提出了一种基于YOLOv4目标检测方法的绝缘子爆裂故障智能识别模型，以某供电局一年内正常绝缘子及爆裂绝缘子图像为样本，对故障识别模型进行训练，得出识别模型的权重。采用该模型对绝缘子及其爆裂故障进行识别测试，结果表明，该模型识别绝缘子的平均精度（AP）为92.6%，识别绝缘子爆裂故障的平均精度（AP）为91.78%，模型每秒处理帧数（FPS）为46 frame/s，与Faster R-CNN、SSD模型比较可得，提出的绝缘子爆裂故障识别模型能够准确、快速地对绝缘及其爆裂故障进行识别。

“挂羊头卖狗肉”在实际生活中时有发生。如何现场快速智能化辨别出肉的种类, 面临着挑战。本研究论文, 选用便携式拉曼光谱仪, 采用大小均一的金纳米颗粒自组装膜作为信号放大剂, 利用表面增强拉曼光谱(surface-enhanced Raman spectroscopy, SERS)技术高灵敏, 快速, 指纹识别等特性和优势, 结合智能算法中的主成分分析(principal component analysis, PCA)和支持向量机(support vector machine, SVM), 从而快速准确识别出鸡、牛、羊及猪等肉的种类。该方法为食品安全的快速现场检测提供了一条思路和方法。

目前广泛开展的电网红外诊断工作，受检测环境及人员专业水平的影响较大，广泛使用的红外热像仪自动化、智能化水平还不够高。本文提出了一种智能型电网设备红外诊断系统，系统包括环境参数模块、测距模块、设备类型识别模块、设备材料判断模块、发射率设置模块、测温模块、报告生成模块。系统自动检测环境温度、湿度、风速、与设备的检测距离，自动识别设备材料类型确定发射率，将以上参数自动在热像仪中进行设置。热像仪通过图像识别判断设备类型，按照该类设备红外诊断标准的判断方法和准则，自动读取设备相应位置的温度数据，计算得出检测结论。系统不仅减少了红外检测人员携带装备数量，而且实现了仪器检测参数自动设置、设备类型智能识别、检测结论自动生成，降低了对检测人员专业水平的要求。

为了实现对高压输电线存在的故障隐患进行自动检测, 本文提出了一种自适应特征引流管故障隐患智能识别算法。首先,分析了故障引流子的红外热图像特征, 把故障分为两类: 明显发热和微弱发热;其次, 针对引流管所引起的明显发热, 采用改进的Otsu阈值分割法对红外图像进行分割, 运用改进的Sobel算子提取轮廓; 第三, 用种子填充算法分离连通域, 通过Thread特征判断是否为故障引流管; 最后, 进入引流管所引起的微弱小区域发热识别, 运用高压输电线平行特征寻找主干线区域, 在主干线区域检测Harris角点, 通过STWN特征判断是否为故障引流子。实验结果表明, 发热隐患的识别率为94.6%, 漏检率为2.2%, 误识别率为5.5%。

跳线联板是输电网中重要设备, 其是否存在故障对输电网正常运行具有很大的影响。但由于现有的算法是对输电网中所有的故障用统一的方法进行识别, 没有对各类故障输电设备进行专门的研究, 导致故障跳线联板识别率低。为了高效识别红外视频图像中故障跳线联板, 首先针对输电线的红外图像特征, 采用改进的OTSU阈值分割图像对红外图像进行分割; 其次, 采用漫水法滤波分离各个连通域, 运用形态学滤去小区域, 填充大区域内的孔洞; 最后, 提取连通域的骨架, 并从骨架图像中提取出USFPF特征, 通过该特征识别的故障跳线联板。实验结果表明, 识别故障跳线联板准确率为85.71%, 漏检率为14.28%, 误识别率为2.8%。该方法能够较好地识别故障跳线联板,具有较好的鲁棒性。

对光反馈自混合干涉信号波形转折点的智能识别进行了理论分析和实验研究。首先经对光反馈自混合干涉信号特点的分析，发现其波形转折点可以作为外部物体运动位移实时测量的依据。通过对信号波形的逐步处理可以获得波形转折点的位置，以此为基准点可以实现位移的精测。实验测试结果同理论分析吻合较好。若系统进入较复杂状态，识别出的位置与其实际位置出现偏差，不再是单一值，可以对转折点位置的所有值取平均，从而得到其对应的精确位置。