一种基于图像纹理特征的波浪检测方法

针对无人水面艇视觉系统检测波浪问题,基于图像纹理特征,利用灰度共生矩阵的独立特征量,提出一种识别水面波浪等级的特征融合阈值法。该方法对波浪图像进行灰度级调整,计算灰度共生矩阵,提取其四个独立特征量,然后根据分析结果确定特征量权值并计算不同波浪等级的阈值,根据得到的阈值来检测波浪等级。实验表明,该方法适用于无人水面艇对周围波浪环境的检测,具有受光照条件影响较小的优点。

钢轨波浪磨耗检测系统的研究开发

在了解国外各种检测方法基础上,研制完成了钢轨波磨在线检测系统RCIU 1,该系统是一个安装在轨检车上,对钢轨波浪磨耗进行动态在线检测的装置,它采用惯性法原理,利用虚拟仪器技术,在Windows操作平台下实现对轴箱加速度信号的等距离采样、显示和存储,实现了多任务并行处理,同时通过数字处理、积分滤波输出代表钢轨波磨幅值的位移量或标准差。从系统构成、检测原理、数据处理、多任务运行机制、系统标定和动态试验等几方面作了详细阐述。

基于视频时空特征学习的近岸海浪周期检测

近岸海浪周期检测对于近岸精细化海洋预报至关重要。为此,提出一种新的基于视频时空特征学习的近岸海浪周期自动化检测方法。所提方法以连续海浪视频帧为输入,首先利用二维卷积神经网络(2D-CNN)提取视频帧的空间特征,将空间特征在时间维度上拼接成序列,再通过一维卷积神经网络(1D-CNN)提取时间维度特征,这种复合卷积神经网络(CNN-2D1D)能够实现海浪时空信息的有效融合,最后采用注意力机制对融合后的特征进行权重调整,并将所得结果线性映射为海浪周期。将所提方法与基于VGG16网络的单纯空间特征的检测方法和基于ConvLSTM和三维卷积(C3D)网络的时空特征融合的检测方法进行对比。实验结果表明,C3D和CNN-2D1D的检测精度最高,平均绝对误差分别为0.47 s和0.48 s,但CNN-2D1D比C3D的检测结果更稳定,均方根误差分别为0.66和0.81,且CNN-2D1D需要的训练参数更少,这表明所提方法在波浪周期检测中更有效。