低空轻量级红外弱小目标检测算法

精准的红外弱小目标检测是实时监控、追踪、制导的关键;红外弱小目标存在检测难度高、误检高、漏检严重的问题。为了提高红外弱小目标检测算法的实时性和检测精度,提出了一种超轻量红外弱小目标检测算法SL-YOLO。首先,重设计下采样方案,针对红外图像特征信息调节网络架构,解决红外弱小目标特征梯度降低和特征消失问题;然后设计网络模型剪枝算法,实现剪枝算法与网络结构的融合,去除冗余参数,实现检测速度的提高;最后设计Varifocal-SIoU损失函数,在均衡正负样本与重叠损失的同时,对正样本进行加权处理,解决背景干扰问题。实验结果表明,在SIRST和IDSAT数据集下检测精度分别提高至96.4%、98.1%,模型体积和计算量可压缩至190 kB、0.9 GFLOPs,推理速度降至3 ms以下。与主流算法进行对比,改进后算法在检测精度、模型体积、计算量等方面均取得了不错的成绩。能够满足实时性检测需求。

轻量级红外目标检测算法研究

针对红外图像分辨率差、对比度低、信噪比低、视觉效果模糊等检测难点,提出一种基于YOLOv5的轻量化红外目标检测(Lightweight Infrared Target Detector-YOLO,LITD-YOLO)算法。LITD-YOLO算法重新设计网络结构,针对红外目标成像特征,将特征提取网络与特征融合网络结构重构。提高小感受野权重,重建浅层特征和深层特征之间的多尺度融合关系,提高浅层网络语义信息表征能力权重,增强对红外小目标的检测能力。引入Varifocal loss以实现交并比感知分类评分(Intersection over Union-Aware Classification Score, IACS)回归,使模型对密集目标的检测能力进一步加强。使用SIoU作为边框损失函数,用于提升预测框的准确度,同时加速模型收敛。实验结果表明,在FLIR和OSU数据集下模型检测精度分别提高至88.5%、99.7%,模型体积仅3.9 MB,参数量和算法复杂度大幅降低;与主流算法相比,LITD-YOLO在各项指标上均取得了不错的进步,在检测精度、模型体积和推理速度等方面具有先进性,能满足对红外目标的高质量检测。

轻量级锻件表面裂纹检测算法

针对复杂场景下缺陷检测算法占用内存大、计算复杂度高和检测速度难以满足实时需求等问题,本文提出一种基于YOLOv8的轻量级锻件缺陷检测算法。首先,采集重卡转向节生产流水线探伤车间的磁粉检测图像,构建锻件表面裂纹数据集;然后,提出轻量化卷积模块GSConvns,以增强特征交互并降低计算量;同时,引入Shape-IOU损失函数,优化训练效果;最后,利用LAMP剪枝策略去除不重要的权重参数,减少模型体积并提高检测速度。实验结果表明,模型的mAP值为83.8%,参数量和计算量分别减少85.05%和80.25%,检测速度从38.7 FPS提升至65.6 FPS,显著优于其他主流算法,更适用于实时检测。在公开数据集上的测试进一步验证了其泛化能力,与基准算法相比,未剪枝的改进算法mAP值提升了2.0%。综上,本文算法能在不显著降低检测精度的前提下,大幅度提升了检测速度和资源利用效率。

基于改进YOLOv8的SAR图像飞机目标检测算法

针对合成孔径雷达(Synthetic Aperture Radar, SAR)图像飞机目标检测算法存在模型复杂度较高、检测效果差、泛化能力弱等问题,提出了一种基于改进YOLOv8的SAR图像飞机目标检测算法。首先,针对SAR图像飞机目标较小的特点,剔除大目标检测层,重构特征提取网络和特征融合网络,降低模型计算量。其次,在主干网络引入可变形卷积(Deformable Convolutional Network, DCN),增强特征提取能力;在颈部网络引入全局注意力机制(Global Attention Mechanism, GAM)提高检测精度。最后,采用WIOU(Wise-IoU)损失函数提高收敛速度和回归精度。在SADD数据集(SAR Aircraft Detection Dataset)上实验结果显示,改进算法较原YOLOv8算法模型体积压缩59.66%,参数量降低61.18%,计算量减少18.29%,最高精度提高至98.1%。与其他算法相比,所提算法在保证较高检测精度的情况下大幅降低了模型体积、参数量和计算量,实现了模型复杂度和检测精度的平衡。

改进YOLOv5的军事飞机检测算法

针对遥感图像中军事飞机目标检测存在的精度低、漏检和虚警率高等问题,提出了一种基于YOLOv5s的轻量化遥感图像军事飞机目标检测算法——YOLO-Military Aircraft Recognition(YOLO-MAR)。提出新的网络结构,完成多尺度感受野权重调整,重设计特征提取网络和特征融合网络,实现小目标特征权重增加,并进行轻量化处理;使用FPGM对重构后的模型进行剪枝,极大地降低了模型的参数量和体积;使用SIoU Loss作为模型的损失函数,使模型的收敛速度加快并提升检测的精度。结果表明,在公开军用飞机数据集MAR20上,YOLO-MAR相比于原YOLOv5s,模型体积降低至3.95 MB,缩小了71.5%,经过剪枝后的模型体积最小可缩减至0.2 MB,模型平均检测精度最高可达91.7%,提高了2.34%,并且在检测效果、模型体积、参数量和计算量等方面具有先进性,能够对军用飞机目标进行高质量实时检测。

基于轻量级算法的水上垃圾小目标检测研究

针对水上漂浮垃圾检测中微小目标物体数量占比高、检测画面易受到水面波动和岸边环境反光等多重因素的干扰、检测模型庞大的参数量和计算量对终端的部署的设备性能要求高等问题,拟提出一种轻量化、高精度、实时性的检测模型LS-YOLO。首先,该算法利用HS-FPN金字塔网络设计构造YOLOv8的Neck网络结构,构建的网络结构牺牲小部分精度,显著降低了模型的参数数量和计算复杂度。其次,通过引入CAA上下文锚定注意机制改进HS-FPN,捕获远程上下文信息来回升检测精度。然后通过更换损失函数为具有动态聚焦机制的Wise-IoUv3,大幅提升检测效果,增加模型鲁棒性。最后,使用LAMP剪枝技术对模型进行剪枝,减小模型的参数量和计算量。实验结果表明,改进后的LS-YOLO相比基准模型mAP50提升了0.9%,回归率提升了3.2%,参数量降至基准模型的19.83%,计算量降至基线的44.44%,模型大小降至基线的22.22%。经过优化后的检测算法不仅显著提升了检测性能与特征提取的精准度,同时也便于在资源受限的硬件平台上的部署操作。

轻量化无人机遥感图像小目标检测算法

无人机遥感图像背景环境复杂,检测目标密集。针对无人机遥感图像小目标检测误检率和漏检率高的问题,提出了一种基于YOLOv5的轻量化目标检测算法——LUSS-YOLO。设计了一种新的网络结构——LUSS-YOLO来重构特征提取网络与特征融合网络,使其能够适应无人机遥感目标检测;使用EIoU损失函数,强调高质量样本权重以加速收敛,提高回归精度;使用VariFocal Loss训练算法网络结构,使IACS回归,从而在加速收敛的同时提高精度。实验结果表明,经过模型优化后,算法精度提升了6.4%;模型容量压缩至5.6 MB,相较原模型大幅下降;参数量相比原模型下降74.6%。相较于其他经典算法与先进算法,LUSS-YOLO在各方面表现出色,满足针对无人机遥感小目标的实时检测要求。

基于LOPA/SIL定级的化工设备报警系统优化设计与应用

针对石油化工设备报警系统存在报警信息不准确、操作人员响应不及时的问题,基于保护层分析(LOPA)和SIL定级相结合的分析方法,识别已有保护措施降低风险的能力,结合实际生产提出工艺生产报警智能系统设计方案。为验证该方案的可行性,以某工艺流程的化工设备报警功能设计和参数优化为例,表明经过优化的报警系统可以对脱乙烷塔低液位的初始事件进行修正,修正后的初始事件概率为0.13,财产损失风险降低因子(RRF)为75,SIL定级为SIL1。

基于改进YOLOv7的SAR图像舰船目标检测算法

针对SAR舰船数据集小物体在图像中像素占比小、物体识别不清、检测效率低等问题,提出一种改进YOLOv7的SAR舰船目标检测算法STSD-YOLO。首先,根据SAR图像特点,重新设计网络结构,改变多尺度特征融合与特征提取的关系,解决下采样次数过多而丢失细节特征的问题;然后,使用轻量型注意力机制Shuffle Attention,在空间域与通道域注意力机制基础上,融合特征分组与通道置换,提升网络特征提取能力,降低计算复杂度;其次,引入卷积变体DSConv,通过在可变量化内核中仅储存整数来实现减少计算量;最后,加入NWD度量,将边界框建模为2D高斯分布,以衡量小物体的边界框之间的相似性来增强对小物体的检测性能。使用HRSID舰船数据集进行了实验验证,结果表明,相较于基准算法,所提STSD-YOLO算法在舰船检测任务中mAP提升9.9%,模型体积下降62.55%。通过对比实验验证,所提改进算法对比其余主流算法检测效果更优,能有效解决SAR图像检测的问题,可以胜任SAR图像中的舰船检测任务。

基于YOLOv5的改进舰船目标检测算法

舰船已经成为海上军事重要的监测目标,针对SAR图像舰船目标检测存在检测效果差、计算量大、泛化能力弱的问题,提出一种基于YOLOv5和Mobilenetv3的轻量化舰船目标检测算法。首先,引入Mobilenetv3主干网络,降低模型计算量与体积,实现模型轻量化处理;然后,引入EIoU损失函数,提高预测框的回归精度和收敛速度;最后,在颈部网络中引入CBAM,在特征融合阶段进行注意力调整,提高模型检测精度与检测效果。在SSDD数据集上的实验结果显示,改进后算法模型体积压缩至原YOLOv5模型的18.32%,训练时间缩短35.22%,参数量减小至原模型的15.94%,计算量减小至原模型的10.76%,平均精度提升至98.3%。实验结果表明,改进后算法在保持高精度检测效果的情况下,大幅降低了参数量和计算量,减小了模型体积,并缩短了训练时间。

基于HAZOP分析YM输油站风险评估与预防

为了降低YM油田原油在输油站场工艺设备、油气管理等方面均存在潜在风险,采取HAZOP方法对YM输油站进行研究,开展了物料、工区、工艺过程和自然灾害等方面开展风险辨识和分析,准确识别出了4处风险隐患,结合HAZOP深入分析,共提出HAZOP建议预防措施8条,其中,II级风险的建议6条,III级风险1条。站内后续将有针对性做好相关的安全措施,完善相关操作规程,将有效避免不规范操作带来的危险隐患。

郑济高铁济南黄河桥五塔部分斜拉桥设计关键技术研究

部分斜拉桥具有刚度大、经济性好、施工方便等优点,近年来在高速铁路桥梁中得到广泛应用,但多为两塔结构。以郑济铁路济南黄河桥主桥为背景,针对高速铁路大跨度五塔四跨大跨度部分斜拉桥,就结构体系、边中跨比、梁-塔-索关键参数进行分析研究。经过综合比选研究,黄河桥选择了塔墩固结的结构体系,具有部分释放了温度力、桥梁刚度及轨面不平顺指标可满足高速铁路无砟轨道要求,梁部可采用减隔震措施,有效降低地震力,提升桥梁整体的经济性等优点。主桥采用较小的边中跨比,满足防洪不设辅助跨的要求,并可有效降低梁端转角,避免采用较大梁高引起全桥投资增加。塔高采用38 m,塔高的增加能明显减小梁部内力,但温度荷载下的变形也将相应增加,因此塔高的选择应综合考虑结构受力和轨道不平顺要求。拉索规格采用AT-61,增加斜拉索规格对桥梁刚度影响不大,但可显著减小梁部弯矩,同时会增加梁部不平顺值和残余徐变变形。

基于改进YOLOv8s的多尺度检测算法

针对绝缘子小目标特征信息不足导致的检测精度低、模型体积大不利于硬件移植等问题,提出一种多尺度检测算法MPH-YOLO。MPH-YOLO首先通过扩充小目标检测尺度,提高小目标感知能力;其次使用SIoU损失函数代替YOLOv8s中的CIoU损失函数作为边框损失函数,增强对目标的定位精度;最后引入更低成本的Ghost卷积代替网络结构中的传统卷积,轻量化模型的体积。改进后的算法在绝缘子数据集上的检测精度和模型轻量化均有提升,检测精度mAP50-95为86.2%,模型体积仅有4.7 MB。实验结果表明,MPH-YOLO不仅能够有效改善小目标检测,而且更加轻量化有利于硬件移植,具有较高的实用价值。

利用便捷式可见-近红外光谱仪和机器学习分辨霉变小麦及霉变程度

[目的/意义]可见-近红外光谱可对小麦霉变情况快速无损检测,但是高分辨率光谱仪价格高、体积大,不利于在农业环境中推广,因此通过对低分辨率光谱数据进行优化处理,以期接近高分辨率光谱仪分辨霉变小麦的效果。[方法]使用可见-近红外农产品检测仪(型号VNIAPD,分辨率1.6 nm)和复享光纤光谱仪(型号SIN02040,分辨率0.19 nm)采集100份小麦样本的新鲜状态以及不同霉变状态的光谱数据。首先对SINO2040光谱进行裁剪,让其和VNIAPD波长保持一致,均为640~1 050 nm;然后对其使用标准差标准化(Standard Deviation Normalization,SDN)、标准正态变换(Standard Normal Variation,SNV)、均值中心化(Mean Centrality,MC)、一阶导数(First-order Derivatives,1ST)、Savitzky-Golay平滑(Savitzky-Golay Smoothing,SG)、多元散射校正(Multiple Scattering Correction,MSC)等多种预处理方法处理并使用离群点检测算法(Local Outlier Factor,LOF)筛选出离群点并剔除;其次使用连续投影算法(Sequential Projection Algorithm,SPA)和最小绝对收缩和选择算法(Least Absolute Shrinkage and Selection Operator,LASSO)对预处理后的光谱进行特征波长提取;最后分别采用K近邻算法(K-Nearest Neighbor,KNN)、支持向量机(Support Vector Machine,SVM)、随机森林(Random Forests,RF)和朴素贝叶斯(Na?ve-Bayes)、后向传播神经网络(Back Propagation Neural Network,BPNN)、深度神经网络(Deep Neural Networks,DNN)6种算法对特征波长光谱进行建模分析,从而分辨霉变小麦以及区分霉变程度。[结果和讨论]BPNN、DNN两种神经网络模型的测试集准确率均可达到100%,但是建模时间长,模型内存大;而KNN、SVM、RF和Na?ve-Bayes浅层模型的测试集准确率为93.18%~100%,建模速度快、模型内存小。本研究光谱仪VNIAPD在光学参数(光学分辨率1.6 nm)低于SINO2040的光学参数(光学分辨率0.19 nm)且成本更低的情况下,检测准确率到达同一水平。[结论]本研究通过对比光谱数据的不同预处理方法从而找出了对应算法的最佳数据优化选择,使低分辨率光谱仪VNIAPD检测霉变小麦性能可以追平高分辨率光谱仪SINO2040,为基于可见-近红外光谱的小麦霉变低成本无损检测提供了新选择。

多尺度下遥感小目标多头注意力检测

针对地理空间遥感图像中检测目标存在多尺度特性、形态多变以及小目标判别特征过少等造成检测识别精度不高的问题,提出了基于多尺度下遥感小目标多头注意力检测算法YOLO-StrVB。对网络结构进行重构,搭建多尺度网络模型,增加目标检测层,提高特征提取网络下遥感小目标模型不同尺度下的检测能力;加入双向特征金字塔网络(Bi-FPN)进行多尺度特征融合,提高双向跨尺度连接和加权特征融合;在YOLOv5网络末端融合Swin Transformer多头注意力机制块,提升感受野适应目标识别任务的多尺度融合关系,优化主干网络;使用Varifocal loss对网络进行训练,提升遥感密集检测小目标的存在置信度和定位精度,并选用CIoU作为边界框回归的损失函数,提高感知分类得分(IACS)的边框回归精度。通过在遥感目标数据集NWPU VHR-10上的实验验证,对比YOLOv5原模型的mAP提高了3.05个百分点,能有效提高小目标的检测精度,达到了对地理空间遥感图像中小目标检测的鲁棒性。

轻量化SAR图像舰船目标检测算法

精准的舰船目标检测技术能够提升武器装备的全方位感知能力。针对复杂环境下SAR舰船目标检测虚警、漏警问题严重,提出一种基于YOLOv5的轻量化SAR图像舰船目标检测算法3S-YOLO。3S-YOLO首先对网络结构进行重构,调节感受野与多尺度融合关系,实现特征提取网络和特征融合网络轻量化处理;然后,对网络进行剪枝,通过基于几何中值的剪枝算法对网络进行压缩,加快推理速度;最后,使用可变焦损失函数对网络进行训练,使感知分类系数回归。结果表明,算法经过优化后,精度最高可提高至99.1%;经过剪枝后,模型体积大幅下降,可压缩至190 kiB,下降98.6%;算法推理速度提升4倍,推理时间缩短至3 ms以下。相较于当前主流算法,3S-YOLO在各方面均取得了不错的成绩,满足SAR图像实时舰船目标检测。

基于改进TOPSIS的动态权重负载均衡算法

针对微服务架构下服务器集群在高并发场景下负载失衡等问题,提出一种基于改进逼近理想及排序法(TOPSIS)的动态权重负载均衡算法。根据各后端服务器硬件配置差异,引入权重系数,权重越大表明该后端服务器当前处理请求优先级越高;设计一种计算理想贴近度作为动态权重的TOPSIS模型,结合熵值赋权法计算负载信息指标的权重对后端服务器进行综合权重赋予;通过收集运行中各后端服务器的实时负载信息,提出一种最少上报策略周期性修改后端服务器权重,最大化利用集群资源。实验结果表明,微服务架构下的服务器集群在高并发场景下,该算法对比当前主流负载均衡算法具有更低的响应时间和更高的吞吐量。

基于Transformer-XL-DNN的网络入侵检测方法

网络入侵检测(NIDS)是保障网络安全的重要手段。目前,基于深度学习的网络入侵检测方法难以高效捕捉数据时序特征,存在分类准确性和实时性难以平衡的问题。提出了一种基于Transformer-XL和DNN的混合模型Transformer-XL-DNN。该模型采用Transformer-XL多头注意力机制对网络流量数据的全局特征进行初步提取,利用其独有的循环机制和位置编码方法高效地捕捉特征之间的时序信息。采用Transformer-XL的残差连接对这些数据特征进行恒等映射,以应对模型中的梯度消失和网络退化问题。采用DNN模型提取深层抽象特征,通过Softmax分类器输出分类结果。同时,采用自适应过采样方法(ADASYN)使网络攻击流量和正常流量保持相对均衡,解决网络入侵检测训练数据集数据不平衡的问题。实验表明,在NSL-KDD数据集上TransXL-DNN的二分类准确率达到90.26%,明显优于TCN-DNN、BiLSTM-DNN、Transformer-DNN等网络入侵检测模型。

高铁大跨度长联连续钢桥铺设无砟轨道的适应性

雄安—商丘高铁黄河桥主桥(60+80+4×260+280+80+60) m连续钢桁梁柔性拱桥上铺设无砟轨道,具有结构构造复杂、跨度大、联长长、温度敏感性高等特点。本文以该桥为对象,研究高铁长联大跨度连续钢桥桥上铺设无砟轨道的适应性。采用MIDAS/Civil建立全桥空间有限元模型,对竖向刚度、梁端转角、桥面系结构构造、梁端伸缩装置及车-线-桥耦合振动动力响应进行研究。结果表明:钢桁梁柔性拱的结构可为无砟轨道提供较大的竖向刚度,保障安全行车的平顺性;采用较短边跨组合可有效减小梁端转角;设置断缝的混凝土桥面板轨面平顺性优于不设置断缝的连续桥面板;在相同抗剪安全系数的情况下,混凝土垫层与钢桥面板之间的连接采用圆柱形剪力钉经济性优于PBL(Pretensioned Bolted Lock-up)剪力键。通过梁端变形计算,建议选择伸缩量为±600 mm的钢轨伸缩调节器,可满足本桥梁端变形要求;通过车-线-桥耦合振动动力仿真分析,列车各项动力性能指标及乘坐舒适性均满足规范要求。

六线钢箱叠合拱桥减振降噪方案研究

北京铁路枢纽丰台站改建工程高架层采用平层六线钢箱叠拱桥跨越北京西四环路。桥梁位于北京都市区,采用全钢结构,且桥上运行六线铁路,列车通过频繁,须开展结构降噪研究。基于统计能量分析法进行结构噪声的预测,得到桥梁附近不同位置的A计权声压级,本桥在列车通过时,声压级为62.0~78.9 dB(A),结构辐射噪声突出,随着距线路中心线的距离增加,结构辐射噪声衰减明显。桥梁各部分辐射的声压级大小规律为纵梁腹板>桥面板>纵梁下翼缘板。同时提出了采用约束阻尼层降低结构噪声的方案,桥梁敷设约束阻尼层后,场点噪声最多可降低4.3 dB(A),结构噪声降低了一半以上的能量,降噪效果明显。