XiaoMi-AI文件搜索系统
World File Search System热图像
CWGAN-GP带有含锂离子电池热图像数据扩展的剩余网络模型
锂电池在储能中找到了广泛的应用。温度是评估锂离子电池状态的关键指标，许多实验需要用于研究目的的锂离子电池的热图像。然而，由于诸如高实验成本和相关风险之类的因素，获取锂离子电池故障的热成像样品是具有挑战性的。为了解决这个问题，我们的研究提议利用有条件的Wasserstein生成对抗网络，该网络具有梯度惩罚和残留网络（带剩余网络的CWGAN-GP），以增强描述锂离子电池故障的热图像的数据集。我们采用各种评估指标来定量分析和比较锂离子电池的热图像。随后，扩展的数据集，包括四种描述锂离子电池故障的热图像的类型的热图像，是输入基于面具区域的卷积神经网络进行训练的。结果表明，就锂离子电池的生成的热图像质量而言，提出的模型超过了传统的生成对抗网络和Wasserstein生成对抗网络。此外，数据集的增强导致基于掩模区域的卷积神经网络的故障诊断准确性提高。
带有分布式光纤传感器的圆柱21700锂离子电池的全局热图像
能够监视锂离子电池（LIB）的热行为的能力，是选择性性能并确保安全操作的必要前提。但是，传统的点测量（热电偶）在准确表征LIB行为方面面临着挑战，尤其是定义热点以及热梯度的大小和方向。为了解决这些问题，已经采用了基于光频域反射计（OFDR）分布式 - 光纤维传感器来量化圆柱形21700 LIB内的热量产生。实现了光学传感器内的3 mm空间分辨率。光纤已在细胞表面周围缠绕，以超过1300个独特的测量位置；分布在圆周周围，沿Lib轴向分布。分布式测量结果表明，在1.5C放电期间，最大热差可以达到8.37℃，而点状传感器的热差为4.31℃。虽然沿细胞轴向长度的温度梯度首次被充分理解，但该研究首次量化了沿细胞周长的温度变化。全球热图像突出显示热量产生是在正电流标签周围积累的，这意味着在传统表征实验和电池管理系统（BMS）内定义传感器的位置时，需要对内部LIB结构的基本知识。
空间中的边缘计算：基于机器学习方法的热异常检测的FPGA体系结构的设计
在车载太空系统上的广泛的传感器，设备和仪器范围会产生大量旨在传输到地面的数据。但是，下行链路数据速率固有地通过传输功率和地面站访问来限制。边缘计算旨在通过将处理硬件靠近数据源的处理硬件来减少数据链路内链路内的延迟和带宽。在本文中，我们将边缘计算应用于卢森堡大学开发的热异常检测的有效载荷。有效载荷包括一系列前瞻性红外（FLIR）高分辨率长波长红外（LWIR）微摄像机作为边缘感应组件，以生成热图像。使用支持向量机（SVM）算法来检测异常情况，可用于处理热图像和热分布纤维的边缘计算系统，用于处理热图像和热分布。©2025 Cospar。由Elsevier Ltd发布的所有权利保留。
激光添加剂的自动异常检测
先进热成像越来越多地被投入到直接能量沉积 (DED) 增材制造 (AM) 中，以应对熔池的信息可见性和解决工艺不一致问题。然而，当前图像引导监测方法在 DED 工艺中的可行性存在关键挑战。首先，高分辨率热图像由数百帧捕获的数百万像素组成，导致分析中的维数灾难。其次，各种外生噪声、结构不良的数据和严重的聚类不平衡限制了当前方法执行实时监控的能力。本研究的目的是通过设计一种针对高维热图像数据的自动和无监督异常检测来推进 DED 工艺中熔池监测的前沿。具体来说，我们开发了一个变分自动编码器来生成每个输入热图像数据的低维表示。高斯混合模型和 K 均值聚类与生成模型相结合，将潜在空间分成同质区域并检测异常。实验结果表明，所提出的方法对缺陷熔池的检测非常有效，准确率高达 94.52%，误报率低于 2.1%。
通过基于深度学习的语义提高夜间驾驶安全性
摘要： - 夜间驾驶带来了可见性和照明降低带来的相当困难，从而提高了不幸的可能性。热成像技术通过捕获由物体发出的热辐射（独立于环境照明条件）来提供有希望的解决方案。在本文中，我们建议一种独特的方法，用于在涉及使用深度学习技术的情况下获得的热图像的语义分割。我们的方法的标题为“用于夜间场景的多模式语义分割算法”，利用卷积神经网络（CNNS）将热图像中的像素准确分类为有意义的类别，例如道路，车辆，车辆，行人和障碍物。我们采用编码器架构，转移学习和量身定制的数据增强策略，以提高通用性以及分割能力的准确性。使用公开访问数据集进行的测试，包括KAIST数据集，证明了我们方法在准确分割热图像中的有效性。性能指标，例如像素级准确度（99％），平均相交（MIOU）（95％）（95％），总体精确度（95.75％），总召回率（96.25％）（96.25％），整体F1分数（95.75％），准确性（98％）以及准确性（97％）的详细信息中包括了详细的份量。这些值提供了拟议方法的有效性的定量度量，从精度和计算效率方面展示了其优于现有技术的优势。我们的研究有助于提高夜间驾驶安全性并提高自动驾驶汽车技术。
使用SIFT功能
摘要 - 无人驾驶汽车（UAV）在各种应用中都是必不可少的，包括监视，城市场景分析和农业监测。准确的高度估计对于无人机操作至关重要，尤其是在GPS，压力高度计和雷达等传统传感器可能失败的环境中。本文探讨了红外和热成像的使用，用于对无人机的相对高度估计，从而强调了它们的显着优势，而不是传统的RGB图像。红外和热成像在弱光和不利天气条件下提供了卓越的表现，从而提供了更清晰的可见性和更可靠的特征检测。通过杠杆来使尺度不变特征变换（SIFT）特征，此方法利用热图像的固有优势来估计基于连续图像中匹配的键盘的尺寸变化的高度变化。对两个红外热无UAV数据集的实验结果证明了这种方法的有效性，与暹罗网络结合使用以增强功能匹配，显示出估计准确性的显着提高。索引项 - 临时，红外热图像，无人机，海拔估计，暹罗网络。
使用无人驾驶飞行器对桥面脱层进行热检测
摘要：桥梁状况评估通常由桥梁检查员通过目视检查进行。考虑到大量老化桥梁结构的积压，需要开发经济高效且创新的解决方案，以定期评估桥面状况，而不会中断交通。这使得遥感技术成为桥梁检查领域的可行选择。本文探讨了使用无人机 (UAV) 应用红外热成像 (IRT) 检测和量化混凝土桥面地下分层的潜力。无人机携带的热传感系统专注于使用无人机获取热图像并从图像数据中提取信息。使用安装在无人机上的高分辨率热像仪检查了两个在用的混凝土桥面。然后使用定制程序增强并拼接所捕获的图像，以生成整个桥面的马赛克视图，指示检测到的分层区域的大小和几何形状。通过在相同的桥面上进行锤击和半电池电位测试来验证结果。研究结果表明，该技术能够提供与传统手动检查方法相当的测量结果。因此，它可以成为桥梁维护和维修决策的极佳辅助手段。关键词：桥面、状况评估、脱层、红外、热图像、
khasi普通话早期发现瘀伤（柑橘...
摘要：本文探讨了机器学习（ML）和热成像（TI）的应用（TI）在Khasi Mandarin（柑橘网状Blanco）早期发现瘀伤的应用，旨在通过视觉上明显地识别出损坏的水果来减少供应链损失。利用材料根据其物理化学特性散发出不同红外辐射的原理，热成像用于区分瘀伤与无义的卡西蛋白。用于分类的机器学习模型，成功分析了热图像，以识别指示早期损坏的细微变化。热图像表明，瘀伤和无瘀伤区域之间的温度差超过0.5°C，增强了检测过程。结果证明了将热成像和ML结合起来的可能性，用于非破坏性和有效的水果质量监测。这种方法提供了一种可靠的方法，可早日识别果实损害，从而及时进行干预，以防止进一步恶化并最大程度地减少收获后的损失。该研究强调了将高级成像和机器学习技术集成到农业质量控制中的可能性。使用较大数据集的未来研究可以提高模型的准确性，从而使整个水果供应链中的利益相关者受益并支持行业的可持续性。关键字：Khasi Mandarin；挫伤;毫不动摇；热成像；机器学习模型
Tasek 水泥厂窑壳温度 - ...
阴影区域监测 第一个 Kilnscan 具有黄色视野，用于测量位于建筑物内部的窑炉部分的温度。可以注意到扫描仪与窑壳之间的距离仅为 4.3 米。由于 140° 视野扫描仪，实现了这一短瞄准距离限制。第二个和第三个扫描仪旨在扫描窑壳的同一部分，并特别解决沿着窑炉这一部分延伸的阴影区域问题。然后通过结合这两个扫描仪的数据重建热图像，消除阴影，从而完美地全面监测窑壳。