结合自适应阈值与动态ROI的地标线检测方法

基于机器视觉的地标线检测一直以来都是车间自主巡检机器人研究的重点和难点问题之一.针对检测过程中易受车间地面积水、光照不均以及油渍粉尘污染等环境因素的影响从而导致误检率、漏检率较高,难以满足工程实际需求的问题,本文提出了一种基于自适应阈值分割与动态感兴趣区域划分的车间地标线检测方法(AT-DROI),该方法以分块图像为基础,首先按照特定特征对子块进行搜索,并剔除其中的离群噪声点,然后将环境因子与采样点相结合计算出特征颜色的双门限阈值,最后利用粗细粒度掩膜抑制特征图像中的干扰信息,有效实现了室内复杂环境下对地标线的高精度检测.通过在自采集的实际车间场景视频序列上进行大量对比实验,实验结果表明,本文方法在自采集的多组实际车间场景视频序列上测试的平均准确率、假阳性率和假阴性率分别达到了95.15%、3.73%和4.85%,平均每秒检测帧数为26fps,能够满足实际生产中对地标线检测的准确性和实时性要求.

基于边缘引导和动态可变形Transformer的遥感图像变化检测

卷积神经网络(Convolutional Neural Network,CNN)和Transformer的混合架构能够有效建模图像的局部与全局特征,已成为遥感图像变化检测任务的主流网络.然而这类网络仍面临着一些挑战. CNN分支中的卷积和池化运算通常会抑制遥感图像中的高频信息,降低目标边界的精度;此外,Transformer分支对图像像素进行等同长程依赖关系建模,忽略了变化目标的形状及语义关联信息,导致网络对变化目标特征的表达不足.为解决上述问题,提出了基于边缘引导和动态可变形Transformer的遥感图像变化检测网络.在CNN分支中设计了边缘信息引导模块,利用高频信息增强目标区域的边缘信息,从而改善变化目标的轮廓精度.同时设计了一种新颖的动态可变形Transformer,能够自适应地匹配形状不同的变化目标,选择与变化相关的特征建模长程依赖关系,以提高网络的特征表达能力.实验结果表明,提出的方法在三个公开数据集LEVIR-CD、CDD和DSIFN-CD上显著提高了检测精度,在变化目标的边界精度和内部完整性方面都明显优于当前的主流网络.

基于动态网络的文本敏感信息感知脑响应检测模型

针对文本敏感信息感知过程复杂和个体差异大造成敏感信息感知脑响应潜伏期不确定性的问题,提出了一种基于动态卷积神经网络的脑响应检测模型——DyCNN_CBAM。该模型通过增加的动态卷积模块,让每层的卷积参数在训练的时候随着输入可变,可提升模型的尺寸与容量。然后在模型第一、二层后增加的注意力机制模块,自动计算贡献度较高的时空信息。实验结果表明:该模型比现有的单尺度模型平均分类准确率提高了4%,F1分数提高6.7%,同时比现有多尺度网络平均分类准确率提高了2%,F1分数提高1.2%。此外,在公开数据集上取得最好的F1分数。由此说明,该网络更够适应文本敏感信息感知脑信号潜伏期抖动性,有效地提升了文本敏感信息检测模型的稳定性。

多感受野特征自适应融合及动态损失调整的初烤烟叶等级检测

初烤烟叶等级的快速准确检测对开发烟叶智能分级设备以促进农产品精细化管理有着重要意义。针对相似度较高但等级不同的初烤烟叶难以区分的问题,本文提出多感受野特征自适应融合及动态损失调整的初烤烟叶等级检测网络(Flue-cured Tobacco Leaf Grade Detection Network,FTGDNet)。首先,FTGDNet采用CSPNet作为特征提取主干网络,采用GhostNet作为辅助特征提取网络以增强模型的特征提取能力;其次,在主干网络末端嵌入显式视觉中心瓶颈模块(Explicit Visual Center Bottleneck module,EVCB)以实现全局特征信息与局部细节特征信息融合;然后,构建多感受野特征自适应融合模块(Multi-Receptive Field Feature Adaptive Fusion module,MRFA_d),利用注意力特征融合机制(Attention Feature Fusion,AFF)将不同感受野特征图进行自适应加权融合,在增强模型局部感受野的同时突出有效通道信息;最后,设计了一种新的定位损失函数(More Complete IoU Loss,MCIoU_Loss),结合预测框与真实框面积损失以解决在回归定位过程中二者宽高比相等且中心点重合时CIoU_Loss性能退化导致定位精度下降问题,此外,引入矩形相似度衰减系数在训练过程中对真实框与预测框的相似度判别项进行动态调整,加快模型拟合。实验结果表明,FTGDNet对十个等级的初烤烟叶的验证精度达到90.0%,测试精度达到87.4%,且推理时间仅为12.6 ms。相较于多种先进目标检测算法,FTGDNet具有更高的检测精度和更快的检测速度,可为高精度初烤烟叶等级检测提供关键技术支撑。

无信控交叉口网联车辆动态碰撞风险检测与预警策略

针对无信控交叉口碰撞事故多发的问题,面向网联人工驾驶环境,研究提出了一种基于车车通信的无信控交叉口网联车辆碰撞动态风险检测与预警策略。在构建典型无信控交叉口场景的基础上,设计了一种基于多项式拟合的车辆轨迹模型;融合利用碰撞到达时间和风险暴露时间作为风险检测指标,构建了一种圆形-双圆车辆模型实现车辆碰撞风险检测;综合考虑了驾驶人异质性及其交互行为,提出一种基于博弈论和遗传算法的两级碰撞预警策略;基于SUMO搭建仿真环境对预警策略的有效性及适用性进行测试分析。结果表明,所提策略能够准确识别出所有的碰撞事件并触发预警,预警成功率达到100%;在不同比例驾驶人组成测试工况下,所提预警策略均能显著降低碰撞率和平均碰撞动能。

基于组合相似度动态聚类和词熵的网络话题在线检测

[研究目的]为实现网络热点话题的在线检测,提升增量式聚类算法的聚类效果,提出了基于组合相似度的动态聚类算法,同时通过计算词熵实现主题词提取和演化跟踪。[研究方法]通过CIFG-BiLSTM-CRF模型实现文本的命名实体识别,计算文本与话题的实体相似度,再取文本词向量与话题中心余弦相似度的最大值作为词向量相似度,二者结合判断文本所属话题。在聚类过程中利用时间窗口策略实现话题中心和成员文本的动态更新。同时,计算文本词熵,生成话题的词熵和列表,实现话题主题词提取和演化跟踪。实验以新冠疫情新闻为数据实现话题在线检测,并展示了话题主题词的演化和跟踪过程。[研究结论]实验表明,与传统相似度计算方法相比,组合相似度能够获得更好的聚类效果,聚类过程中提取出的话题主题词也正确地反映了原始数据的热点话题内容。

基于特征值的动态数字信道化子带检测算法

动态数字信道化接收结构通过检测所有子带,判断信号是否存在,为综合滤波器组处理提供依据,因此子带检测在接收结构中起着关键作用。针对传统检测算法存在低信噪比(signal-to-noise ratio,SNR)下检测性能不高的问题,依据随机矩阵理论,提出了基于最大最小特征值之差与平均特征值之比的检测算法,利用平均特征值和最小特征值的极限分布规律来推导算法的检测门限。其次,根据所有子带数据获取的特征值信息对所提算法进行了优化。最后,在动态数字信道化接收结构中,分析不同因素下算法的性能,表明了所提算法能够克服低SNR的影响,子带检测的性能更好。

基于固定检测器的动态交通故障数据识别与修复

针对固定检测器在采集动态交通数据过程中易发生交通数据异常、数据缺失等问题,为实现故障数据有效识别及修复,提出了基于离群距离检测的故障数据识别算法及改进的DE-LSTM数据修复模型。利用时序数据的自身连续性,采用直接离群点定位和离群距离检测对故障数据进行有效识别。采用差分进化算法优化长短期记忆神经网络的隐含层神经元个数和初始学习率,并引入自适应控制策略改进传统DE算法中的变异因子、交叉因子,建立了基于改进差分进化算法优化长短期记忆神经网络的修复模型,并与固定阈值结合交通流机理、LSTM神经网络模型及DE-LSTM修复模型进行对比。实例验证结果表明:与固定阈值结合交通流机理法相比,离群距离检测算法识别率更为高效,改进的DE-LSTM模型具有良好的计算效率及修复性能。

基于动态模拟技术的混动车辆发动机电控单元检测系统设计

电控单元是混动车辆发动机中的重要组成部分,对于发动机以及混动车辆的行驶性能产生直接影响,为保证电控单元的运行正常,利用动态模拟技术,优化设计了混动车辆发动机电控单元检测系统;改装温度、转速等传感器设备以及信号处理器设备,调整系统电路的连接方式,实现硬件系统的优化;利用动态模拟技术模拟混动车辆发动机电控过程,结合不同故障类型下电控单元的运行特征,设置系统的检测标准;采集电控单元输出信号,从时域和频域两个方面提取信号特征,最终通过特征匹配确定电控单元状态、故障类型以及故障位置,实现系统的电控单元检测功能;综合混动车辆发动机的3种运行场景,通过系统测试实验得出结论:与传统检测系统相比,优化设计系统的漏检率和误检率分别降低了2.59%和2.05%,由此证明优化设计系统具有良好的检测功能。

刚性架空接触网弓网动态检测探讨

刚性架空接触网设备安装精度要求高,且基本设置在环境相对复杂的隧道内。为确保设备良好工作状态,本文通过对刚性架空接触网检测依据、项目进行分析,对实际检测数据进行对比,提出了有效的刚性架空接触网检测方法,为后期隧道内刚性架空接触网相关设计提供参考。

基于动态规整与改进变分自编码器的异常电池在线检测方法

针对电池生产成组过程中,传统异常检测方法对混入的容量及压差异常电池检测精度低及生产结束后离线异常检测方法效率低等问题,该文提出一种集合长短期记忆变分自编码器与动态时间规整评价的锂电池异常在线检测方法(VAE-LSTM-DTW),实现了异常电池的在线检测,避免了离线异常检测所造成的时间和能源的浪费。该方法首先将长短期记忆网络(LSTM)引入变分自编码器(VAE)模型,训练电池时序数据重构模型;其次,在电池异常检测的度量标准中引入动态时间规整值(DTW),并基于贝叶斯寻优获得最优检测阈值,对每个单体电池重构数据的动态规整值进行异常辨别。实验结果表明,相较该领域传统异常检测方法,VAE-LSTM-DTW模型性能优越,查准率和F1值都得到了较大的提升,具有较高的有效性和实用性。

基于动态Transformer的轻量化目标检测算法

针对Transformer检测模型计算复杂度高以及检测效率低的问题,提出一种轻量化的动态Transformer目标检测改进算法。首先,在自注意力模块中引入动态门来筛选重要的关注区域,设计了从局部到全局的动态稀疏自注意力机制,在减轻计算负载的同时增强模型的多尺度泛化能力;其次,在模型结构层面上引入了动态跳层机制,使模型在推理过程中能够根据输入自适应调整参数和结构,在检测速率与精度之间取得更好的权衡。实验结果表明,改进后检测模型的计算冗余有效降低,相比现有的基准模型更加高效,实际应用空间更加广阔。

DUWe:动态未知词嵌入方法在Web异常检测中的应用

现有的基于深度学习模型的词嵌入方法用于Web异常检测时,通常将语料库中没有出现的未知词汇(Out of Vocabulary,OOV)设置为unknown,并赋予零或随机向量输入到模型中进行训练,未考虑未知词汇在Web请求语句中的上下文关系。同时,在Web系统代码开发过程中,基于个人习惯并为了增加代码的可读性,程序员设计的请求路径代码往往存在一定的模式。因此,考虑到Web请求的模式和单词语义间的相关性,研究基于Word2vec的动态未知词表示方法DUWe(Dynamic Unknown Word Embedding),该方法通过分析Web请求路径中单词上下文的关系来赋予未知词向量的表示内容。在CSIC-2010和WAF Dataset数据集上的实验评估表明,增加未知词表示方法比仅用Word2vec静态特征提取方法具有更好的性能,同时在准确性、精准率、召回率和F1-Score方面均有提高,在训练时间上最大降低1.14倍。

基于动态受控主元分析模型的故障检测

为了提高故障检测准确率,提出了基于动态受控主元分析(dynamic controlled principal component analysis,DCPCA)模型的故障检测方法。首先,利用DCPCA提取动态受控主元(dynamic controlled principal component,DCPC),所得DCPC包含过程的自回归特性和与控制输入之间的动态因果关系,使得构建的DCPCA模型更精确。然后,针对传统方法只对过程变量进行静态空间结构的故障检测,忽略了动态特性的问题,基于DCPCA模型适时应用检测综合指标,对系统进行静态重构误差和动态模型误差的双重检测,使得检测结果更全面。最后,基于田纳西-伊斯曼(Tennessee-Eastman,TE)过程的仿真结果验证了所提方法的可行性和有效性。

联合目标检测与深度信息的动态特征点去除方法

针对在动态环境中,视觉定位系统的定位精度和鲁棒性容易受到动态特征点影响的问题,提出了一种联合目标检测与深度信息的动态特征点去除方法.引入YOLOv7目标检测网络快速获得当前图像帧的目标类别及位置信息,加入坐标注意力(coordinate attention,CA)机制优化深度学习模型,提升网络目标检测精度.此外,提出了一种利用深度信息和对极几何约束的动态特征点优化策略.有效剔除了动态特征点,同时保留了尽量多的静态点,从而降低了动态点对系统定位精度和鲁棒性的影响.在公开的数据集TUM上进行实验验证.结果表明:与ORBSLAM2(oriented fast and rotated brief-SLAM)相比,所提方案在定位精度和鲁棒性上有明显优势.同时与动态同步定位和地图构建(dyna simultaneous localization and mapping,DynaSLAM)相比,定位精度基本持平,但在运行速度上实现了显著提升.

一种基于目标检测的动态环境下视觉定位系统

传统的基于同时定位与建图模型的视觉定位方法需要满足目标点静止假设,但大多数小型机器人的实际应用场景为动态,这限制了现有视觉定位算法在小型机器人上的使用。为此,文中使用YOLOv5卷积神经网络对环境中的动态目标进行检测,然后剔除分布在图中的移动特征点,进而改进位姿估计准确性的动态消除方法,并将此方法集成于ORBSLAM2视觉定位系统。改进方案在TUM公共动态数据集上的测试结果表明,基于YOLOv5的检测方法能够快速、准确地识别场景中的动态目标,并显著降低动态环境下位姿估计的绝对误差和相对漂移,是一种有效的动态场景视觉定位方案。

基于外差相敏色散光谱技术的宽动态范围甲烷气体检测

为实现痕量甲烷气体的宽动态范围高灵敏度检测,本文开展了双边带拍频抑制模式的外差相敏色散光谱技术研发,研究了电光调制器工作特性以及偏置电压调控方法,对比了抑制与非抑制模式下的色散相位谱轮廓与信噪比,并对检测性能(如线性动态检测范围)进行了系统研究。基于近红外分布式反馈激光器和电光调制器,搭建了外差相敏色散甲烷气体检测系统,通过探索和分析电光调制器的最佳工作区间,实现了双边带拍频抑制进而得到了大幅值、高信噪比的色散相位信号。测量了典型高频(1.2 GHz)强度调制下甲烷/氮气标气的色散相位信号,获取了色散相位信号峰峰值随气体浓度的变化规律。同时开展了波长调制光谱技术实验,对两种技术的线性度、检测动态范围和对光功率波动的抗干扰性能进行对比研究。最后,通过测量不同浓度的标气验证了该系统在宽动态、快速时间响应下的性能。所开发的基于外差相敏色散光谱技术的甲烷检测系统具有线性度高(R^(2)=0.9999),动态检测范围宽(38.5 ppm~40%),且对光功率波动免疫性高的显著优势。本文研发的基于外差相敏色散光谱技术的气体检测技术在宽动态范围检测和实际现场检测应用领域具有广阔的前景。

基于连续变化检测和分类算法的动态遥感生态指数构建

沿海地区经济社会高速发展,是生态环境变化的焦点区域。然而,沿海地区云雨天气频发,遥感信息获取能力受限,导致遥感生态质量指数(RSEI)评价结果受成像日期变化而波动,可比性较差。针对以上问题,研究利用连续变化检测和分类(CCDC)算法构建时间序列模型,通过合成任意时刻影像、重构遥感生态指数以及改进指数归一化方式,研发了一种动态遥感生态指数(DRSEI),细化了RSEI在区域生态质量监测的时间尺度,并应用于沿海城市宁波生态质量时空变化监测。结果表明:(1)RSEI对时间差异较为敏感,当影像年内成像时间相差逾1个月,RSEI差异可达0.147,这种差异会对长期生态质量动态监测的稳定性和准确性造成影响。(2)基于合成影像的DRSEI平均绝对偏差为0.097,接近成像时间相差半个月的RSEI差异(0.072),误差相对较小,一定程度上减小了真实影像时相差异引起的误差。(3)DRSEI能够表征任意时刻生态质量,通过年际(1986—2019年)和半月际(2019年)DRSEI分析揭示了宁波市生态质量总体下降趋势和时空异质性加剧过程。具体地,1986—2019年宁波市南部和西部森林区域的DRSEI持续上升,而近郊农田快速转化为建成区导致DRSEI不断下降。研究提出的DRSEI能够精确描述区域生态质量变化趋势,准确定位生态质量变化转折点,有望服务海岸带地区的生态质量定期监测与评估工作,支持沿海城市高质量发展与生态环境保护。

动态内全潜结构投影的空间扩展故障检测方法

动态内偏最小二乘(DiPLS)方法是基于数据驱动的潜结构投影的动态扩展算法,用于动态特征提取和关键性能指标预测.在大型装备系统中,传感器采集的当前时刻样本受历史样本的影响且可能包含较大噪声.在动态特征提取中,因DiPLS算法未按降序提取主成分,导致残差空间仍存在较大变异,动态和静态信息难以有效分离,影响故障检测性能.为此,本文提出了一种基于动态内全潜结构投影的故障检测方法(DiTPLS).首先,使用动态内偏最小二乘方法和向量自回归模型建立动态模型并检测故障,用于捕捉质量相关动态信息;基于结构化动态主成分分析算法建立一种改进的动态潜在变量模型,用于残差分解,提取质量无关的动态信息和静态信息,并构造合适的统计量进行故障检测.数值仿真和田纳西–伊斯曼过程实验验证了DiTPLS算法的有效性.

利用动态裁剪差分隐私实现联邦学习入侵检测

网络入侵检测任务中应用联邦学习技术可以在参与方数据本地化的同时扩充标签数据数量,以此得到性能更优的检测模型.然而,联邦学习训练过程通常涉及服务器与参与方之间的多次交互,而在交互过程中,参与方上传的参数容易受到攻击者的恶意窃取,造成数据隐私泄漏.针对此问题,提出了一种基于动态梯度裁剪的差分隐私保护方法 DCDP,DCDP选取训练过程中梯度的L2范数分位数作为裁剪阈值,之后通过参数噪声传递实现参与方数据隐私保护,保证了噪声添加合理性,从而避免手动设置阈值造成的性能受损.改进联邦平均算法FedAvg,添加Macro-F1指标进行加权聚合,得到新的网络入侵检测算法DCDP-FedF1.通过在CICIDS2017数据集上进行对比实验,证明了DCDP-FedF1的有效性和先进性.