针对煤矿地面10kV供电系统,将10kV链式STATCOM应用于电网中。设计了STATCOM的主电路拓扑结构、调制方法,将载波层叠调制方式应用于STATCOM中,不仅可以等效提高IGBT的开关频率,而且输出的谐波含量少。

针对煤矿井下1 140 V就地补偿设备-STATCOM,研究了级联STATCOM的主电路拓扑结构,调制原理和直流侧电容电压平衡的控制策略。在Matlab中搭建了级联H桥STATCOM,仿真结果表明,井下1 140 V级联STATCOM能够根据负载的波动快速的实现动态无功补偿。开发了100 kvar、1 140 V级联STATCOM,并得到实际应用。现场运行结果表明,井下1 140 V级联STATCOM具有很好的无功补偿效果。

ultralytics yolo 训练及推理自定义人脸关键点数据 - python 实现 ultralytics yolo 训练自定义人脸关键点训练和验证数据集 数据集格式：yolo 训练集数量：3295 验证集数量：120 类别：人脸，1类 类别号：0 关键点：5个，包括左眼，右眼，鼻尖，左嘴唇边界点，右嘴唇边界点。

这是我学习PCL点云配准的代码，包括了VFH特征的使用、SHOT特征描述符、对应关系可视化以及ICP配准、PFH特征描述符、对应关系可视化以及ICP配准、3DSC特征描述符、对应关系可视化以及ICP配准、Spin Image自旋图像描述符可视化以及ICP配准、AGAST角点检测、SUSAN关键点检测以及SAC-IA粗配准、SIFT 3D关键点检测以及SAC-IA粗配准、Harris关键点检测以及SAC-IA粗配准、NARF关键点检测及SAC-IA粗配准、iss关键点检测以及SAC-IA粗配准、对应点已知时最优变换求解介绍以及SVD代码示例

通过对神东矿区大柳塔煤矿52304综采工作面7.0 m支架开采时端面漏冒的现场实测、模拟实验与理论分析,从特大采高综采工作面覆岩关键层"悬臂梁"结构运动对直接顶作用的角度,阐述了端面漏冒的发生机理,并提出了相应的控制对策。结果表明:综采工作面的端面漏冒不仅与顶板岩性、构造和裂隙发育以及支护工况有关,还与关键层破断块体的回转运动密切相关。特大采高综采工作面覆岩第1层关键层易破断进入垮落带而形成"悬臂梁"结构,不同于低采高综采工作面关键层稳定铰接的"砌体梁"结构,由于其破断块体后方无水平的侧向约束力,它将无法形成自稳的承载结构;当支架初撑力不足以平衡该"悬臂梁"破断块体及其上覆垮落带岩层的载荷时,易造成该块体发生失稳错动而切割直接顶,从而导致贯穿式的端面漏冒的发生。这是造成52304特大采高综采工作面在顶板完整、煤壁片帮并不突出的条件下,仍发生严重端面漏冒的主要原因。由此提出了以提高支架初撑力来防止关键层"悬臂梁"破断块体发生失稳错动为思路的端面漏冒控制对策,并依此确定了52304综采工作面7.0 m支架的合理初撑力为12 405 kN,现有支架的初撑力仍显不足。

基于沿空留巷围岩大、小结构稳定原理,分析了厚硬岩层直覆条件下沿空留巷顶板关键块所形成的结构及其围岩所处应力环境,并讨论了不同关键块长度围岩大结构的形式及对巷旁充填体所产生的影响,认为合理关键块长度是控制围岩稳定性的关键。结合平煤十二矿地质条件数值模拟了不同关键块长度控制下厚硬顶板直覆留巷围岩大结构稳定的不同形式,得出了其关键块体的合理长度,并基于厚硬顶板运动特征提出了控制关键块体长度的倾向小水平转角钻孔群切顶控制技术。

通过3GSM三维岩体不接触测量技术,对夏甸金矿-615分层水平54902采场进行矿岩体裂隙和结构面数字摄影测量,获取一系列真实反映岩体宏观结构的图像,从中提取节理裂隙和结构面的空间分布信息。在此基础上,利用东北大学自主研发的不稳块体快速识别和分析系统Geo SMA-3D,进行某测点的不稳块体搜索。最终将表征结构面、关键块体形态的数据实体化后集成到虚拟场景之中,实现矿岩体特征的快速识别、确认及真三维展示的功能。

这是人体关键点检测(人体姿态估计)Android Demo App，更多项目请参考： 人体关键点检测1：人体姿势估计数据集(含下载链接) https://blog.csdn.net/guyuealian/article/details/134703548 人体关键点检测2：Pytorch实现人体关键点检测(人体姿势估计)含训练代码和数据集 https://blog.csdn.net/guyuealian/article/details/134837816 人体关键点检测3：Android实现人体关键点检测(人体姿势估计)含源码 可实时检测 https://blog.csdn.net/guyuealian/article/details/134881797 人体关键点检测4：C/C++实现人体关键点检测(人体姿势估计)含源码 可实时检测 https://blog.csdn.net/guyuealian/article/details/134881797

YOLOv5是一种高效、快速的目标检测框架，尤其适合实时应用。它采用了You Only Look Once (YOLO)架构的最新版本，由Ultralytics团队开发并持续优化。在这个基于Python的示例中，我们将深入理解如何利用YOLOv5进行人脸检测，并添加关键点检测功能，特别是针对宽脸（WideFace）数据集进行训练。 首先，我们需要安装必要的库。`torch`是PyTorch的核心库，用于构建和训练深度学习模型；`torchvision`提供了包括YOLOv5在内的多种预训练模型和数据集处理工具；`numpy`用于处理数组和矩阵；而`opencv-python`则用于图像处理和显示。 YOLOv5模型可以通过`torch.hub.load()`函数加载。在这个例子中，我们使用的是较小的模型版本'yolov5s'，它在速度和精度之间取得了较好的平衡。模型加载后，设置为推理模式（`model.eval()`），这意味着模型将不进行反向传播，适合进行预测任务。 人脸检测通过调用模型对输入图像进行预测实现。在`detect_faces`函数中，首先对图像进行预处理，包括转换颜色空间、标准化像素值和调整维度以适应模型输入要求。然后，模型返回的预测结果包含每个检测到的对象的信息，如边界框坐标、类别和置信度。在这里，我们只关注人脸类别（类别为0）。 为了添加关键点检测，定义了`detect_keypoints`函数。该函数接收检测到的人脸区域（边界框内的图像）作为输入，并使用某种关键点检测算法（这部分代码未提供，可以根据实际需求选择，例如MTCNN或Dlib）找到人脸的关键点，如眼睛、鼻子和嘴巴的位置。关键点坐标需要转换回原始图像的坐标系。 最后，`detect_faces`函数返回的人脸和关键点信息可以用于在原始图像上绘制检测结果。这包括边界框和置信度信息，以及关键点的位置，以可视化验证检测效果。 需要注意的是，这个示例假设已经有一个训练好的YOLOv5模型，该模型是在宽脸数据集上进行过训练，以适应宽角度人脸的检测。宽脸数据集的特点是包含大量不同角度和姿态的人脸，使得模型能够更好地处理真实世界中的各种人脸检测场景。 如果要从零开始训练自己的模型，你需要准备标注好的人脸数据集，并使用YOLOv5的训练脚本（`train.py`）进行训练。训练过程中，可能需要调整超参数以优化模型性能，如学习率、批大小、训练轮数等。 总的来说，这个Python示例展示了如何集成YOLOv5进行人脸检测和关键点检测，适用于对实时或近实时应用进行人脸分析的场景。为了提高性能，你可以根据实际需求调整模型大小（如使用'yolov5m'或'yolov5l'），或者自定义训练以适应特定的数据集。同时，关键点检测部分可以替换为更适合任务的算法，以达到更好的效果。

开发环境： - Windows 10 pro x64 - Visual Studio 2015 - Seetaface6 算法模型： - face_detector.csta - face_landmarker_pts5.csta - face_landmarker_pts68.csta 软件功能 - 获取参数 - 图片人脸检测+关键点定位 - 摄像头人脸检测+关键点定位等 - 其中关键点定位支持5点和68点两种模型。