基于主动尾流控制的风电机群协同优化调度

针对机组间尾流效应严重影响风电机组发电效率的问题,提出了风电机组安全偏航约束计算方法、尾流特性混合半机理建模方法以及风电机群多目标协同优化调度方法。基于FAST.FARM平台完善了多自由度可控机组与尾流的动态交互集成仿真环境,对比分析了2台机组串列式排布以及华东地区某海上风电场7台机组实际排布下的协同运行优化性能。结果表明:所建立的集成仿真模型能够合理表征风电机群与空气流场的多领域动态交互特性,所提方法能够有效提升风电机群发电效能,促进经济效益、资源利用和成本控制的均衡优化。

基于PPYOLOE的师生互助训练半监督目标检测网络

随着深度学习技术的发展,基于卷积神经网络的目标检测技术成为当前计算机视觉领域的研究热点之一.目前主流的目标检测算法依赖于监督学习方式,需要在大量有标注图像数据上训练网络,然而,无标签的数据易于获取,而有标签的数据收集起来通常很困难,标注也耗时和耗力.为了解决数据标注难以获取的问题,提出了教师学生互助训练的半监督目标检测(PPYOLOE-SSOD)算法.首先,同时训练一个学生模型和逐渐改进的教师模型,使用教师模型筛选高质量伪标签,将伪标签作为未标注图像的回归目标,指导学生模型训练,挖掘未标注图像的知识信息,为了减小参数传递的不稳定性,每次迭代学生模型使用指数移动平均方法更新教师模型参数;此外,引入不同种类的半监督数据增强方法来增强网络的抗干扰能力;最后,针对无标注数据的学习,新增无监督学习分支,使用密集学习方式对模型预测得到的特征进行处理,通过对教师模型预测的分类特征排序,自动选择高质量特征作为教师模型生成的伪标签,从而避免了繁琐的伪标签后处理,提升网络的精度和训练速度.在MS COCO数据集上,通过使用半监督学习方法,PPYOLOE在1%、5%、10%的标注数据集上分别得到了1.4%、1.6%、2.1%的精度提升.与其他半监督目标检测算法比较,PPYOLOE-SSOD算法的精度达到最优.代码已开源在https://github.com/wjm202/PPYYOLOE-SSOD.

基于特征增稳的混合固态激光雷达目标检测

稳定的点云特征提取对激光雷达三维目标检测至关重要。针对现有深度学习算法仅能处理机械旋转式激光雷达点云数据,而对混合固态激光雷达数据支持不足的问题,本文基于IA-SSD搭建了适用于混合固态激光雷达的目标检测模型。首先,在点云编码前端添加了Cloth Simulation Filtering(CSF)用于地面次优点过滤;其次,利用局部特征融合和全局双线性正则化层组成的注意力机制,从局部和全局共同推动点云几何信息与特征信息融合;再次,利用GhostGConv替换原有低效的逐点卷积,通过通道混洗机制加强点云的特征交互,构建了增强型特征提取网络。最后,在点检测器IA-SSD中整合了上述模块完成模型构建。在混合固态激光雷达数据集SimoSet开展的验证结果表明,所提出的方法显著优于SimoSet数据集支持的其他算法精度指标;在KITTI数据集中等难度检测中,所提方法将IA-SSD三分类平均检测精度分别提升了1.17、1.47、0.5百分点。

基于定位置信度加权的半监督目标检测算法

为解决伪标签筛选过程的位置噪声数据问题,提出了基于定位置信度加权的Soft Teacher-LAH半监督目标检测算法。通过离散化目标检测网络定位分支的预测输出,引入具有定位感知功能的输出结构LAH。基于LAH预测输出,定义一种衡量定位精度的置信度指标,设计基于该置信度加权的无监督定位损失函数,降低伪标签位置噪声对模型训练的负面影响。实验结果表明了该算法的性能优势,针对微软COCO数据集,在有标注数据占比训练集分别为1%、5%和10%的场景下,该算法相比于现有Soft Teacher方案的平均精度分别提高了1.1、1.2和1.5个百分点;针对PASCAL VOC数据集,在使用VOC07和VOC12分别作为有标注和无标注训练数据的场景下,该算法相比Soft Teacher方案的平均精度提高了1.6个百分点。

基于改进YOLOv7的湖面漂浮物目标检测算法

为提高湖面多种类和小体积的漂浮垃圾检测识别的准确度与推理检测速度,结合湖面垃圾漂浮物的图像特征,采用半结构化剪枝技术创建X-Toss剪枝框架,并基于YOLOv7目标检测模型,提出一种轻量化湖面漂浮物实时检测方法C-X-YOLOv7。X-Toss剪枝框架使用DFS算法生成父子卷积核计算图,利用特定的内核模式剪枝卷积核,降低迭代剪枝的计算成本。融合CA注意力机制对模型进行加权,减少模型过拟合现象,提高模型准确性和泛化能力。结果表明:对湖面垃圾检测识别,C-X-YOLOv7模型识别准确率为91.7%,召回率为91.2%,与YOLOv7模型对比分别提升2.6%、2.5%;推理加速度上,X-Toss剪枝框架在RTX 2080 Ti与NVIDIA Jetson TX2上分别实现YOLOv7的1.98×和2.17×的加速比,相较于PD、NMS、NS等剪枝框架,X-Toss的推理加速比和能耗均有提升。研究表明C-X-YOLOv7湖面漂浮物检测方法为湖面垃圾检测识别提供了一种新思路。

维修型半潜船推进器辅助锚泊定位能力分析

围绕半潜船辅助锚泊定位系统进行了研究。通过对维修型半潜船推进器辅助锚泊定位能力的研究,计算相关模型,并利用多目标优化方法进行优化设计,取得了较好的结果,有助于增强维修型半潜船推进器辅助锚泊定位能力。

电磁阀半主动悬架线性变参数μ综合鲁棒控制

针对电磁阀半主动悬架系统中的非线性和不确定性问题以及多个性能目标之间的矛盾,设计了一种线性变参数(linear parameter varying,LPV)μ综合鲁棒控制器。建立电磁阀非线性阻尼力力学模型并开展台架试验验证模型的准确性,构建了七自由度悬架系统的非线性LPV模型;对悬架参数不确定性和系统建模误差进行分析,并考虑传感器测量噪声的影响,设计了一种基于非线性和混合不确定性的LPV-μ综合鲁棒控制器;最后进行整车电磁阀悬架系统仿真和实车试验。仿真结果表明:在随机扰动下该控制器使车身垂向加速度均方根值降低46.47%,俯仰角加速度降低46.47%,侧倾角加速度降低50.68%,具有良好的抗干扰能力和可控性。试验结果表明:LPV-μ综合控制下车身垂向加速度、俯仰角加速度和侧倾角加速度均方根值分别降低36.6%、30.14%和39.47%,并且保证悬架动挠度小于0.06 m,验证了该控制策略的有效性。

一种用于视频对象分割的仿U形网络

在半监督的分割任务中,单镜头视频对象分割(OSVOS)方法根据第一帧的对象标记掩模进行引导,从视频画面中分离出后续帧中的前景对象。虽然取得了令人印象深刻的分割结果,但其不适用于前景对象外观变化显著或前景对象与背景外观相似的情形。针对这些问题,提出一种用于视频对象分割的仿U形网络结构。将注意力机制加入到此网络的编码器和解码器之间,以便在特征图之间建立关联来产生全局语义信息。同时,优化损失函数,进一步解决了类别间的不平衡问题,提高了模型的鲁棒性。此外,还将多尺度预测与全连接条件随机场(FC/Dense CRF)结合,提高了分割结果边缘的平滑度。在具有挑战性的DAVIS 2016数据集上进行了大量实验,此方法与其他最先进方法相比获得了具有竞争力的分割结果。

采用SVD协同训练的半监督实例级目标检测

在室内实例物体目标检测中,传统深度学习需要大量人工标注的训练样本进行网络训练,费时费力,为此提出并实现了一种采用奇异值分解(Singular Value Decomposition,SVD)和协同训练的半监督实例级目标检测网络SVD-RCNN。挑选关键样本进行人工标注并预训练SVD-RCNN,以确保其获取更多先验知识,采用基于SVD的收敛-分解-微调策略,在SVD-RCNN中得到两个较强独立性的检测器以满足协同训练的要求,最后提出一种自适应的自标注策略,获得高质量的自标注及检测结果。在多个室内实例数据集上对该方法进行测试,在GMU数据集上只需人工标注199个样本,均值平均精度(mean Average Precision,mAP)达到了79.3%,相较于需标注3 851个样本的全监督Faster RCNN的81.3%mAP仅下降了2%。消融实验及系列实验证明了本文方法的有效性和普适性,本文提出的方法仅需人工标注5%的训练数据,即可达到与全监督学习相当的实例级目标检测精度,有利于智能机器人高效识别不同实例物体的实际应用。

基于贴近摄影测量技术的高陡危岩体结构面调查方法

为解决传统危岩体结构面接触式调查手段风险高、效率低的问题,提出了一种基于无人机贴近摄影测量技术的结构面提取方法,并以某高位危岩体为例,开展了工程实例验证。首先利用多旋翼无人机对危岩体进行多角度贴近摄影,构建精细化的三维模型和三维点云;然后通过K近邻算法及PCA主成分分析完成优势结构面产状的半自动提取,最后结合三维模型中的岩体裂隙等特征,对危岩体稳定性进行快速评价。结果表明:该方法可获取符合工程精度要求的岩体点云数据,完成结构面产状的半自动提取,且倾向倾角的提取误差均在3°以内,能满足工程精度需求,为分析危岩体稳定性提供可靠的基础数据。

多视图交叉一致性学习的半监督水面目标检测

为缓解基于半监督学习的水面目标检测对有限标注样本过拟合的问题,提高无标注样本中目标提取的有效性,提出了基于多视图交叉一致性学习的半监督水面目标检测算法。首先,该算法通过数据增强的方式为训练样本生成不同的视图以丰富数据集的多样性;然后,利用所提出的多视图目标判别器为无标注样本在线生成伪标签,有助于提取无标注样本的有效信息;最后,利用所提出的多视图交叉一致性学习使同一目标实例的不同视图的输出实现交叉一致性正则化,以促进检测模型学习判别性的特征从而降低过拟合的风险。在海上和内河数据集上的实验结果表明:文中所提算法能够提高特征提取的判别性,对多类别的水面目标检测精度达到91.0%,比全监督检测算法提高了18.7%,比其他半监督检测算法提高了3.8%以上;在检测速度上,该算法达到13.1帧/s,基本满足实时性要求。所提算法通过多视图交叉一致性学习提高特征的判别性和缓解检测模型的过拟合风险,有助于提高半监督水面目标检测的性能。

基于序贯三支决策的半监督目标检测算法

深度学习对大规模数据的需求以及目标检测标注任务的复杂性促进了半监督目标检测任务的发展。近年来,半监督目标检测已经取得了很多优秀的成果。然而,伪标签中的不确定性依然是半监督目标检测研究中难以避免的问题,优越的半监督方法要求选取合适的过滤阈值来权衡伪标签的噪声信息比例和召回率,以最大程度保留准确有效的伪标签。为了解决此问题,在半监督检测的框架中引入了序贯三支决策算法,将模型输出的伪标签根据不同的筛选阈值划分为干净的前景标签、有噪声的前景标签,以及干净的背景标签,并对其采取不同的处理策略。对有噪声的前景标签采用负类学习损失来学习这些存在噪声的标签,避免学习到其中的噪声信息。实验结果表明了所提算法的性能优势,针对COCO数据集,在有监督数据占比只有10%的情况下,该方法实现了35.2%的检测精度,相比仅依靠有监督训练性能提升了11.34%。

高光谱地物要素识别潜力分析与前景展望

近年来,人工智能方法在高光谱遥感领域得到了广泛应用,特别是基于深度学习的影像分析和信息提取技术已成为持久的热点,有力地推动了地物光谱探测的精细化和智能化水平。本文在分析地物要素光谱探测潜力与需求的基础上,系统地介绍和总结了高光谱影像分析方面的进展,针对高光谱地物探测的智能化问题,重点讨论了近年来深度学习的新思路。首先,结合地形要素分类体系和高光谱探测能力,将高光谱地物要素划分为植被、土质、水域和人工建筑物4大类及若干子类,并分析4种地物要素的光谱响应特性和高光谱地物探测的优势。然后,在影像分析方面,重点梳理了波段选择、特征提取、模式分类和分类后处理等影像分析技术的研究进展,给出研究方向和热点;在智能化处理部分,按照监督学习、半监督学习及自监督学习的思路,系统总结了当前应用于高光谱地物探测的深层神经网络模型,同时分析了迁移学习、元学习等机器学习策略的研究情况。最后,结合上述分析,对高光谱影像地物探测的发展趋势加以展望,以期拓展下一步的研究思路。

规范透视场景的半监督目标检测及其在保护压板巡检上的应用

如何快速准确地对继电保护压板的异常状态进行识别,是变电站二次设备巡检工作中亟待解决的技术难题。基于深度学习的通用目标检测算法在向诸如继电保护屏压板检测等特殊化场景的迁移中,不能够充分利用保护屏场景中的规范透视先验特征;此外,人工标注大数据集的困难性一直以来都是通用检测模型迁移至特殊场景时的挑战。针对上述问题,提出了一种适用于保护压板规范化分布特征的半监督目标检测模型,该模型根据压板识别场景的特点对模型框架进行了一系列适应性改进。在模型的半监督训练阶段,使用一致性正则化方法生成伪标签,并基于保护屏压板图像特征,以边缘吸附和点阵行列拟合等方式,优化或剔除伪标签,从而突破了数据标注困难性带来的限制。改进后的模型达到平均精度均值为98.12%的应用级精度,并额外输出图像的逆透视变换参量。该模型被应用于便携式智能终端,辅助工作人员进行继电保护压板状态的巡检工作;模型输出的逆透视变换参量,也可为3D人机交互等下游视觉任务提供技术支撑。

半自动化多机照料作业车间多目标调度模型及算法

研究了半自动化作业车间生产情况,将半自动化作业车间生产时间按照过程分为自动化生产时间和生产准备时间,处于自动化生产时间的工人可同时照料多台设备,处于生产准备时间的工人无法同时照料其他设备。建立了一种包括设备资源和人力资源2种约束的半自动化多机照料的作业车间多目标优化调度模型,采用多机照料双层染色体编码方案、设定工人可照料多台设备、任一工人在任一时刻最多为1道工序进行生产准备的条件约束,基于双层染色体进行单点交叉变异,对模型求解并仿真分析,最后与半自动化单机照料作业车间调度情况对比。实验结果表明,半自动化多机照料作业车间调度能够缩短工期,降低成本。

基于超像素注意力和孪生结构的半监督高光谱显著性目标检测

高光谱显著性目标检测技术在伪装识别、异常检测等领域展现了惊人的潜力,并得到了广泛的关注。基于深度学习技术的神经网络模型克服了传统算法检测精度低、鲁棒性弱的缺点,但是数据标注成本限制了其进一步发展。为此提出了一种超像素注意力孪生半监督算法,使用少量全监督数据和大量弱监督数据进行训练,有效降低了标注成本。该算法由孪生预测模块和注意力辅助模块组成,其中孪生预测模块捕获弱标签隐式约束并生成显著性结果图,注意力辅助模块利用超像素级通道注意力机制优化预测结果。新提出的超像素注意力孪生半监督算法在高光谱数据集上实现了87%的检测精度,优于其他流行算法,在有效降低标注成本的同时具有优异的显著性检测性能。

基于PP-PicoDet的半自动标注烟丝异物检测研究

【目的】应用半自动标注技术和轻量级目标检测模型,实现烟丝异物实时检测模型的快速开发和落地应用。【方法】在少量标注的样本上使用picodet-s-320训练基础模型,基于该模型生成对剩余数据样本的预测标注,人工矫正预测标注结果I后,.使用picodet-l-640训练基于全量数据的最终应用模型。【结果】数据标注效率提升223%,迭代周期缩短到1d,训练模型m APoU=o5达到1.000,测试集上漏检率为0%、误检率0.3%,部署模型推理速度提高291%,试运行期间无漏检,多检误报控制在0.23次/批。【结论】采用基于PP-PicoDet的半自动标注技术,大幅缩短算法的开发和迭代周期,模型的预测速度、精度、通用性好,可实现制丝工序烟丝异物的实时检测处置。

基于目标检测的单目视觉半稠密语义地图构建

传统的视觉同步定位与地图构建(simultaneous localization and map construction, SLAM)系统在机器人定位和制图工作中取得了显著的成功,但存在着缺乏场景信息、地图过于稀疏、单目相机初始化困难等亟待解决的问题。提出了MNS-SLAM(monocular-semantic SLAM),将目标检测算法与单目视觉SLAM技术相结合,进而构建有助于环境理解的半稠密语义地图。首先,通过目标检测网络YOLOv4检测对象获取边界框和类别信息,通过消失点算法和二次曲面恢复算法由2D目标检测恢复出3D长方体及二次曲面,实现3D物体的位姿初始化。同时,引入了目标间相对位姿不变性的语义约束,构造了语义损失函数,将其添加到BA(bundle adjustment)优化中,最后通过增量式3D线段提取,构建带有物体语义信息的半稠密地图。文中方法在TUM公开数据集和真实场景中进行试验,不仅构建了半稠密地图,同时添加了语义信息,为后端的优化提供了新的约束,相机的绝对和相对位姿误差表现出优于单目ORB-SLAM2的性能,有助于搭载单目相机的移动机器人感知和理解环境,执行更复杂的任务。

G_(b)-(p,r)E-半预不变凸多目标规划的最优性条件

为了丰富广义凸函数类,扩大多目标规划的应用范围,运用Clark广义梯度,借助αE半预不变凸函数和G B(p,r,α)不变凸函数,进一步给出了一类新的广义凸函数的定义:G_(b)(p,r)E半预不变凸函数。对于涉及这类函数的多目标规划问题,得到了其可行解是弱有效解的若干最优性条件。

基于半监督学习的自动驾驶场景下的目标检测

由于自动驾驶场景下拍摄的图像目标尺度变化剧烈和环境复杂多变,检测具有不小的难度;获取大量模型训练需要的标注数据图像存在困难,而获取大量未标注数据图像较容易.为了解决上述两个问题,提出一种基于半监督学习的自动驾驶场景下的目标检测模型TransDet.首先,在特征提取部分提出一个具有全局注意力的MSADark模块,以提取图像更多的全局信息以及捕获远程依赖关系;其次在特征融合部分提出一个位置注意力加权特征融合网络LAFFN,用于不同特征融合层捕获局部的位置和通道信息,增强多层次特征加权融合和网络特征表示能力,缓解目标尺度剧烈变化的影响;最后提出一种简单高效的半监督学习算法框架EODS,高效利用未标注数据的同时进一步提升了模型性能.实验结果表明:改进模型在保证实时性的情况下,mAP@50精度从55.1%提升到了61.6%,相比最新的YOLOv5模型精度增加了6.5%,在保证实时的检测速度的同时提升模型检测性能.特别是在仅使用少量未标注数据的情况下使用半监督学习算法EODS将mAP.50性能提升至65.4%,提升达到10.3%,表明了该模型在自动驾驶场景下的目标检测的有效性.