基于改进的卷积神经网络的钢号识别

为获取样本的多样性特征,提出了一种改进的卷积神经网络结构。该网络中引入多层递归神经网络,利用卷积神经网络提取输入图像的浅层特征,同时利用卷积神经网络和递归神经网络并行提取高层特征,最后将两种网络学习到的特征进行融合输入到分类器中分类。利用迁移学习理论解决小样本集数据训练不足的问题,并将这种卷积神经网络结构应用于石油物资管线钢号识别中。实验探究了递归神经网络个数与卷积核个数对网络性能的影响,实验结果表明,改进的网络结构与其它网络进行对比,错误率降低了 3% 。     

移动机器人路径规划算法综述

为提高机器人路径规划的搜索速度,缩短搜索时间,总结归纳移动机器人在路径规划问题上的算法及其特点。首先回顾移动机器人发展历史,并对路径规划技术进行概述; 其次对移动机器人路径规划进行分类总结,并从移动机器人对环境掌握情况的角度出发,将移动机器人路径规划分成全局规划和局部规划两类,然后对全局规划和局部规划的相关算法进行综述,同时对相关算法发展现状及优缺点进行总结。最后指出机器人路径规划技术在改进算法、混合算法、多机器人协作、复杂环境以及多维环境下进一步深入研究的未来发展趋势。     

基于FPGA的YOLOv2加速器设计

卷积神经网络(CNN:Convolutional Neural Network)计算量较大,为达到快速处理数据的目的,需借助硬件手段进行加速.因此,利用现场可编程门阵列(FPGA:Field Programmable Gate Array)并行计算的架构特性,提出了基于FPGA的并行计算加速策略.该策略采用的具体方法包括:合理分布片上内存与片下存储,降低数据读取延迟;采用多通道并行流水结构加速卷积操作;通过卷积层数据共享减少访存延迟.利用PYNQ-z2开发平台加速卷积神经网络YOLOv2,最终实现目标物体的检测识别,该设计的处理能力为27.03 GOP/s(Giga Operations Per Second,10亿次运算/s),与CPU(E5-2620V4)相比,处理能力是CPU的6.57倍,功耗是CPU的3％.     

通过机械能耗管理提高钻井效率

通过对钻机机械能耗（MSE）的分析和能耗试验研究,从而最大限度地提高钻井速度（ROP）,提出了开展钻机系统能耗研究的有关问题,并分析了钻机在钻井过程中各工况下的能耗关系,指出了影响机械能耗效率的重要原因.结果表明,钻机系统能耗研究成果应用于钻井生产不仅可获取可观的经济效益,而且对提高钻机管理水平和钻井速度,延长钻机寿命等都有着重要意义.     

海上蒸汽热采平台蒸汽泄漏监测系统的设计研发

针对海洋石油热采平台锅炉及相关蒸汽管线泄漏无法及时发现和准确定位的问题，利用红外热成像加分布式光纤测温技术，通过监测蒸汽设备及管线的温度异常变化，对热采平台设备及管线蒸汽泄漏进行实时监测，判断生产流程高温蒸汽是否泄漏。相关成果样机已经安装至旅大某项目并应用，确保了海洋石油热采平台平稳、安全运行，也为后续项目应用积累了相关经验。