底层算法引擎,对算法层反馈的结果进行分析,并提供相关的业务服务。 ( 4)大数据业务层。大数据业务层主要负责数据仓储及数据检索服务。数据仓储及数据检索服务。数据仓储指将系统中产生的人脸图片、人脸特征数据、告警推送信息,包括目标数据库的相关数据进行结构化存储;数据检索服务指与平台服务对接,提供结构化的快速检索,与安防业务相结合,实现对数据时间、空间信息的充分利用,且平台业务功能可在庞大的数据库中快速反馈检索结果。 固定摄像头拍摄图像上传至数据处理系统,数据处理系统通过目标检测算法、人脸检测算法、人脸识别算法将图像中的人脸识别出来并与数据库中的信息进行比对,并根据比对结果决定是否报警,同时将处理后的数据上传至可视化一体平台。更为重要的一点,可以对监拍对象进行数据提取分析,形成对象分析报告,高效准确地将其信息提供给客户。 图 3 系统结构流程图 小结 随着科学技术的不断提高,人脸实时识别监控系统在使用时,依据人面像本身所固有的生理特征 ,利用目标检测算法、人脸检测算法和人脸识别算法来达到身份验证和识别的目的。 参考文献 [1]严杰支持人脸检测的智能视频监控系统的设计与实现 [D].重庆大学 . [2]李苗在,谷海红 .人脸识别研究综述 [J].电脑知识与技术 :学术交流 ,2011,07(8X):5992-5994.