一种基于多目标跟踪的作业现场安全监管方法

    公开(公告)号:CN116229353A

    公开(公告)日:2023-06-06

    申请号:CN202310021046.0

    申请日:2023-01-06

    Abstract: 本发明涉及一种基于多目标跟踪的作业现场安全监管方法,包括以下步骤:在服务器端搭建FairMOT模型的训练环境,收集若干作业现场监控视频数据在服务器端对FairMOT模型进行训练,并将训练好的模型转化为预设的边缘环境能运行的模型文件;在边缘端搭建FairMOT模型的推理环境,并将服务器端转化好的模型文件导出至边缘端;在边缘端从目标作业现场的多个监控摄像头接收多路监控视频,通过模型文件对多路监控视频进行并行分析处理,识别各路监控视频中的目标,并对识别到的所有目标进行关联统一,对识别到的每一目标进行位置跟踪;基于识别到的每一目标的位置跟踪结果,根据预先制定的安全监管规则完成作业现场监管任务。

    一种用于电力系统最优潮流预测的小样本学习方法

    公开(公告)号:CN115907000A

    公开(公告)日:2023-04-04

    申请号:CN202211101634.7

    申请日:2022-09-09

    Abstract: 一种用于直流电力系统最优潮流预测的小样本学习方法,帮助深层神经网络利用有限标注样本学习电力系统的最优潮流。包括在堆叠去噪自编码器网络中采用预训练策略,通过将工作转移到无监督的预训练阶段来降低对标记数据的需求量;将DC‑OPF任务分解策略和知识蒸馏相结合,降低学习复杂度。通过教师退火策略改进知识蒸馏学习以提高准确性;在训练阶段基于focal loss改进了损失函数,在不增加额外样本的情况下增强了训练效果。本发明可以实现小样本学习的准确性,通过复用预训练结果和减少训练集规模提高了模型训练速度,降低了模型准确性对样本规模的依赖性,避免因少数类样本的数据不足影响深度学习的准确性,从而实现对于样本有限的电力系统的应用。

Patent Agency Ranking