基于FFA-Net与改进YOLOv8n的雾天行车目标检测算法

针对雾天行车场景中目标检测精度差、效率低和漏检等问题,通过优化YOLOv8n网络并结合FFA-Net算法提出了一种新的雾天行车目标检测算法,以提高雾天环境下的目标检测效果。利用FFA-Net去除雾天图像中的噪声和模糊,以增强图像的清晰度和对比度。对KITTI数据集进行数据增强,并且利用迁移学习策略,以YOLOv8n模型为基础,增加小目标检测层,让网络同时关注到图像中不同尺度的特征,使网络更加关注小目标的检测,提高检测效果。在骨干网络末端引入GAM注意力机制以增强网络对全局信息的感知能力。仿真结果表明:针对雾天行车场景下的目标检测,去雾网络能将图像的清晰度做到高度还原,所提出改进算法的mAP值、Precision值和Recall值与原模型相比也分别提高4.7%、3.8%、6.4%,相比传统的目标检测算法具有更好的场景适用性和更高的检测精度。

基于FFA-Net与YOLOv5的雾天行车障碍检测技术研究

大雾天气会导致视觉传感器成像模糊,环境感知准确率低,因而严重威胁无人驾驶的安全性能。因此,本文提出了将FFA-Net去雾算法与YOLOv5目标检测算法相匹配,进而实现雾天环境下的行车障碍检测方案。实验表明,与直接利用YOLOv5对雾天交通图像进行检测的方法相比,利用本文提出的检测方法得到的Precision值、mAP值和Recall值均有明显提高,且该方法通过图像去雾后能够更好地识别交通场景中的障碍物信息,对于提高不良天气下的行车障碍检测性能,保障无人驾驶安全具有重要应用价值。

一种基于FFA-Net改进的单幅图像去雾算法

雾霾会严重影响使用卷积神经网络的视觉系统对目标图像的检测和识别能力,为此本文在特征融合注意力网络FFA-Net的基础上设计和添加全局空间上下文增强(GSCE)模块和细节渐进增强(PDE)模块,进而提出一种改进型单幅图像去雾算法。GSCE模块用于增强全局空间信息,PDE模块用于逐步细化和增强图像特征,二者结合进行高效和轻量级的特征提取,弥补原模型中大量使用跳跃连接所造成的细节信息损失。改进模型分别在公共基准数据集RESIDE的室内数据和室外数据上进行训练,并分别在SOTS的室内和室外两个数据集上进行了测试。结果表明,本文算法明显超越了原FFA-Net和现有典型的单幅图像去雾算法,尤其在SOTS室内测试数据集上,单独融合GSCE模块就使得PSNR指标从36.36 dB提升到38.39 dB,在进一步使用PDE模块后PSNR指标提升到38.78 dB,算法的去雾性能得到较大提高,验证了改进策略的有效性。

如何减少脱臭馏出物中含油量

使用国产板式脱臭塔脱臭时,脱臭馏出物的酸值在65 mgKOH/g左右,使用Alfa Laval软塔,其酸值在120 mgKOH/g左右。在设计新脱臭塔时,为了保证成品油品质,可采用填料和板式段相结合的方式。国产板式脱臭塔通过改用600 mm厚丝网层捕集飞溅油和游离脂肪酸,可提高馏出物的酸值到90 mgKOH/g,同时可降低馏出物中的含油量,提高油脂精炼率0.1%~0.3%。

改进的最小割集生成算法与联锁系统模型的安全性测试

为保证铁路联锁模型的安全性,在故障分析法的基础上提出一种新的用Petri网来建立故障树的方法,动态地描述铁路联锁系统的安全性需求,并根据Petri网安全需求模型的可达标志图,提出一种能自动生成最小割集的算法。根据算法生成的最小割集,设计了一个联锁安全检测器,用于检测和控制联锁系统模型处于安全状态。最后用CPN工具对所建立的联锁系统模型进行仿真,仿真结果表明联锁安全检测器能够保证模型的安全性。