复杂场景下无水尺水位的影像水位反演智能检测方法

实现精细化水务管控和洪涝灾害预警,需要实时、准确感知水位突变事件。现有技术不能满足夜晚、雾霾、雨天、雪天、漂浮物遮挡及阴影等复杂恶劣环境下的水位识别需求。为此,本文提出一种融合改进YOLOv5与卡尔曼滤波原理的无水尺水位智能检测技术:①引入YOLOv5对水位线(水岸分界线)进行检测,并利用线性拟合方法获得实际水位线;②针对水位线在延伸方向无限大而在其法向无限小特点,提出强化中尺度特征的多层级特征融合方法改进原YOLOv5算法;③利用卡尔曼滤波引入水位历史信息作为先验知识,提高本技术对复杂恶劣环境的泛化性能;④将图像中事先标定的固定的标志物加入到深度学习网络中训练,根据标志位真实尺寸解算实际水位高程,实现无水尺检测方案。相关试验和实践表明,改进的YOLOv5更加轻量化;本文所述水位智能检测技术斜率准确性为97.3%,较原算法提高了2.4%;截距准确性为99.3%,较原算法提高了0.5%;在夜晚、雾霾、雨天、雪天、漂浮物遮挡及阴影等复杂恶劣环境下可以自动、准确识别出水位高程,误差小于0.1 m。

基于串并行双分支网络的冲击波信号重构方法

通过有限测点数据重建冲击波场内压力分布、通过残缺数据重构完整的冲击波压力曲线,对武器威力以及目标毁伤评估具有重要价值。针对爆炸冲击波信号重构问题,建立Res-GRU分支以串行方式捕捉冲击波超压信号局部时序依赖关系;建立Transformer分支以并行方式分析信号全局潜在特征;建立特征融合单元进行高阶特征融合,实现不同阶段信息逐层互补;进而构建了基于门控循环单元(gated recurrent unit,GRU)和Transformer模型的串并行双分支网络(G-TNet)。试验研究表明:G-TNet综合考量了信号的时序关系、数据变化规律等特征信息;在基于有限测点数据的冲击波场压力分布重构试验中,重建的模拟、实测超压数据与原始值之间均方误差(mean square error,MSE)分别为5.0×10^(-6)、1.2×10-3,平均峰值误差分别为0.49%、27.01%,平均正压时间误差分别为15.62%、15.91%,平均比冲量误差分别为17.66%、19.33%;在基于残缺数据的冲击波压力曲线重构试验中,重构的模拟、实测信号的缺失值与原始值之间MSE分别为5.0×10^(-6)和5.0×10^(-4),平均绝对误差(mean absolute error,MAE)分别为0.0010和0.0171;G-TNet重构结果优于主流方法,满足爆炸冲击波压力重构指标要求。

层叠型缓冲靶板对弹载测试仪的保护作用研究

使用空气炮模拟火炮发射时的高过载环境对弹载测试仪进行测试时,弹丸撞击靶板会产生尖峰脉冲对测试仪造成严重的损伤,为提高测试仪的存活性,展开对缓冲靶板层叠方式(不同材质的靶板相互叠加的叠层结构)的研究。通过撞击动力学理论描述弹丸对靶板的压缩和侵彻行为,并结合动量守恒和能量守恒定律计算出靶板参数和传递到靶板上的冲量的关系。使用ANSYS/LS-DYNA建立弹丸正侵彻靶板模型,弹丸速度为200 m/s、质量为5.5 kg,仿真结果表明:3层总厚度450 mm的泡沫铝+泡沫铝+橡胶组合方式能有效消除尖峰脉冲并缩短弹丸对靶板的作用时间,加速度均值约为7 000g,脉宽为2.8 ms。受条件限制,空气炮试验采用弹丸质量为5.5 kg、速度为150 m/s,并将缓冲靶板的单层厚度减小到100 mm,结果表明:在泡沫铝+泡沫铝+橡胶组合方式下,弹丸结构和测试仪功能完好,加速度均值约为27 000g,脉宽为0.55 ms。

基于CycleGAN和Pix2Pix的轨面缺陷图像智能生成技术

为解决基于人工智能的高动态高精度轨道巡检技术的小样本学习难题,提出基于CycleGAN和Pix2Pix生成的对抗网络模型,实现小样本数据集语义特征学习和钢轨轨面缺陷数据的智能生成。其中,Pix2Pix模型生成特定类别的轨面图像;而CycleGAN模型将无缺陷轨面图像转换成有缺陷轨面图像,且缺陷样式不受定式约束。因此,在维持轨面缺陷类别不变而形态各异的基础上,实现了轨面缺陷数据集的大规模增强,解决了小样本数据集存在的数据分布不平衡、数据缺乏多样性以及数据标注难度高等难题。利用VGG19、YOLOv5和UNet进行性能测试,试验表明:生成的轨面缺陷图像增强数据集在图像分类任务中的准确率为81.177%,较原数据集增加了23.138%;在目标检测任务中,准确率为91.90%,增加了26.60%,召回率为87.20%,增加了16.00%,均值平均精度为93.50%,增加了18.30%;在语义分割任务中Dice得分为71.015,较原数据集提高6%。研究结果对解决轨道巡检技术小样本学习难题具有重要应用价值。

层理方向对含预制裂纹页岩Ⅰ型断裂特性的影响

层状页岩受内部层理方位分布特征的影响,其力学性质常表现出明显的各向异性特征。为了探究层理方向对层状页岩Ⅰ型断裂特性的影响,针对不同层理倾角β、预制裂纹角度为0°的半圆盘试件开展三点弯曲静态压缩试验和数值模拟试验。试验结果表明,试件的Ⅰ型标准化应力强度因子YⅠ会随着层理倾角的变化呈现出明显的差异性,并与层理倾角呈现出良好的三次函数关系,且仅在层理倾角β为0°和90°时,试件表现为纯Ⅰ型断裂模式,即层理倾角的变化会改变试件的断裂模式。同时,试件的Ⅰ型断裂韧度随着层理倾角的增大而逐渐减小,并与层理倾角呈二次函数关系;当层理倾角与预制裂纹角度垂直时,试件的Ⅰ型断裂韧度最大;而当层理倾角和预制裂纹角度平行时,试件的Ⅰ型断裂韧度最小。另外,基于扩展有限元法(XFEM),对半圆盘层状页岩试件的破断机制进行研究,验证了试验和计算结果的准确性。

复杂恶劣环境下水位智能检测方法研究

实现智能化水务管控和洪涝灾害预警,需要实时、准确感知水位信息变化情况。针对现有技术不能满足夜晚、雾天、雨天、漂浮物遮挡、灯光阴影等复杂恶劣环境下的水尺水位的影像水位反演(小目标特征)识别需求,提出一种融合改进YOLOv5与RankSE的水位智能检测方法。首先,采用强化小尺度特征的多层级特征融合方法来改进YOLOv5算法,以强化对小目标的捕捉能力;其次,融入RankSE模块进一步提升对小目标的感知能力;最后,提出一种全新的水位高程解算方案,仅需利用部分水尺锚框信息即可获得准确的水位高程信息,极大提升了检测方法的鲁棒性。研究结果表明,本文所述方法水位检测相对准确度达98.5%,较原算法提高了8.4%;在复杂恶劣环境下可以自动、准确识别出水位高程,最大误差仅为0.11 m。研究结果有效提升了复杂恶劣环境下水位检测的准确性。

融合Transformer与残差通道注意力的恶劣场景水位智能检测方法

精准感知水位信息变化是实现精细水务管控和洪涝灾害的关键环节之一,而低照度、雾霾、雨雪、冰冻、波浪、镜头抖动等恶劣场景给水位检测带来极大挑战。针对现有方法中难以实现水位精准检测难题,构建一种融合Transformer与残差通道注意力机制的Unet模型(TRCAM-Unet),进而提出基于TRCAM-Unet的恶劣场景水位智能检测方法。关键技术包括通过全尺度连接结构实现多层次特征融合,通过Transformer模块强化区域特征的关联性,通过残差通道注意力模块强化有用信息的表达并削弱无用信息的干扰。相关试验和实践表明,TRCAM-Unet取得了98.84%MIOU评分与99.42%的MPA评分,在约150 m距离外水位检测最大误差不超过0.08 m,水位偏差均值(MLD)仅有1.609×10^(-2)m,优于Deeplab、PSPNet等主流语义分割算法。研究结果对解决恶劣场景下水位精准检测难题及洪涝灾害预警具有重要应用价值。

基于LBF改进模型的煤岩细观结构研究

为了准确全面地获取灰度不均匀的煤岩图像的细观结构信息,引进了基于LBF模型的图像处理方法,并针对其处理灰度不均一图像效率低和分割结果依赖于初始轮廓位置和大小的缺点,分别引入图像增强算子和规范初始水平集函数进行改进。通过对煤岩的3种不同图像进行灰度化、图像分割、形态学处理,获得了高质量的煤岩细观结构二值图像,并分析了各细观参数的统计规律。试验结果表明,基于LBF改进模型的图像处理方法能有效处理灰度不均匀的煤岩图像,获得的细观结构信息可为数值模拟煤岩试件提供真实的几何模型,为煤岩细观损伤力学分析提供可靠的技术支持。

基于深度学习的爆炸冲击波信号重构模型

针对爆炸冲击波信号重构问题,引入深度卷积神经网络(DCNN)捕捉冲击波信号的局部信息和高阶特征,引入双向长短期记忆网络(Bi-LSTM)捕捉冲击波超压数据时序依赖关系,进而构建了基于深度学习的爆炸冲击波信号重构模型。相关实验研究表明,本文构建的爆炸冲击波信号重构模型,综合考量了信号的时序关系、频谱特征、数据变化规律等特征信息;在基于有限测点数据的冲击波场压力分布重构实验中,模拟和实测超压峰值平均误差分别为3.53%和13.71%,正压作用时间平均误差分别为7.35%和14.26%,比冲量平均误差分别为4.02%和11.92%;在基于残缺数据的冲击波压力曲线重构实验中,模拟和实测信号重构的缺失值与原始值基本吻合,且偏差均在0附近;均满足爆炸冲击波压力重构指标要求。研究结果对爆炸冲击波信号重构有重要指导意义。

基于FPGA的卷积神经网络反向加速设计与实现

卷积神经网络(CNN)计算量大,网络训练时间长,借助现场可编程门阵列(FPGA)良好的并行性,可加速其反向网络的参数训练过程,从而加快训练速度。首先,所设计的CNN反向加速网络具有良好的加速性能;然后,设计了CNN的FPGA硬件加速系统和一个加速计算模块,且用Kroneck乘积计算来减少CNN参数和时间复杂度;最后,进行Zedboard纯PS训练和使用反向网络PL加速器训练CNN的对比实验。实验结果表明:基于FPGA CNN的反向加速性能是仅在纯CPU上进行神经网络加速的111.15倍。

基于混合算法改进的采煤机采高仿人智能控制模型设计

为解决基于仿人智能控制的采煤机采高控制系统在模态转换时易发生边界突变、稳定性差、模态参数不易确定等问题,提出一种基于模糊逻辑改进模态切换,利用粒子群算法优化参数的仿人智能控制模型。该模型将仿人智能控制误差相平面e—e的特征模态扩展为模糊集合,通过模糊逻辑推理跟随误差和误差变化实时地选择最优的控制模态,通过粒子群算法跟随误差和误差变化实时地调整控制模态参量。以阶跃响应模拟在煤岩界面遇见断层的控制性能仿真实验表明,所提出的仿人智能控制模型相较于原始仿人智能控制算法稳定时间提高了4.71 s、上升时间提高了0.345 s、峰值时间提高了0.671 s、超调量降低了5.458%。所提出的模型在系统模态转换时的稳定性、快速性、鲁棒性及参数寻优方面均好于其他控制模型,具有优越性。

基于深度学习的恶劣战场环境图像恢复方法

为实现恶劣战场环境下降质图像的有效恢复、降低环境因素对战场态势感知的干扰,构建一种全新的、端到端的图像恢复方法——门控采样网络(GSNet).该网络以编码块-解码块为基本架构,以CNNs与门控卷积为编码与解码机制,以压缩和激励网络为编码块与解码块的连接机制,以高阶信息重要程度的重标定区分目标与背景特征,以通道粒度因子压缩方法为轻量化策略,实现对战场恶劣环境图像的快速恢复.相关实验结果表明,GSNet模型可使PSNR达到19.35 dB,并且SSIM达到0.724,无论是客观指标评价还是主观视觉效果,性能均优于对比的主流图像恢复算法;轻量级GSNet模型在较小提升PSNR、SSIM等指标的情况下,其参数量、FLOPs以及单张图像处理时间分别降低56.6%、54.6%和55.56%.

融合改进YOLOv3与三次样条插值的煤岩界面识别方法

YOLOv3是一种兼具检测精度与速度的深度学习目标检测算法。针对煤矿智能化开采的关键技术瓶颈——煤岩界面识别难题,利用深度可分离卷积改进YOLOv3算法,有效提升煤岩界面识别的精度和效率;针对煤岩界面连续和贯穿的特点导致的传统目标检测评测指标无法准确评价算法识别准确性的问题,建立了新的煤岩界面识别准确性评测指标;利用三次样条插值算法对煤岩界面识别预测框中点进行拟合,获得了接近真实的煤岩界面曲线。相关试验结果表明,改进YOLOv3的训练参数规模减少了约80%,测试时间减少了约5%;采用新的评测指标,在x和y方向上的准确率分别提高了5.85%和16.99%;提取的煤岩界面曲线较真实值误差控制在4.1%以内。

基于小波-EEMD-Adaline网络的容栅传感器信号去噪方法

针对容栅传感器检测的转动轴扭振信号掺杂的环境噪声干扰和自身的电磁噪声干扰使得信噪比低、微弱信号难提取的问题,提出了一种基于小波-EEMD-Adaline自适应线性神经网络去噪方法。该方法对信号进行小波、EEMD、Adaline网络消噪处理,采用三级去噪、噪声过滤、对消来逼近原始信号。用典型加噪超声信号、Doppler信号、Block信号对该方法进行有效性验证,与EEMD、基于小波分解的EEMD去噪效果相比较。实验结果表明,后两种方法信号去噪的SNR提升小(均不到20),而本文方法 SNR(RMSE)提升(减小)明显,对于9 d B的Doppler信号SNR提升达90,RMSE从1.038 5降至0.009 5。对容栅电路实测大噪声微弱信号去噪,结果表明,该方法去噪性能更优,去噪后信号光滑性好,波动稳定性强。

高可靠性煤矿井下火源无线预警监测系统

鉴于无线ZigBee协议传输数据率低、距离短,为进行煤矿井下大范围高密度火源监测任务,设计一种高可靠性煤矿井下火源无线预警监测系统。在井下煤自燃隐蔽区域布置感温电缆,利用WaveMesh移动自组网协议多跳网络并行传递数据,根据节点路径选择算法选择传输的最佳路径,通过光纤冗余环网传输至监测终端。该系统以可靠性、健壮性和易移植性为设计原则,针对硬件抗干扰和防爆,射频转发相邻节点数据并设置避让机制,WIFI模块或RS485模块及接口模块二选一通信,光纤冗余环网传输数据。经试验表明,无线传感网络最大通信距离为37 m。采用WaveMesh多径路由协议,组成多跳网络在不同路由间自由切换,能够充分利用无线信号的冗余性。

含初始损伤的煤统计损伤本构模型研究

基于数字图像处理技术和Monte-Carlo理论重构了煤体细观结构单元,假定煤微元强度服从对数正态分布建立煤统计损伤本构模型,并计算得初始损伤值.结果表明:1)基于门限处理和形态学相结合确定种子点位置的区域生长法,可有效提取煤SEM图像的细观结构信息;2)煤细观结构几何参数分别服从特定的统计分布,通过Monte-Carlo法模拟的细观表征体元可较好地描述煤初始损伤情况;3)构建的模型能较好地模拟煤变形破坏全过程,尤其是初始压密阶段.

基于改进的C-V模型煤岩细观裂隙图像处理及其应用

为了准确全面地获取煤岩细观图像裂隙信息,引进基于偏微分方程的图像处理技术,阐述无边缘活动轮廓模型(C-V模型)的原理,并针对C-V模型的不足,提出一种基于图像增强函数的改进C-V模型。采用改进的C-V模型分别对包含单一裂隙和多裂隙煤岩细观图像进行处理,获得高质量的煤岩细观裂隙二值图像,并通过量化处理,定量地得到了有效的煤岩细观结构特征参数,为后续煤岩渗流计算和损伤计算等深入研究奠定了基础。研究表明,针对对比度较低、灰度不均的煤岩细观图像,改进的C-V模型比原C-V模型取得了更好的图像分割效果和更准确的煤岩细观结构定量信息,可以应用于煤岩渗透率和损伤因子的计算。

辉绿岩瞬态卸压下强度及变形特性数值模拟

为探讨深部高应力脆性岩体爆破开挖瞬态卸压过程的强度、变形等力学特性,利用三维离散元程序的Mohr-Coulomb应变软化关系建立辉绿岩真三轴应力数值模型。在计算5组应力状态(σ2,σ3)岩样的三轴强度基础上,开展了恒定σ2卸压时间分别为2.5ms(卸压模式1)和250ms(卸压模式2)的峰前卸侧压σ3的数值模拟实验。模拟研究结果表明:1)岩样卸压极限强度较三轴抗压强度低,且等于峰前卸侧压值,说明卸压破坏应力小于加载破坏应力;2)卸压模式1实验应力跌落与应变突跳立刻发生,无滞后性;3)相同应力状态下,卸压模式1实验的应变改变量Δε3普遍较大;4)应力和应变的改变在卸压模式1实验过程中几乎不受卸压速率的影响。

融合OBE与PAD理念的智能控制课程教学模式研究

在"新工科"建设和工程专业认证指导思想下,本文分析了智能控制课程特点、教学现状及存在的问题,提出融合成果导向教育与对分课堂理念的智能控制课程教学模式,形成以教师为中心的授课环节、以学生为中心的拓展环节、以成果为导向的考核环节等互相耦合的教学活动体系。中北大学电气工程与智能控制专业教学实践表明,该模式可有效提升智能控制课程教学水平和学生运用智能控制技术的能力,具有良好的教学效果。