A Study of Precision Factors of Large-scale Object Surface Profile Laser Scanning Measurement

In this paper, we presented a method of using the l as er scanning triangulation for the non-contact 3D surface profile measurement of large-scale object. The characteristic of large-scale object non-contact mea surement is analyzed and the measuring method is proposed. Main factors influenc ing measurement precision such as image distortion and accurate designation of s peckle center are analyzed and methods of solving these problems are proposed. W e designed a combined filter by which the pulse noise and the Gaussian noise of speckle image can be eliminated efficiently. Using the characteristic of intensi ty distribution of laser speckle image we proposed a new approximating method th at could locate the center of laser speckle image at sub-pixel. The auxiliary v ariables are set to linearize the relationship between the image displacement an d the distance, the accurate values of laser triangulation system parameters cou ld be calibrated accurately and the measuring precision is increased remarkabl y. Using the above techniques we designed a measuring system based on laser sc anning triangulation. The results of the experiment show that these methods can raise the measuring precision of large-scale 3D surface profile effectively.

大模型时代:电力视觉技术新起点

随着无人机、巡检机器人和远程监控系统在输电、变电、配电、安监等电力场景中的广泛应用,利用电力视觉技术完成对海量巡检图像的自动处理,能够进一步提升电力系统智能化运维水平,对我国源网荷储一体化进程的快速推进具有至关重要的作用。随着通用视觉大模型的兴起,电力视觉技术正处于从传统深度学习时代向大模型时代跨越的重要节点。该文首先综述了电力视觉技术和通用视觉大模型的最新研究进展,结合视觉大模型在多种公共场景的应用先例,探讨视觉大模型在电力视觉领域将面临的3重能力边界问题。从初步探索通用视觉大模型的潜力,到逐步构建电力视觉大模型的过程,提出4种模型应用范式以突破视觉大模型能力边界。最后分析了视觉大模型对电力视觉研究者的影响,并对大模型浪潮下电力视觉技术的发展方向进行了展望。

超越大语言模型:物导向哲学路径下的意义生成

人类创造是人们通过构建关系之网以确证自身在世界之中的位置,塑造意义世界的基础,此种构建需要某种“超越”的外部之物作为支撑。目前,大语言模型已经在智能生成方面表现出巨大的创造潜力,甚至在部分原创性任务中可以取代人类创造,这或将对人类的意义世界造成潜在性威胁。究其症结在于,大语言模型的底层生成逻辑是建立在相关主义基础之上的,而这种基础预设在激进化演绎的同时不可避免地暴露出其深层局限。一方面,大语言模型以“相关主义循环”的方式将自身封闭于字面主义的符号表征与现有的固定范式之内,使得“超越”之维不再可能;另一方面,大语言模型的智能生成功能对于现实架构的渗透性影响又转而超越了相关主义的可理解范畴。从长远角度来看,这种深层矛盾必将冲击一直以来人类从单一主体视域出发建构而成的意义世界。人类何以突破相关主义的内在生成逻辑,维护自身意义世界,这是智能技术时代人类必须直面的问题。立足“物导向哲学”,实现对大语言模型生成逻辑的“超越”,其意义在于这种“超越”的双重性,既能更包容地将大语言模型类智能机器及其功能纳入“物”的可阐释范畴,又能以去中心化的方式突破相关主义束缚,借助“联合实在”的美学活动,通向超越性的外部,为人类创造添注活力,为人类意义世界提供支撑,以此开辟出“超越”大语言模型的意义生成之路。

一种采用混合策略的大规模多目标进化算法

现实中存在大量的大规模多目标优化问题,这些问题所固有的目标函数间冲突性、巨大的搜索空间以及决策变量可能存在的交互等特征对传统的多目标进化算法构成了巨大的挑战.研究者根据此类问题的特点基于不同的视角提出了多种大规模多目标进化算法,但它们在解题的质量和效率方面尚存较大的提升空间.基于此,提出一种采用混合策略的大规模多目标进化算法LSMOEA/HS.该算法提出的一种黄金分层分组方法将大规模决策变量分成收敛性组和多样性组,然后对收敛性变量组执行基于变量组的相关性检测操作,将收敛性变量组划分成若干更小规模的子组,最后算法采用不同的优化策略分别优化收敛性变量组和多样性变量组以获得最终的解题结果.为验证LSMOEA/HS的有效性,将其与五种新近提出的高效的大规模多目标进化算法一同在决策变量维度为200、500、1000、2000和5000的2-目标和3-目标的LSMOP系列测试实例上进行IGD和HV性能测试,实验结果表明LSMOEA/HS具有显著较优的收敛性和多样性.由此表明,LSMOEA/HS是一种颇具前景的大规模多目标进化算法.

在VB中用OLE控件显示数据库中的BLOB数据

介绍了一种在VB中通过ADO(ActiveX Data Objects)的Stream对象操作数据库中BLOB(Binary LargeObject)数据(如图形、声音文件或带格式的大文本文件等),并将其显示在OLE控件中的简单、高效的方法,阐述其工作过程及特点,并以处理SQL Server中Image字段为例加以说明。

基于改进多目标粒子群的大型设备群检测策略优化方法

在大型履带起重机群(大型设备群)检验检测中,存在检测工期紧、检测质量和人员安全要求高、经济效益最大化等多目标约束下的最优检测策略制定问题,为此,提出了一种基于改进多目标粒子群的大型设备群检测策略优化方法(MOPSO)。首先,利用变异算子对传统的多目标粒子群算法优化方法进行了改进;然后,根据大型设备群检测项目的实际需求构建了检测工期、检测成本、检测质量与安全的多目标优化模型,并确定了各子目标的约束条件;最后,将该优化算法和构建的模型应用于大型履带起重机群的检测项目中,对该方法的有效性进行了验证。研究结果表明:与传统检测策略相比,在保证质量和安全的前提下,利用该方法得到最优的检测策略,其检测周期仅需3/4,检测单位成本节省了14%,受检单位成本节约了32.8%,极大地提升了检测效率,降低了企业和检验单位人力、经济和时间成本。因此,该方法具有良好的实用性和推广应用价值。

1981~2020年华南地区区域性极端降水事件研究

基于华南地区176个国家级自动气象站资料以及1981~2020年ECMWF ERA5再分析资料,采用区域性极端事件的客观识别方法(OITREE)、合成分析等方法,本文研究了华南地区区域性极端降水事件的时空分布特征,并分析了事件偏多年及偏少年的大尺度环流特征。主要结论如下:区域性极端降水事件的频次在年际尺度上的周期变化较为明显,并具有较明显的月变化特征,高发时段为5~6月;在极端强度及影响范围上,华南地区大部分区域性极端降水事件强度约130 mm d^(-1),较少事件强度超出320 mm d^(-1),且区域性极端降水事件的影响范围呈显著上升趋势(约310 km^(2)a^(-1));在事件的综合强度上,综合指数Z呈现显著的上升趋势[0.05(10 a)^(-1)],表明事件强度呈现显著增加的趋势;在大湾区及广东北部,区域性极端降水事件的累计降水及其对总降水的贡献呈显著上升趋势,而在广西南部地区,两者呈下降趋势;在事件偏多年,华南地区存在显著的西南风水汽输送及整层水汽通量强辐合的特征,而在事件偏少年,华南地区具有整层水汽通量辐合偏弱的特征;一般降水日,850 hPa上华南地区位于弱偏东南风区,区域性极端降水事件降水日,华南地区位于气旋性环流的东南部,受到明显的西南风风速大值带影响。

基于人工蜂群算法的大规模武器目标分配研究

针对大规模武器目标分配问题,本文提出一种改进的多目标武器目标分配模型,该模型将武器平台泛化为武器,并将武器平均飞行时间作为第2个优化目标。为有效解决这类问题,本文还提出了改进的自适应离散多目标人工蜂群算法。该算法基于人工蜂群算法和非支配排序策略,引入了自适应算子操作数、重用蜜源探索信息的变异概率策略,并通过蜜源之间、蜜源与外部解集之间的交互以提高算法的收敛性,通过算子的随机选择保持种群多样性。最后通过不同规模武器目标分配的对比实验,证明了所提自适应算子操作数与重用蜜源探索次数的变异概率策略的有效性,并与MOABC、MOPSO、NSGA-II算法在反向世代距离、超体积、时间3个方面进行比较,本文算法能够在保证时效性的前提下得到质量更好的Pareto解集。

基于自变量简约的大规模稀疏多目标优化

现有的大多数进化算法在求解大规模优化问题时性能会随决策变量维数的增长而下降。通常,多目标优化的Pareto有效解集是自变量空间的一个低维流形,该流形的维度远小于自变量空间的维度。鉴于此,提出一种基于自变量简约的多目标进化算法求解大规模稀疏多目标优化问题。该算法通过引入局部保持投影降维,保留原始自变量空间中的局部近邻关系,并设计一个归档集,将寻找到的非劣解存入其中进行训练,以提高投影的准确性。将该算法与四种流行的多目标进化算法在一系列测试问题和实际应用问题上进行了比较。实验结果表明,所提算法在解决稀疏多目标问题上具有较好的效果。因此,通过自变量简约能降低问题的求解难度,提高算法的搜索效率,在解决大规模稀疏多目标问题方面具有显著的优势。

大尺度自然地理实体边界智能化提取方法——以大别山为例

为了解决语义明确但空间位置与分布范围并不明确的自然地理实体(PGO)在地图中的分布范围或边界表达问题,提出一种PGO边界的智能化提取方法。首先利用给定的语义词,自动搜索网络地图大数据;接着在顾及PGO的连续空间分布特性基础上,运用空间聚类算法确定PGO的大致范围;然后利用PGO的几何特征(如山地的起伏变化),运用特征识别算法,进一步确定自然实体的分布范围和边界。考虑到此类实体的复杂性,仅以山地(大别山)为例进行实证研究,验证所提方法的有效性。

基于方向向量采样的大规模多目标进化优化

针对在高维决策空间的大规模多目标优化中难以搜索产生有希望的后代个体,从而导致常规算法性能恶化的问题,提出了一种基于方向向量采样的大规模多目标进化算法.该算法首先选取一些接近理想点的优秀候选个体,然后根据候选个体分阶段创建方向向量,最后执行定向采样策略(收敛性相关采样策略和多样性相关采样策略)来生成子代个体,由此生成的子代个体性能优秀,且算法收敛加速.实验结果表明,与5种具有代表性的大规模多目标进化算法相比,该算法在多达2000个决策变量的大规模多目标优化测试中,仍具有较强的寻优能力.

面向无人机视角下小目标检测的YOLOv8s改进模型

从无人机视角进行目标检测,面临图像目标小、分布密集、类别不均衡等难点,且由于无人机的硬件条件限制了模型的规模,导致模型的准确率偏低。提出一种融合多种注意力机制的YOLOv8s改进模型,在骨干网络中引入感受野注意力卷积和CBAM(concentration-based attention module)注意力机制改进卷积模块,解决注意力权重参数在感受野特征中共享问题的同时,在通道和空间维度加上注意力权重,增强特征提取能力;通过引入大型可分离卷积注意力思想,改造空间金字塔池化层,增加不同层级特征间的信息交融;优化颈部结构,增加具有丰富小目标语义信息的特征层;使用inner-IoU损失函数的思想改进MPDIoU(minimum point distance based IoU)函数,以innerMPDIoU代替原损失函数,提升对困难样本的学习能力。实验结果表明,改进后的YOLOv8s模型在VisDrone数据集上mAP、P、R分别提升了16.1%、9.3%、14.9%,性能超过YOLOv8m,可以有效应用于无人机平台上的目标检测任务。

基于MES−YOLOv5s的综采工作面大块煤检测算法

综采工作面的目标具有高速运动、多尺度、遮挡等特点,现有的目标检测算法存在精度低、模型占用的内存大、硬件依赖强等问题。针对上述问题,提出了一种基于MES−YOLOv5s的综采工作面大块煤检测算法。采用轻量化设计,将MobileNetV3作为主干网络,以减小模型占用的内存,提高CPU端的检测速度;在颈部网络添加高效多尺度注意力(EMA)模块,融合不同尺度的上下文信息,并进一步减少计算开销;采用SIoU损失函数代替CIoU损失函数,以提高训练速度和推理准确性。消融实验结果表明:MobileNetV3大幅减少了模型占用的内存和检测时间,但mAP损失严重;EMA模块和SIoU损失函数可在一定程度上恢复损失的精度,同时保证模型在CPU上具有较高的检测速度,满足煤矿井下目标实时检测需求。对比实验结果表明,与DETR,YOLOv5n,YOLOv5s,YOLOv7模型相比,MES−YOLOv5s模型综合性能最好,mAP为84.6%,模型占用的内存为11.2 MiB,在CPU端的检测时间为31.8 ms,在高速运动、多尺度、遮挡和多目标的工况环境下能够保持较高的召回率和精度。

Oracle的大对象(LOBs)及其在企业MIS中的应用

介绍了利用Oracle8的大对象来表示多媒体数据 ,通过JDBC进行操纵 ,并结合实例说明了实现大对象操作的关键技术。

大景深显微镜的实现方式

大景深显微镜能够在不同焦平面上获取清晰的图像,为晶圆的对准提供了强大的支持。为了扩展景深,研究人员提出了多种技术,包括缩小系统孔径、波前编码和光学切趾等。提出了一种扩展景深的新方法,即双焦点物镜对准,该方法操作简单直观,并且可以直接采集对准标记来实现对准,从而极大地提高了对准的准确性和效率。这些技术和方法为大景深显微镜的后续研究奠定了坚实的基础。

融合分解和自适应邻域的多目标离散组合优化算法

为了高效获取现实中大规模多目标优化问题解决方案,实现收敛性、多样性和均匀性的平衡逐渐发展为多目标优化的重要目标之一。针对复杂多目标离散组合优化问题,提出了融合分解和自适应邻域的多目标离散组合优化算法(MOALNS)。该算法在问题分解的基础上为各子问题的寻优进程引入大邻域搜索策略与自适应调整机制,形成一套新型的收敛指导准则突破寻优阻力,进而使各子问题在搜索多维解空间的过程中达到全局搜索与局部搜索的平衡。同时,提出为各子问题配置独立算子积分库可有效地调整各子问题的寻优方向,解决由于目标权重不同而造成的求解方向偏差问题,以此实现更为高效、稳定的多目标优化进程。数值实验表明,提出的新型多目标离散组合优化算法在多组标准测试算例与真实案例中均展现出了在收敛性、多样性、均匀性和延展性等方面的良好性能,相较于其他经典多目标优化算法而言更具优势。

大型施工机械监管系统智能视频分析模型研究

为在铁路工程中加强对铁路大型施工机械的安全管理,帮助建设管理单位实现对施工现场大型施工机械的整体掌控,设计了大型施工机械监管系统,介绍了其总体架构,并重点阐述了其中智能视频分析模型的设计。该模型基于YOLOv6模型,结合迁移学习、不平衡学习、数据增强等多种深度学习技术,实现铁路大型施工机械的快速定位与分类。模型的宏平均准确率可达94.0%、mAP可达0.956、每秒检测帧数可达84,准确性和实时性均满足实际应用需求。

稀疏表示下大场景视频图像运动目标跟踪仿真

大场景视频中存在复杂的背景信息,这些背景信息与目标的外观相似,导致难以准确跟踪目标。为了解决这一问题,提出基于稀疏表示的大场景视频图像运动目标跟踪方法。通过提取视频图像haar-like特征并对特征投影压缩,在字典中融入背景信息,构造超完备字典。改进传统粒子滤波,提出基于残差的Unscented粒子滤波算法,在传统稀疏表示中添加判别函数生成判别稀疏表示,利用L1范数最小化求解候选目标稀疏系数,在字典不断更新下通过基于残差的Unscented粒子滤波算法,实现大场景视频图像运动目标跟踪。实验结果表明,所提方法目标跟踪精度和重合度均在0.9以上,且跟踪平均时间短。

基于大规模多目标优化的跳频序列设计方法

针对跳频序列设计中存在的规模小和难以兼顾多指标的问题,提出一种基于大规模多目标优化的跳频序列设计方法。首先,综合考虑跳频序列的多项性能指标,建立跳频序列多目标优化模型;然后,引入大规模多目标优化方法,并提出决策变量洗牌策略和反向差分进化,通过重新分配决策变量位置以形成具有多样性的非支配集,并通过使反向个体参与差分进化来为后续进化持续提供有效的方向;最后,通过提出算法对模型进行优化得到跳频序列集。实验结果表明,所提方法相较于其他多目标优化方法具有更强的寻优能力,得到跳频序列集的性能指标具有明显优势;所提方法在不同干扰环境中相较于其他方法具有更低的误码率,验证了提出方法的有效性和优越性。

基于双重方向向量的大规模多目标进化算法

大规模多目标优化问题的决策空间维度高达数百维,在巨大的搜索空间中实现快速收敛同时高效保持种群多样性极具挑战。针对上述问题,文中提出了一种基于双重方向向量的大规模多目标进化算法(DDLE),该算法的主要思想是利用两类不同的方向向量引导种群进化,提高算法的搜索效率。首先,设计了一种收敛性方向向量生成策略提升算法的收敛速度;其次,推出了一种多样性方向向量生成策略增强种群的多样性;最后,提出了一种基于自适应的环境选择算子动态平衡种群进化过程中的收敛性与多样性。为验证DDLE的性能,将其与5种先进的算法在72个大规模基准测试问题上进行了对比实验。实验结果表明,DDLE在求解大规模多目标优化问题上相较于其它对比算法具有显著优势。