故障树分析(Fault Tree Analysis)在系统可靠性评估中起着至关重要的作用。然而,作为故障树分析的核心故障树(FT)的构建,传统构建故障树的方法存在耗时长且容易出错等缺点。为了解决这些问题并应对复杂系统自动建造故障树的困难,该文提...故障树分析(Fault Tree Analysis)在系统可靠性评估中起着至关重要的作用。然而,作为故障树分析的核心故障树(FT)的构建,传统构建故障树的方法存在耗时长且容易出错等缺点。为了解决这些问题并应对复杂系统自动建造故障树的困难,该文提出一种基于元部件模型及系统结构模型的规范化描述方法,并以此为基础,通过建立元部件模型库、复杂标识符库,设计出故障树自动建树及分析软件,实现系统结构模型搭建、自动建树、复杂结构识别处理及可靠性分析过程的全自动化。详细阐述了故障树自动建树软件自动建树及分析的基本步骤,并通过一个简化的汽车ABS系统应用实例验证了该软件的有效性和可行性。实例应用结果表明,该故障树自动建树及分析软件不仅能够实现自动构建和分析故障树,提高工作效率,而且能够识别处理具有复杂结构的故障树,对复杂系统的自动建树及可靠性分析的推广具有重要意义。展开更多
针对树木三维重构过程中面临的处理速度慢、重构精度低等问题,提出一种采用激光点云数据的单木骨架三维重构方法。首先,根据点云数据类型确定组合滤波方式,以去除离群点和地面点;其次,采用一种基于内部形态描述子(ISS)和相干点漂移算法(...针对树木三维重构过程中面临的处理速度慢、重构精度低等问题,提出一种采用激光点云数据的单木骨架三维重构方法。首先,根据点云数据类型确定组合滤波方式,以去除离群点和地面点;其次,采用一种基于内部形态描述子(ISS)和相干点漂移算法(CPD)的混合配准算法(Intrinsic Shape-Coherent Point Drift,IS-CPD),以获取单棵树木的完整点云数据;最后,采用Laplace收缩点集和拓扑细化相结合的方法提取骨架,并通过柱体构建枝干模型,实现骨架三维重构。试验结果表明,相比传统CPD算法,研究设计的配准方案精度和执行速度分别提高50%和95.8%,最终重构误差不超过2.48%。研究结果证明可有效地重构单棵树木的三维骨架,效果接近树木原型,为构建林木数字孪生环境和林业资源管理提供参考。展开更多
为了快速检测和统计杨梅树的数量,该研究提出了一种基于改进YOLOv7的杨梅树单木检测模型:YOLOv7-ACGDmix。首先,对YOLOv7的可扩展高效长程注意力网络(extended-efficient long-range attention networks, E-ELAN)进行改进,通过融合兼具...为了快速检测和统计杨梅树的数量,该研究提出了一种基于改进YOLOv7的杨梅树单木检测模型:YOLOv7-ACGDmix。首先,对YOLOv7的可扩展高效长程注意力网络(extended-efficient long-range attention networks, E-ELAN)进行改进,通过融合兼具卷积和注意力机制优势的ACmix(a mixed model that enjoys the benefit of both self-attention and convolution)结构得到AC-E-ELAN模块,提升模型的学习和推理能力,引入可变形卷积(deformable convolutional networks version 2, DCNv2)结构得到DCNv2-E-ELAN模块,增强模型对不同尺寸目标的提取能力;其次,采用内容感知特征重组(content-aware reassembly of features, CARAFE)上采样模块,提高模型对重要特征的提取能力;然后,在主干和头部网络部分添加全局注意力机制(global-attention mechanism, GAM),强化特征中的语义信息和位置信息,提高模型特征融合能力;最后,采用WIoU(wise intersection over union)损失函数减少因正负样本数据不平衡造成的干扰,增强模型的泛化性。在公开数据集上的试验结果表明,YOLOv7-ACGDmix模型的精确率达到89.1%,召回率达到89.0%,平均精度均值(mean average precision, mAP)达到95.1%,F_(1)-score达到89.0%,相比于原YOLOv7模型分别提高1.8、4.0、2.3和3.0个百分点。与Faster R-CNN、SSD、YOLOv8模型相比,改进模型的平均精度均值(mAP_(0.5))分别提高了9.8、2.2、0.7个百分点。实地采集杨梅树样本数据的检测精确率87.3%、召回率85.7%。试验表明,改进模型为基于无人机影像的杨梅树单木检测提供了一种有效的解决方案,对果园精准管理的发展具有重要意义。展开更多
文摘故障树分析(Fault Tree Analysis)在系统可靠性评估中起着至关重要的作用。然而,作为故障树分析的核心故障树(FT)的构建,传统构建故障树的方法存在耗时长且容易出错等缺点。为了解决这些问题并应对复杂系统自动建造故障树的困难,该文提出一种基于元部件模型及系统结构模型的规范化描述方法,并以此为基础,通过建立元部件模型库、复杂标识符库,设计出故障树自动建树及分析软件,实现系统结构模型搭建、自动建树、复杂结构识别处理及可靠性分析过程的全自动化。详细阐述了故障树自动建树软件自动建树及分析的基本步骤,并通过一个简化的汽车ABS系统应用实例验证了该软件的有效性和可行性。实例应用结果表明,该故障树自动建树及分析软件不仅能够实现自动构建和分析故障树,提高工作效率,而且能够识别处理具有复杂结构的故障树,对复杂系统的自动建树及可靠性分析的推广具有重要意义。
文摘针对树木三维重构过程中面临的处理速度慢、重构精度低等问题,提出一种采用激光点云数据的单木骨架三维重构方法。首先,根据点云数据类型确定组合滤波方式,以去除离群点和地面点;其次,采用一种基于内部形态描述子(ISS)和相干点漂移算法(CPD)的混合配准算法(Intrinsic Shape-Coherent Point Drift,IS-CPD),以获取单棵树木的完整点云数据;最后,采用Laplace收缩点集和拓扑细化相结合的方法提取骨架,并通过柱体构建枝干模型,实现骨架三维重构。试验结果表明,相比传统CPD算法,研究设计的配准方案精度和执行速度分别提高50%和95.8%,最终重构误差不超过2.48%。研究结果证明可有效地重构单棵树木的三维骨架,效果接近树木原型,为构建林木数字孪生环境和林业资源管理提供参考。
文摘为了快速检测和统计杨梅树的数量,该研究提出了一种基于改进YOLOv7的杨梅树单木检测模型:YOLOv7-ACGDmix。首先,对YOLOv7的可扩展高效长程注意力网络(extended-efficient long-range attention networks, E-ELAN)进行改进,通过融合兼具卷积和注意力机制优势的ACmix(a mixed model that enjoys the benefit of both self-attention and convolution)结构得到AC-E-ELAN模块,提升模型的学习和推理能力,引入可变形卷积(deformable convolutional networks version 2, DCNv2)结构得到DCNv2-E-ELAN模块,增强模型对不同尺寸目标的提取能力;其次,采用内容感知特征重组(content-aware reassembly of features, CARAFE)上采样模块,提高模型对重要特征的提取能力;然后,在主干和头部网络部分添加全局注意力机制(global-attention mechanism, GAM),强化特征中的语义信息和位置信息,提高模型特征融合能力;最后,采用WIoU(wise intersection over union)损失函数减少因正负样本数据不平衡造成的干扰,增强模型的泛化性。在公开数据集上的试验结果表明,YOLOv7-ACGDmix模型的精确率达到89.1%,召回率达到89.0%,平均精度均值(mean average precision, mAP)达到95.1%,F_(1)-score达到89.0%,相比于原YOLOv7模型分别提高1.8、4.0、2.3和3.0个百分点。与Faster R-CNN、SSD、YOLOv8模型相比,改进模型的平均精度均值(mAP_(0.5))分别提高了9.8、2.2、0.7个百分点。实地采集杨梅树样本数据的检测精确率87.3%、召回率85.7%。试验表明,改进模型为基于无人机影像的杨梅树单木检测提供了一种有效的解决方案,对果园精准管理的发展具有重要意义。
