基于Focal Loss改进LightGBM的供水管网毛刺数据检测

针对数据不平衡导致的管网毛刺数据检测召回率偏低问题,提出一种Focal Loss改进LightGBM的管网毛刺数据检测方法。首先,结合管网毛刺数据的特点,针对性构造邻域相关特征。其次,将Focal Loss函数引入LightGBM,提高模型对难以检测的毛刺样本的权重,并对Focal Loss不同的参数取值进行实验,以平衡精确率与召回率。最后,选择不同参数的Focal Loss进行模型融合,进一步提升模型对不平衡毛刺数据的检测性能。在某市供水管网的真实数据上进行实验,结果表明,对比基于交叉熵损失函数的单一模型,本文提出的Focal Loss改进后的融合模型在毛刺数据上召回率和F1值的提升幅度达33.3和18个百分点,但毛刺数据的精确率还有待进一步提升。本文所提方法从损失函数入手,动态调整难易样本的权重,有效地提升了不平衡数据下的毛刺数据的检测性能。

一种干涉数据毛刺的检测校正方法

针对毛刺的实时检测校正需求,提出一种基于滤波和预定义阈值检测的干涉数据毛刺实时检测校正方法,并给出了基于现场可编程门阵列的硬件实现。在使用较少硬件资源的情况下,所提方法可实现较高的检测精度,能有效检测出干涉数据中央条纹区可能存在的毛刺,可满足星上数据等实时处理的应用需求。