番茄在生长过程中易受以病毒病为主的病害侵袭,对其产量和质量造成巨大影响。针对现有番茄植株病害检测方法存在精度低、泛化能力差的问题,构建了一种基于改进YOLOv8-AM算法的检测模型。通过对Plant Village Dataset公共数据集和实地采...番茄在生长过程中易受以病毒病为主的病害侵袭,对其产量和质量造成巨大影响。针对现有番茄植株病害检测方法存在精度低、泛化能力差的问题,构建了一种基于改进YOLOv8-AM算法的检测模型。通过对Plant Village Dataset公共数据集和实地采集的番茄病毒病害检测数据集进行数据增强,构成番茄病毒病害最终的训练数据集和验证数据集。同时,基于YOLOv8模型框架,借鉴残差网络和人眼视觉注意力机制,引入ResBlock+CBAM结构,设计ResCBAM模块,提升模型对关键特征的提取能力。在Plant Village Dataset公共数据集上进行训练与测试,并在番茄病毒病自建数据集上进行试验预测与验证,最终基于Java平台的Spring Boot框架,开发出一种基于YOLOv8-AM的番茄病毒病害检测系统。试验结果表明:在公共数据集上,YOLOv8-AM算法的精确率、召回率分别为92.47%和93.91%,均值平均精度为97.82%,模型的检测速度为31.89 FPS、尺寸为23.83 MB,改进算法在保持检测速度的同时精度均高于现有模型;在自建数据集上,YOLOv8-AM算法的均值平均精度为89.76%,模型泛化能力较强。利用改进的YOLOv8-AM算法能够实现对番茄病毒病害的快速检测,为作物植株的病害识别与防治提供技术支撑。展开更多
针对多端柔性直流电网(multi-terminal direct current grid based on modular multilevel converter,MMC-MTDC)故障诊断存在的人工整定阈值过程复杂、高阻故障不易检测的问题,提出一种基于行波特征的诊断方法。首先,通过分析系统的故...针对多端柔性直流电网(multi-terminal direct current grid based on modular multilevel converter,MMC-MTDC)故障诊断存在的人工整定阈值过程复杂、高阻故障不易检测的问题,提出一种基于行波特征的诊断方法。首先,通过分析系统的故障特征,得出边界元件对高频信号的阻滞作用;其次,利用经验模态分解(empirical mode decomposition,EMD)对功率进行分解,得到本征模态函数(intrinsic mode function,IMF)分量,将其能量值作为故障特征量训练由卷积神经网络(convolutional neural network,CNN)和双向门控循环单元(bidirectional gated recurrent unit,BiGRU)组成的CNN-BiGRU网络;然后,采用开普勒优化算法(Kepler optimization algorithm,KOA)和注意力机制(attention mechanism,AM)对CNN-BiGRU网络进行改进,实现MMC-MTDC的故障诊断;最后,在PSCAD/EMTDC中搭建仿真模型。结果表明,该方法不仅可以实现母线故障和线路故障的检测,还可以在满足保护可靠性和速动性的前提下,解决高阻故障保护易拒动的问题。展开更多
随着“双碳”目标的深入推进,近年来我国风电行业迅速发展,如何精准有效地预测风电功率对实现风机安全并网和维持系统稳定运行至关重要。针对现有风电功率预测方法存在输入特征冗余、泛化能力不足和未能充分捕捉风电出力内在特性等问题...随着“双碳”目标的深入推进,近年来我国风电行业迅速发展,如何精准有效地预测风电功率对实现风机安全并网和维持系统稳定运行至关重要。针对现有风电功率预测方法存在输入特征冗余、泛化能力不足和未能充分捕捉风电出力内在特性等问题,提出了一种基于特征优选与相似相本融合的长短期记忆网络与注意力机制(long short term memory-long short term memory,LSTM-AM)短期风电功率预测模型。首先,利用最小绝对收缩和选择算子(least absolute shrinkage and selection operator,Lasso)回归进行输入特征优选,减少冗余;然后,采用长短期记忆网络与注意力机制建立LSTM-AM融合网络模型;最后,通过欧氏距离计算提取相似历史样本,与模型输出加权作为最终预测值。实验结果表明,所提出的方法相比传统方法预测性能更优,在风电功率预测中表现出更高的准确性,能够为电力系统规划运行和可再生能源的深入应用提供支撑。展开更多
文摘番茄在生长过程中易受以病毒病为主的病害侵袭,对其产量和质量造成巨大影响。针对现有番茄植株病害检测方法存在精度低、泛化能力差的问题,构建了一种基于改进YOLOv8-AM算法的检测模型。通过对Plant Village Dataset公共数据集和实地采集的番茄病毒病害检测数据集进行数据增强,构成番茄病毒病害最终的训练数据集和验证数据集。同时,基于YOLOv8模型框架,借鉴残差网络和人眼视觉注意力机制,引入ResBlock+CBAM结构,设计ResCBAM模块,提升模型对关键特征的提取能力。在Plant Village Dataset公共数据集上进行训练与测试,并在番茄病毒病自建数据集上进行试验预测与验证,最终基于Java平台的Spring Boot框架,开发出一种基于YOLOv8-AM的番茄病毒病害检测系统。试验结果表明:在公共数据集上,YOLOv8-AM算法的精确率、召回率分别为92.47%和93.91%,均值平均精度为97.82%,模型的检测速度为31.89 FPS、尺寸为23.83 MB,改进算法在保持检测速度的同时精度均高于现有模型;在自建数据集上,YOLOv8-AM算法的均值平均精度为89.76%,模型泛化能力较强。利用改进的YOLOv8-AM算法能够实现对番茄病毒病害的快速检测,为作物植株的病害识别与防治提供技术支撑。
文摘随着“双碳”目标的深入推进,近年来我国风电行业迅速发展,如何精准有效地预测风电功率对实现风机安全并网和维持系统稳定运行至关重要。针对现有风电功率预测方法存在输入特征冗余、泛化能力不足和未能充分捕捉风电出力内在特性等问题,提出了一种基于特征优选与相似相本融合的长短期记忆网络与注意力机制(long short term memory-long short term memory,LSTM-AM)短期风电功率预测模型。首先,利用最小绝对收缩和选择算子(least absolute shrinkage and selection operator,Lasso)回归进行输入特征优选,减少冗余;然后,采用长短期记忆网络与注意力机制建立LSTM-AM融合网络模型;最后,通过欧氏距离计算提取相似历史样本,与模型输出加权作为最终预测值。实验结果表明,所提出的方法相比传统方法预测性能更优,在风电功率预测中表现出更高的准确性,能够为电力系统规划运行和可再生能源的深入应用提供支撑。
