Semantic Segmentation Optimization in Power Systems: Enhancing Human-Like Switching Operations
Notice bibliographique
Résumé
In addressing the digital and intelligent transformation challenges within the traditional desulfurization process of coal secondary utilization, a perception learning model rooted in semantic segmentation networks has been developed.This model, when integrated with realworld operational environments, is shown to confront issues arising from symmetry and multi-scale features inherent to thermal power distribution room contexts.A combination of multi-scale feature fusion and attention mechanisms has facilitated the precise detection of human-like operation knobs on switch operation panels.To cope with extended dynamic scenes, a method relying on the visual bag-of-words has been adopted, wherein local image features are extracted and matched against a visual dictionary, resulting in a refined visual representation.The subsequent selection of consecutive symmetrically similar scene keyframes and the elimination of superfluous data have been observed to augment the efficacy of loop-closure detection.Such enhancements have culminated in improved accuracy in the SLAM (Simultaneous Localization and Mapping) of mobile robots, enabling their autonomous navigation to designated switching operation task locations.Experimental findings underscore the superiority of this optimized model over traditional semantic segmentation networks, with its ability to pinpoint operation knobs on electrical control cabinet panels in distribution rooms.Moreover, before initiating grasping actions under the Eye-in-hand architecture, visual servo grasping maneuvers can be executed, irrespective of the target's appearance angle within the field of view.This optimization offers an insightful foundation for potential integrations into patrol operation mobile robots, marking a feasible and effective stride forward.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».