图像引导和点云空间约束的公路洒落物检测定位方法

公路洒落物是影响交通安全的重要因素之一,为了解决中小尺度公路洒落物检测中的漏检、误检以及难以定位等问题,本文提出了一种图像引导和点云空间约束的公路洒落物检测定位方法。该方法使用改进的YOLOv7-OD网络处理图像数据获取二维目标预测框信息,将目标预测框投影到激光雷达坐标系下得到锥形感兴趣区域(region of interest,ROI)。在ROI区域内的点云空间约束下,联合点云聚类和点云生成算法获得不同尺度的洒落物在三维空间中的检测定位结果。实验表明:改进的YOLOv7-OD网络在中尺度目标上的召回率和平均精度分别为85.4%和82.0%,相比YOLOv7网络分别提升6.6和8.0个百分点;在小尺度目标上的召回率和平均精度分别为66.8%和57.3%,均提升5.3个百分点;洒落物定位方面,对于距离检测车辆30~40 m处的目标,深度定位误差为0.19 m,角度定位误差为0.082°,实现了多尺度公路洒落物的检测和定位。

基于LMIENet图像增强的矿井下低光环境目标检测方法

煤矿井下工作环境复杂,存在人造光源亮度低、粉尘多和水气密度大等不利因素,导致现有的目标检测算法在应用到煤矿井下时,存在提取特征困难、目标识别和定位精度低等问题。提出一种煤矿井下低照度环境目标检测算法,由矿井低光图像增强模块LMIENet和目标检测模块组成,使用图像增强模块对原始图像进行画质提升,恢复各类图像信息,再使用目标检测网络对增强图像进行特定目标检测,有效提高检测的精确度。在图像增强模块中,改进Zero-DCE算法设计轻量级增强参数预测网络,计算像素级增强参数矩阵,用于低光照图像的亮度调整和画质增强,该网络通过设计的非参考损失函数隐性衡量图像的增强效果,引导网络进行无监督学习,使网络能够不依赖配对数据集对原始图像进行自适应的画质增强。目标检测模块中,采用YOLO v8n目标检测模型,其轻量化的模型尺寸和高灵活性可避免模型整体复杂度过高;采用Focal-EIoU Loss改进回归损失函数,有效加速模型收敛并提升模型检测精度。实验结果显示:与经典目标检测算法Faster R–CNN,SSD,RetinaNet,FCOS等相比,提出算法在自建矿井人员数据集上表现出色,低光照环境下目标检测的mAP@0.5达到98.0%,mAP@0.5∶0.95达64.8%,在实验环境中单帧图像推理时间仅11 ms,优于其他对比方法,证明提出算法能够有效实现在煤矿井下低照度复杂环境下的目标检测,且耗时短、计算效率高。

边缘信息增强的显著性目标检测网络

针对显著性目标检测任务中识别结果边缘模糊的问题,提出了一种能够充分利用边缘信息增强边缘像素置信度的新模型。该网络主要有两个创新点:设计三重注意力模块,利用预测图的特点直接生成前景、背景和边缘注意力,并且生成注意力权重的过程不增加任何参数;设计边缘预测模块,在分辨率较高的网络浅层进行有监督的边缘预测,并与网络深层的显著图预测融合,细化了边缘。在6种常用公开数据集上用定性和定量的方法评估了该模型,并且与其他模型进行充分对比,证明设计的新模型能够取得最优的效果。此外,该模型参数量为30.28 M,可以在GTX 1080 Ti显卡上达到31帧·s^(-1)的预测速度。

多/单目标优化转换下的作战任务重分配

协同作战任务分配技术是近年来军事领域的研究热点之一,以往的研究一般将任务分配划分为预分配和动态分配2个阶段并独立进行研究,但是这种做法忽略了2个阶段之间的内在联系。针对这一问题,以多目标优化下的任务预分配和单目标优化下的任务动态分配为切入点,提出一种多/单目标优化转换思想。在动态任务分配阶段,通过决策者在预分配阶段的选择获取其主观偏好,基于获取的主观偏好将多目标优化转化为单目标优化后,使用合同网协议完成单目标任务重分配。仿真结果证明了所提出的多/单目标优化转换思想的正确性及其在动态任务分配问题中的适用性。

基于路侧摄像头的多目标跟踪算法优化设计

针对当前多目标追踪算法应对路侧交通场景的缺陷,提出一种基于路侧摄像头的多目标追踪算法。选择one‐shot追踪算法路线,基于FairMOT设计神经网络,使单个网络同时生成目标检测结果与外观特征结果,增强实时性效果;采用新的数据关联方式,减少遮挡对追踪器的影响;引入新的运动相似度度量方式——缓冲交并比,弥补线性运动预测模型产生的误差;提出基于速度判别的丢失轨迹移除算法和基于历史位置匹配算法,实现长时间遮挡轨迹的身份恢复。在UA‐DETRAC公开多目标追踪数据集上进行实验,验证该算法有效性。为证明该算法在真实路侧环境的适用性,在国家智能网联汽车(上海)试点示范区开放道路采集真实路侧场景数据。最后,将该算法和SORT、DeepSORT、ByteTrack、FairMOT算法在真实路侧场景数据上进行对比实验。实验结果表明,本算法在identification F‐Score、ID switch、fragmentation、mostly tracked、mostly lost、multiple object tracking accuracy等评估指标上优于其他算法。

基于二阶段目标增强网络的低照度复杂环境下绝缘子故障检测方法

从低照度户外环境中航拍采集的绝缘子影像,存在照度低、背景复杂、绝缘子故障目标小等缺陷,严重影响低照度环境下绝缘子故障检测准确性。为解决上述问题,文章提出一种基于TOE-Net的低照度复杂环境下绝缘子故障检测方法,提出TOE-Net进行图像预处理方法,再使用YOLOv7-OL作为故障检测模块检测小目标绝缘子故障。在二阶段目标增强网络(two-stage object enhancement network,TOE-Net)中,设计零目标图像增强损失函数实现预增强网络(preparation enhancement network,PreEnNet)和深度增强网络(deep enhancement network,DeepEnNet)的无监督学习;使用信道级注意力模块跳跃式通道注意力机制(skip squeeze excitation networt,Skip_SENet)和跳跃式通道注意力机制(skip convolutional block attention module,Skip_CBAM)模块改进原始小目标特征增强单次多框检测算法(small object detection enhancement single shot multiBox detector,SDE-SSD),从而提升定位网络的小目标检测能力;设计弱监督机制使预增强网络根据小目标特征增强SSD的要求来提升图像增强能力,直到小目标特征增强SSD能够从增强图像中准确定位绝缘子串位置;使用深度增强网络深度增强绝缘子串区域,提升各类故障的特征显著性。故障检测模块中,将YOLOv7目标检测算法改进为面向小目标YOLOv7,在原模型中添加结合多尺度特征自适应融合网络的小目标检测通道,并将原始损失函数的CIOU改进为BIOU,从而提高模型的小目标检测性能。在低照度环境绝缘子故障检测实验中,该算法与5种目前常用目标检测算法相比具有较大优势,并且相较于低光目标检测算法IA-YOLO、GenISP with RetinaNet,m AP提升9.77%、10.35%,检测速度提升7.23%、10.16%,证明该算法适用于低照度复杂环境下小目标绝缘子故障检测任务;在正常光照绝缘子故障检测实验中该算法仍保持出色性能,证明该算法能够实现常规光照条件下绝缘子小目标故障检测。

一种基于多尺度的目标检测锚点构造方法

目标检测是计算机视觉领域的研究热点和基础任务,其中基于锚点(Anchor)的目标检测已在众多领域得到广泛应用。当前锚点选取方法主要面临两个问题:基于特定数据集的先验取值尺寸固定、面对不同场景泛化能力弱。计算锚框的无监督K-means算法,受初始值影响较大,对目标尺寸较单一的数据集聚类产生的锚点差异较小,无法充分体现网络多尺度输出的特点。针对上述问题,本文提出一种基于多尺度的目标检测锚点构造方法(multi-scale-anchor,MSA),将聚类产生的锚点根据数据集本身的特性进行尺度的缩放和拉伸,优化的锚点即保留原数据集的特点也体现了模型多尺度的优势。另外,本方法应用在训练的预处理阶段,不增加模型推理时间。最后,选取单阶段主流算法YOLO(You Only Look Once),在多个不同场景的红外或工业场景数据集上进行丰富的实验。结果表明,多尺度锚点优化方法MSA能显著提高小样本场景的检测精度。

“三权分置”路径下数据产权客体的类型谱系

“数据二十条”在表述数据产权“三权分置”时分别使用了“数据资源”“数据”“数据产品”三项表达来称谓“三权”的客体,从政策上肯认并确立了数据产权的客体对象。从法律视角审视,前述三项政策表达仍需经由学理阐释来论证其在法律上的定位及其相互关系,使之成为具有规范性的法律表达。“三权分置”路径下,“数据”的核心特征应包括信息属性、物理属性和集合属性,并在数据生产和流通使用的“价值链”上延展形成“数据资源”—“数据集合”—“数据产品”的类型层级。在分级分类构建原则下,作为产权客体的“数据”还可在横向上形成以公共数据与企业数据为一级子类型、公用/私用公共数据与公开/不公开企业数据为二级子类型的类型谱系。由此,便可在“三权分置”路径下阐明作为产权客体的数据的规范属性与类型谱系,为数据产权“三权分置”的法律化奠定基础和前提。

“数据”可否纳入知识产权客体范畴?

《民法总则》(草案)第108条将“数据信息”纳入知识产权客体范畴,虽然该规定最终未获通过,但却引发了学界和业界的热议,数据可否纳入知识产权客体范畴的讨论方兴未艾。根据“信息链”理论,事实、数据、信息、知识和情报之间是呈现一种由下至上逐步提炼加工的链式关系,数据与信息、知识、情报之间依次包含。但数据并不符合知识产权客体的一般特征,若将“数据”整体直接纳入知识产权客体的范畴,会冲击已有的权能和体系,影响知识产权客体家族的统一性和协调性。应对数据进行分类保护,在现有知识产权保护基础之上,增设数据产权保护模式,数据主体就个人原始数据享有数据人格权和数据财产权;企业就其加工处理取得的衍生数据享有数据财产权,企业这种财产权利取得的门槛低于知识产权取得,不必要求独创性、创造性或显著性等知识产权客体的一般特征,宜采取弱保护模式。

政策工具视角下残疾人就业政策研究——基于31份国务院政策文本的分析

就业是民生之本,也是残疾人全面发展、融入社会、迈向共同富裕最为直接的路径。残疾人就业政策是促进和推动残疾人事业发展的制度依据。通过内容分析方法,构建政策工具和政策目标两个分析维度,使用Nvivo12plus质性分析软件对31份国务院发布的残疾人就业政策样本进行分析,探讨残疾人就业政策体系的内部逻辑、政策工具分布以及政策工具模糊性的问题。研究发现,残疾人就业政策表现出路径依赖、政策高模糊性和政府主导型的特点。因此,在中国式现代化的语境之下,提出调整政策工具结构、促进政策精细化和落实社会责任三项建议。

地铁列车刨削式防爬吸能结构冲击力平稳行为参数优化

为提升地铁列车在碰撞过程的平稳性和耐撞性,提出一种刨削式吸能防爬器。该吸能结构因其抗偏载能力强,结构紧凑等优点被广泛应用于地铁列车的端部吸能结构中。以某型地铁列车的刨削式防爬器为研究对象,使用有限元仿真的方式建立该吸能结构的对称简化模型,并结合台车冲击的试验数据验证有限元模型的准确性;通过数值仿真的方式,将刨刀前角(α)、刨刀后角(β)、刨刀宽度(w)和刨削深度(d)作为输入变量,以总吸能量(E_(A))和吸能阶段的平均刨削力(M_(PF))为耐撞性指标,以样本方差(S^(2))作为考核参照,通过全因子法对输入变量进行参数化分析;在此基础上,利用径向基函数构建代理模型,并采用多目标遗传算法(MOGA)对该吸能结构的主要设计参数进行优化设计,以确定结构参数的最佳的配置方案。研究结果表明:在该型刨削式防爬吸能结构的主要设计尺寸参数中,β对E_(A)、M_(PF)以及S^(2)的影响均不明显;α对MPF、E_(A)呈负相关,同时与S^(2)呈正相关;w和d对E_(A)与M_(PF)呈正相关、与S^(2)呈负相关;通过优化设计得到的吸能结构的最优的参数设计方案中:d为3.94 mm;α为7.78°,w为34 mm;最优设计方案的E_(A)提高了5.91%,M_(PF)提高了5.89%,S^(2)降低了45.4%,耐撞性与平稳性得到了提高。研究结果可为地铁列车刨削式防爬吸能结构的设计提供工程参考。

基于匝道合流数据的自动驾驶汽车安全性测试评价方法

针对自动驾驶汽车测试场景不明确、评价模型主观性强等问题,研究了高速匝道汇入场景下的典型测试场景提取方法和自动驾驶汽车匝道汇入安全性客观评价方法。深入分析了匝道汇入功能场景下的逻辑场景要素,对自然驾驶数据中的自车速度、车间距离、前车车速等逻辑场景要素进行聚类,得到两类典型的匝道汇入测试场景用于自动驾驶汽车的仿真测试。构建多层次自动驾驶汽车评价体系,引入基于自然驾驶数据的核密度估计模型来获取指标最优阈值,建立以最优阈值为参考序列、以层次分析法(AHP)和客观赋权法(CRITIC)为权重输入的灰色关联理评价模型,对自动驾驶汽车在汇入过程中的安全性进行客观评价。评价结果表明:基于核密度估计的灰色关联理论模型评价结果与主观模糊综合分析模型的评价结果相似率达98.01%,验证了客观模型的有效性。

过盈配合工况下收缩管吸能特性分析及结构参数优化

轨道车辆收缩管在轴向冲击载荷及过盈配合下的吸能特性是吸能结构研究中的重要课题,其吸能过程依靠收缩管与锥形衬套之间的摩擦做工及收缩管的塑性变形实现,过盈配合通过影响收缩管与衬套间的接触力提高收缩管的能量耗散。为提高收缩管的吸能特性,研究过盈配合对吸能能力的影响,采用试验与有限元模型相结合的方法,基于多目标优化算法获取包括过盈量在内的收缩管最优结构参数。进行空心轴与轴套过盈静压试验,验证接触力理论公式的正确性;利用台车冲击试验研究收缩管碰撞过程中的吸能特性,构建有限元模型进行验证;推导过盈配合条件下收缩管接触表面压力的理论模型;使用全因子和Hammersley设计方法对过盈配合工况下收缩管结构参数进行研究,包括厚度(T)、过盈量(I_(ntf))、锥角长边(α_(x))和收缩比(R_(atio))。基于此,利用移动最小二乘法(MLSM)构建峰值力(PCF)、比吸能(SEA)和平均力(MCF)的近似模型。主效应分析表明,收缩比对PCF、SEA和MCF的影响最为显著。以获取最小PCF、最大SEA以及MCF最接近设计要求650 kN为优化目标,进行全局响应面(GRSM)优化,获得最优结构配置,与初始设计相比,SEA提高28.54%,PCF降低12.37%。代理模型最优解得出的MCF与有限元模型误差为2.01%,证明构建的代理模型具有较高的精度,可用于优化计算。优化后的结构有效提高了收缩管的吸能能力,降低了碰撞的初始峰值力。

基于改进YOLOv8的无人机航拍图像目标检测算法

针对现存无人机航拍图像目标检测算法检测精度较低、模型较为复杂的问题,提出一种改进YOLOv8的目标检测算法。在骨干网络引入多尺度注意力EMA,捕捉细节信息,以提高模型的特征提取能力;改进C2f模块,减小模型的计算量。提出了轻量级的Bi-YOLOv8特征金字塔网络结构改进YOLOv8的颈部,增强了模型多尺度特征融合能力,改善网络对小目标的检测精度。使用WIoU Loss优化原网络损失函数,引入一种动态非单调聚焦机制,提高模型的泛化能力。在无人机航拍数据集VisDrone2019上的实验表明,提出算法的mAP50为40.7%,较YOLOv8s提升了1.5%,参数量降低了42%,同时相比于其他先进的目标检测算法在精度和速度上均有提升,证明了改进算法的有效性和先进性。

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。

图卷积神经网络综述

图卷积神经网络是图论与深度学习的交叉,已成为机器学习领域的研究热点。基于此,介绍了图卷积神经网络的形成,梳理了两大类经典的图卷积神经网络:谱方法和空间方法,详细介绍了这两类图卷积神经网络模型,分析了图卷积操作的核心理论基础,介绍了图卷积神经网络在各领域的应用,总结了图卷积神经网络面临的主要挑战,展望了图卷积神经网络的发展趋势,并分析了图卷积神经网络在野外环境下蝴蝶识别任务中的潜在应用。

基于改进YOLOX的水库水面漂浮物目标检测算法

针对目前水库水面小目标漂浮物检测识别精度低的问题,提出基于改进YOLOX的水库水面漂浮物目标检测算法。此算法引入新型dark2模块融入主干网络并拓展主干网络的分支输出结构,提升主干网络对图片的特征提取能力。在此基础上,提出改进特征融合模块(ZL-FPN),用于增强特征图信息融合,提高对水库水面小目标漂浮物的检测精度。结果表明:改进后算法的mAP值比YOLOv4和原YOLOX算法分别提升了29.93%和12.11%,有效提升了水库水面漂浮物检测精度。研究成果可为提升水库智能化管理水平提供有效技术支撑。

智能优化算法的模块化测试与仿真

生活及工程应用中许多问题可归结为目标之间相互矛盾的多目标优化问题,其应用需求强烈、理论创新性强、模型建立难、求解方法复杂。提出了智能优化算法的模块化测试与仿真方法,以多目标粒子群算法为例,通过对算法本身参数配置,以及多测试函数、多算法综合对比测试,可得出算法求解的帕累托前沿以及解集的收敛性与分布性指标,进而可评判该算法对于求解同类优化问题时的性能优劣。将上述方法应用到煤矿井下掘进截割路径规划中,得出了高效能、强安全的掘进截割最优路径。智能优化算法可用于“人工智能”相关课程课堂教学中,分析求解多目标优化问题,也可用于实验教学演示、创新实验项目,有助于提高学生的科研素养与实践能力。

协调公平与效率的“四水四定”研究Ⅰ:方法与模型

针对水资源刚性约束落地缺抓手的问题,按照以水定发展、协调定规模的理念,提出“四水四定”的分析思路和控制指标,厘清各类发展目标与水资源利用的协调关系。以公平为社会目标,以效益为经济目标,提出“尊重现状、保障刚需、效率驱动、区域均衡”的协调优化准则,建立目标函数和约束条件,构建“四水四定”多目标协调模型,以满足保障刚性需求基础上的水量高效流转,确定发展规模和水量分配方案。模型选取人均GDP最大实现效率驱动,使有限水量产生更大效益;选取区域人均GDP差异最小、发展匹配度最高实现发展公平,缩小区域经济差异;通过约束条件反映水资源约束、刚性需求保障、水源用户配置关系、经济社会发展合理范围等要求;设置罚函数协调约束条件不能满足时的目标值调整。通过归一化方法将多目标转化为单目标,基于现状设置初始条件,采用线性规划等方法求解,得出协调产业发展和水量优化分配的整体结果,通过结果评价反馈调整,形成可服务于经济社会发展和水资源管控决策的方案。

基于红外相机和毫米波雷达融合的烟雾遮挡无人驾驶车辆目标检测与跟踪

战场环境下无人驾驶车辆的感知系统易受烟雾、扬尘等天气的影响,对关键目标的检测与跟踪能力大大下降,造成目标漏检、目标误检、目标丢失等严重后果。针对该问题,开发毫米波雷达和红外相机融合系统,采用目标级融合方式建立简洁有效的融合规则,提炼和组合各传感器的优势信息,最终输出稳定的目标感知结果。对毫米波雷达的目标进行有效性检验和提取,并提出改进的基于密度的含噪声空间聚类应用算法,以减少毫米波雷达噪音干扰。以YOLOv4网络为基础,引入MobileNetv2主干网络,在网络训练过程中运用迁移学习方法,同时对红外数据样本进行扩充,解决了红外图像训练样本少的问题。试验结果表明,相较于仅基于红外相机的算法,融合检测算法在烟雾环境下的精度显著提升,且算法实时性高,实现了烟雾环境下毫米波雷达与红外相机融合的目标检测与跟踪,提高了无人驾驶车辆目标检测与跟踪系统的抗烟雾干扰能力。