辽宁新建台站勘选过程概述及结果分析

利用地震台址勘选中得到的观测数据,计算勘选台站的地脉动背景噪声RMS值,噪声功率谱密度等数据,通过结果分析得到了各个台站的环境噪声水平和台基等级分类情况,为正式建设台站提供数据支持。     

全球大震和中国及邻区中强震地震活动(2011年9-10月)

本目录中的地震参数来自"中国地震台站观测报告"(简称"月报").其中,国内及邻区给出M≥4.7的事件,全球给出M≥6.0的事件、"月报"由中国地震台网中心按月做出.本目录中的发震时刻采用协调世界时(UTC);为了方便中国读者,也给出北京时(BTC).震中位置除给出经纬度外,还给出参考地区名,它仅用作查阅参考,不包含任何政治意义;还给出测定震源位置的台数(n)和标准偏差(SD).面波震级Ms是对中周期宽频带SK地震仪记录,采用北京台1965年面波震级公式Ms=lg(AH/T)+1.66 lg(△) +3.5(1°＜△＜130°)求得.AH是两水平分向最大面波位移的矢量合成位移.Ms7是对763长周期地震仪记录,采用国际上推荐的面波震级公式Ms7 =lg(Av/T)+1.66 lg(△)+3.3(20°＜△＜160°)求得.Av是垂直向面波最大地动位移.mb是短周期体波震级,ML是近震震级.为避免混乱,震级之间一律不换算.为方便读者,还给出美国NEIC定出的面波震级Msz和短周期体波震级mb.     

全球大震和中国及邻区中强震地震活动(2012年5-6月)

本目录中的地震参数来自“中国地震台站观测报告”(简称“月报”).其中,国内及邻区给出M≥4.7的事件,全球给出M≥6.0的事件.“月报”由中国地震台网中心按月做出. 本目录中的发震时刻采用协调世界时(UTC);为了方便中国读者,也给出北京时(BTC).震中位置除给出经纬度外,还给出参考地区名,它仅用作查阅参考,不包含任何政治意义;还给出测定震源位置的台数(n)和标准偏差(SD).     

全球大震和中国及邻区中强震地震活动(2011年11—12月)

本目录中的地震参数来自“中国地震台站观测报告”(简称“月报”).其中,国内及邻区给出M≥4.7的事件,全球给出M≥6.O的事件.“月报”由中国地震台网中心按月做出,本目录中的发震时刻采用协调世界时(UTC);为了方便中国读者,也给出北京时(BTC).震中位置除给出经纬度外,还给出参考地区名,它仅用作查阅参考,不包含任何政治意义;还给出测定震源位置的台数(n)和标准偏差(SD).     

无人机在路桥病害检测中的设计与实现

设计和开发了一种基于无人机的路桥病害检测系统,分别对无人机软硬件系统进行了相应开发,形成了具有自主知识产权的无人机自动避障系统、病害识别系统和路桥巡检管理系统等,实现了对路桥病害等目标信息的高精度提取和变化检测。与传统路桥病害检测相比,具有经济性、高效性、全面性和安全性等特点,实现了路桥病害检测的智能化、信息数据化和可视化,为公路桥梁养护提供了有力支撑。     

地震台站隔离式直流电源

在＂十一五＂新丰江数字地震台网的台站加密建设过程中,以AVR单片机为核心控制单元,设计了一套具有远程控制功能的隔离式直流电源,用于地震台站的设备供电,介绍了隔离式直流电源的系统特性、主要功能、系统架构及工作原理,重点阐述了该直流电源的隔离原理和功能实现,解决了野外仪器易受雷击的问题。     

高压输电线路对嘉山地震台地电观测影响分析

淮南至上海特高压交流输电示范工程是我国首条百万伏输电线路工程,该工程部分勘测线路要经过嘉山地震台地电观测区外南侧。利用拟蒙特卡罗数值积分方法计算在输电线路两侧由线路工作电流激发的工频电场,将计算结果分别与地电场和地电阻率观测时允许的工频骚扰电场强度进行比较,得到不同电压等级、不同塔型的交流输电线路在典型工作电流下不影响嘉山地震台地电观测的最小允许距离。     

激光雷达探测输电走廊安全风险研究现状

输电走廊环境监测和风险预警是电网防灾抗灾的重要研究内容。在激光雷达、物联网、无人机及计算机技术的发展与推动下,利用各种新型遥感监测与巡检手段进行输电走廊大范围、智能化巡检成为重要发展趋势。综合多种监测数据的线路安全风险评估与灾害预警,成为智能电网建设工作的研究热点之一。本文系统论述了应用激光雷达技术进行输电走廊安全风险探测的研究现状与发展趋势,分析了激光雷达在输电线路安全风险探测中的优缺点,讨论了激光雷达输电线路巡检和监测数据在输电线路安全风险评估预警中所面对的问题与挑战。     

基于RCNN的无人机巡检图像电力小部件识别研究

随着无人机（UAV)在电力巡线作业中的应用推广,对无人机巡检图像的信息挖掘或目标识别需求也越来越强烈。传统的电力部件识别流程常使用经典的机器学习算法,如支持向量机（SVM）、随机森林或adaboost,结合梯度、颜色或纹理等浅层特征来对电力部件进行识别,难以充分利用无人机巡检图像的信息,并且难以达到较高的准确率。卷积神经网络（CNN）在目标识别中表现优异,在很多目标识别场景之中成为首选算法。基于区域的卷积神经网络（RCNN）通过使用CNN从图像中提取可能含有目标的区域来检测并识别目标,但是计算复杂,难以满足识别海量电力巡检图片的需求。Fast R-CNN和Faster R-CNN利用CNN网络提取图像特征,后接一个区域提议层,优化了提取可能含有目标区域的方式并改进识别目标的分类器,使目标的检测和识别几乎实时。本文详细描述了Faster R-CNN算法流程,并在无人机电力线巡检图像部件检测中使用,然后分别对DPM、SPPnet和Faster R-CNN识别方法进行了对比分析,利用实际采集的电力小部件巡检数据构建的数据集对3种方法进行测试验证,并讨论了不同参数对识别结果的影响。实验结果表明,基于深度学习的识别方法实现电力小部件的识别是可行的,而且利用Faster R-CNN进行多种类别的电力小部件识别定位可以达到每张近80 ms的识别速度和92.7%的准确率。     

全球大震和中国及邻区中强震地震活动(2010年7-8月)

本目录中的地震参数来自"中国地震台站观测报告"(简称"月报").其中,国内及邻区给出M≥4.7的事件,全球给出M≥6.0的事件."月报"由中国地震台网中心按月做出. 本目录中的发震时刻采用协调世界时(UTC);为了方便中国读者,也给出北京时(BTC).震中位置除给出经纬度外,还给出参考地区名,它仅用作查阅参考,不包含任何政治意义;还给出测定震源位置的台数(n)和标准偏差(SD).