基于模型微调的空中无人机小样本目标识别方法

空中无人机目标识别是现代军事、航空领域的迫切需求,由于目前无人机的功能和种类繁多,对于新机型很难采集大量的无人机样本用于训练目标识别模型;针对该问题,提出了一种基于模型微调的空中无人机小样本目标识别方法;方法以Faster R-CNN为基础架构,首先采用具有大量标记样本的常见机型数据预训练Faster R-CNN模型;然后将基础架构最后的分类层替换为余弦度量,构建联合新机型与常见机型的小样本平衡数据集以较小的学习率微调分类层;实验结果表明,在标记样本数量为5、10和50的情况下,基于模型微调的小样本目标识别模型的mAP分别为88.6%,89.2%和90.8%,能够满足空中无人机小样本目标识别任务需求,且优于其它小样本目标识别方法。

基于水质目标的小清河流域邹平段污染物综合治理效果评价

实施综合治理措施是改善流域水环境、提升水质的有效手段之一,进行效果评估是检验治理措施成效的关键。以小清河流域邹平段为研究对象,对3种影响该流域水质的主要污染物(NH_(3)-N、TN、TP)进行治理。根据污染物负荷的来源,从流域的点源、面源及外源提出了不同治理措施并进行5种组合。利用土壤和水评估工具(soil and water assessment tool,SWAT)模型对不同降水情况下5种情景进行模拟,分析各情景中治理措施实施后NH_(3)-N、TN、TP浓度状况,并结合R-R-V(reliability-resilience-vulnerability)指数法和熵值法对不同情景治理措施的治理效果进行综合评价。结果表明:不同措施组合的治理情景均能够改善水质状况,其中S5(城镇污水处理率提高到100%,农村污水处理率提高到80%,裸露地减少30 km^(2),上游负荷减少40%,施肥量减少40%)情景下,唐口桥断面丰水年、平水年和枯水年均达到Ⅲ类水质目标。不同降雨情况下,S5情景综合得分最高,丰水年和平水年均为0.96,枯水年为0.88,该情景的治理措施对水质改善效果最佳。因此,R-R-V指数和熵值法相结合能对综合治理措施的效果进行评价,并为小清河流域邹平段水质管理目标的实现提供治理措施筛选的依据。

基于FPGA加速的Mask R-CNN稻瘟病高通量自适应识别模型研究

针对基于图像的稻瘟病现场检测技术依赖先验知识且受制于算力与田间网络状况,无法实现自适应实时检测的问题,提出一种可利用现场可编程门阵列(Field programmable gate array,FPGA)加速的Mask R-CNN(Mask region-based convolutional neural network)稻瘟病高通量自适应快速识别模型。首先将骨干网络改进为MobileNetV2,利用其倒残差模块降低计算量,提高模型并行处理能力;随后增加用于稻瘟病多尺度特征融合的特征金字塔网络模块,使模型具备多尺度自适应处理能力;最后由全卷积网络(Fully convolutional network,FCN)分支输出稻瘟病病斑的实例分割,同时使用交叉熵损失函数完成稻瘟病的定位与分类。稻瘟病实测数据集对模型的验证结果表明:当输入为全高清图像时,模型平均推理时间减少至85 ms,相较GPU服务器、同级别GPU边缘计算平台,速度分别提高86.2%、63.0%。在交并比为0.6时,准确率可达98.0%,病斑捕获能力平均提升21.2%。提出的Mask R-CNN自适应快速识别模型能够在田间恶劣网络状况下实现稻瘟病的快速现场检测,具有更好的抗噪能力和鲁棒性能,为水稻病害实时检测、察打一体提供了高效实时的片上系统方案。

基于旋转目标检测的青贮机精准抛送系统设计与试验

现阶段青贮收获机主要采用驾驶员或其他操作人员手动控制抛送筒转动的方式完成物料装车,存在操作要求高,劳动强度大,影响收获效率且易造成田间损失等问题。针对上述问题,该研究根据机器视觉原理,设计青贮收获机精准抛送填装系统,通过构建R-YOLOv5旋转目标检测算法,实现对旋转车厢、车内物料、抛送物料流的识别及落料位置判断;根据反馈的期望落料点与实际落料点信息,并通过Arduino控制器实现青贮收获机抛送筒的运动控制,将青贮物料精准抛送至跟车车厢,实现物料的高效填装。试验结果表明:当抛送筒在-60°~60°范围内旋转且角速度低于15°/s时,所构建的R-YOLOv5目标检测算法对料车车厢的识别平均精度高于90%;实际距离与图像像素比值为0.533 cm/px时,青贮收获机抛送筒的理论运动轨迹与实际运动轨迹平均误差保持在4%之内,满足实际作业要求。研究结果可为研发自走式青贮收获机精准抛送填装系统提供借鉴。

结合特征融合与增强注意力的少样本目标检测

为了更充分地利用支持特征和查询特征中的关键信息,提出一种基于特征融合和增强注意力的少样本目标检测方法FFA-FSOD(Feature Fusion and enhanced Attention Few-Shot Object Detection)。首先引入迭代注意力特征融合(iAFF)模块,以有效融合支持图像和查询图像的关键特征;其次在iAFF模块后添加特征增强操作,充分利用支持特征信息对查询图像中的目标特征进行增强。为避免上述两次处理可能导致的查询图像特征部分细节信息的丢失,对iAFF模块中的多尺度通道注意力模块(MS-CAM)进行改进,以捕获更多的上下文信息。在MS COCO数据集上的实验结果表明,在2-way 10-shot条件下,与小样本目标检测(FSOD)方法相比,加入iAFF模块、特征增强操作并改进MS-CAM后,FFA-FSOD的平均精度均值(mAP)提升了8.0%。实验结果验证了所提特征融合增强方法充分关注到了特征中的细节信息,从而实现了更好的少样本目标检测效果。

基于改进Faster R-CNN的隧道衬砌中离散实体目标自动检测研究

隧道衬砌中离散实体目标的检测精度和时效性直接关乎隧道的运营安全,采用图像视觉技术进行图像自动解译可极大提升检测效率和结果的准确性,因此基于离散实体目标的雷达图像数据构建自定义雷达数据集合,并提出一套改进的Faster R-CNN算法对隧道衬砌中的离散实体目标进行自动检测。该算法首先对现有Faster R-CNN网络的特征提取模块进行改进,提出一套全新的轻量化特征提取网络ResNet_FMBConv对雷达图像特征进行深度挖掘;基于ResNet_FMBConv网络改进现有特征金字塔(FPN)结构,实现对多尺寸下目标的精准辨识。其次,基于实测和仿真的雷达图像数据构建离散实体目标的自定义雷达数据集合,通过几何变换方法对雷达图像进行数据增强后用于算法验证。结果表明,改进算法在IOU=0.50∶0.95情况下的检测精确率、召回率、F 1分数和FPS分别为45.1%、54.0%、49.1%和21.65 fps。在保证召回率基本持平的情况下,同比YOLOv3_spp、SSD、Retinanet和Faster R-CNN等目标检测算法的精确率和F 1分数分别提升2%~9%和1%~6%。同时,试验结果表明改进后的特征提取网络ResNet_FMBConv也优于现有Resnet-50、VGG16、Efficientnet_b0和Mobilenetv3等目标分类网络。

基于改进Faster R-CNN的变电站设备外部缺陷检测

针对变电站设备外部缺陷目标检测任务中目标形状多样,周围环境复杂,当前代表性算法识别准确度低,错检漏检严重的问题,对比了众多目标检测算法在变电站设备缺陷数据集上的检测结果,检测精度较高的是添加了特征融合金字塔结构的Faster R-CNN(faster region-based convolutional network)算法,但其对小目标物体和设备渗漏油的检测精度仍有提升空间,为此设计一种基于Faster R-CNN的改进算法。改进算法通过对输入图像进行数据增强,在网络中添加SPP(spatial pyramid pooling)结构以及改进特征融合方式,对分类以及边界框回归损失函数进行改进的方式来提高缺陷的检测精度。与原Faster R-CNN算法进行对比,改进算法在变电站设备缺陷目标检测数据集的检测结果中AP(average precision)(0.5∶0.95)提高了2.7个百分点,AP(0.5)提高了4.3个百分点,对小目标物体的检测精度也提高了1.8个百分点,试验结果验证了该方法的有效性。

多头自注意力机制的Faster R-CNN目标检测算法

文中提出一种融合多头注意力机制、ROIAlign和Soft-NMS的FasterR-CNN目标检测算法,旨在解决原始Faster R-CNN目标检测网络中存在的检测精度低、漏检、误检的问题。首先,为了提高Faster R-CNN的感知能力,提取特征图中的重要特征并降低对无关特征的提取,在网络中嵌入注意力机制;接着,针对共享全连接层的降维操作导致的一些区域的细节信息被忽略,造成局部信息的丢失,采用一维卷积代替共享全连接层实现权重计算的任务,以捕捉更广泛的空间信息;然后为了提供更丰富的特征表达能力,在注意力机制中引入多头机制分别对特征的不同部分进行重要性的加权;为了减少在特征提取时原图信息的丢失,使用ROI Align替换ROI Pooling算法;最后,在算法后处理中引入Soft-NMS替换传统非极大抑制(NMS)算法以减少漏检和误检情况。实验证明,改进后的Faster R-CNN目标检测网络对感兴趣目标的定位能力得到提高,漏检和误检情况减少,平均检测精度得到显著提升。

基于改进Cascade R-CNN算法的船舶目标检测方法

为了解决实际场景下船舶目标检测精度低的问题,本文在Cascade R-CNN算法的基础上,提出一种船舶目标检测方法 Boat R-CNN。Boat R-CNN使用带自注意力机制的Swin-Transformer Tiny网络提取图像特征,使用Soft-NMS非极大值抑制方法提升候选框过滤精度,使用Smooth_L1损失函数加速模型收敛并减少梯度爆炸情况,使用CIOU边界框回归损失提高候选框回归质量,并针对船舶目标的形状特征优化锚框的长宽比,提高锚框的生成质量。实验结果表明,Boat R-CNN算法的精度相比原版Cascade R-CNN算法提高了21.8%,相比主流Faster R-CNN算法提高了30.3%,有效提升了实际场景下的船舶目标检测精度。

基于改进型Faster R-CNN的仓储环境物体识别技术研究

为解决传统目标检测精确度不高、有效性差、难以适应仓储环境下多目标识别应用场景的问题,提出了一种改进型Faster R-CNN目标检测算法。首先,采用ResNet50替换VGG16作为特征提取网络,以提高模型的检测精度;同时,为兼顾多尺度及小目标物体的检测,引入了特征金字塔网络,形成了残差金字塔特征提取网络ResFPN;其次,引入了注意力机制,提高输入特征的空间和通道有效信息利用率;最后,使用RoI Align代替原有的RoI Pooling,以消除因量化取整而产生的预测框回归误差。在经图像增广处理的自建数据集上进行实验测试,结果表明,提出的改进型Faster R-CNN算法在仓储环境下能满足对人员、叉车和托盘的目标检测需求,其平均检测精确度能达到90.2%。

基于雷达和视频融合的目标检测

基于视频的目标检测在恶劣天气情况下识别效果较差,故需弥补视频缺陷、提高检测框架的鲁棒性。针对此问题,文中设计了一个基于雷达和视频融合的目标检测框架,利用YOLOv5(You Only Look Once version 5)网络获得图片特征图与图片检测框,利用基于密度的聚类获得雷达检测框,并将雷达数据进行编码,得到基于雷达信息的目标检测结果。最后将两者的检测框叠加得到新ROI(Region of Interest),并得到融合雷达信息后的分类向量,提高了在极端天气下检测的准确率。实验结果表明,该框架的mAP(mean Average Precision)达到了60.07%,且参数量仅为7.64×10^(6),表明该框架具有轻量级、计算速度快、鲁棒性高等特点,可以被广泛应用于嵌入式与移动端平台。

基于改进Faster R-CNN的肺结核病原体检测

本文提出一种基于Faster R-CNN的肺结核病原体检测方法,以更高的准确率和更低的漏检率检测肺结核.首先,通过Mosaic数据增强方法对数据集进行扩充,提高模型泛化能力,同时引入K-means聚类算法,对所用数据集重新聚类来生成对的锚点初始候选框大小.其次,将Faster R-CNN中的原始特征提取网络替换为Res2Net,并将其卷积核全部替换为空洞卷积,在与原卷积相比参数量不变的情况下,增大了感受野.再者,引入改进后的GC-FPN模块,使模型在轻量化的同时更好的关注小目标信息.最后,引入ROI Align,解决候选框和初始回归位置存在偏差的问题.实验结果表明,在公开数据集上,改进的Faster R-CNN模型与原本的Faster R-CNN算法相比,准确率提高了2.7%,召回率提升了1.4%,该算法不仅在结核图像数据集上得到了验证,而且具有较高的准确率.

基于小样本学习的炸点目标检测

针对武器测试中炸点目标检测存在的误检、错检问题,提出一种融合自注意力机制、底层信息和解冻权重的两阶段微调的小样本学习方法来进行改进。首先将TFA网络中的FPN替换成带有自注意力机制的AC-FPN网络,并且在金字塔结构部分将底层输出送入顶层,构建一个全新的主干提取网络。然后在对整个网络解冻网络权重,使得新的数据集在整个网络上进行训练。为了验证所提算法,在自制炸点数据集上进行训练和测试,最终该方法的AP为55.2%,比原方法明显提高34.2%,对炸点形状的识别有更好的结果,能更好地满足实际要求。并在Pascal VOC数据集上进行了实验,结果表明该算法的有效性。

基于改进NSGA-Ⅱ算法的柔性车间调度问题研究

研究了柔性车间调度中双目标调度优化问题,以最小化最大完工时间和最小化机器空载率为优化目标,基于生产机加车间产线建立数学模型。选取NSGA-Ⅱ(Non-dominated Sorting Genetic AlgorithmsⅡ,NSGA-Ⅱ)算法作为基础算法,在此基础上提出基于反向学习的NSGA-Ⅱ算法(简称OBL-NSGA-Ⅱ),通过引入反向种群,增加种群的多样性,保证了解的质量,能够有效避免算法迭代过程中由于种群多样性降低导致算法陷入局部最优的问题。最后通过Matlab仿真软件进行了对比实验,验证了所提算法的有效性。

基于嵌入式平台和轻量化模型的板材计数装置

针对堆叠板材计数过程中人工计数法效率低、准确性不高的问题。本文提出了一套基于嵌入式平台和轻量化模型的板材计数装置,将改进的Faster R-CNN网络植入工控机中运行,可以在工业和物流现场实时识别板材的数量。内置网络使用轻量级网络MobileNetv2融合轻量通道注意力机制ECA作为骨干网络,使用空间注意力机制和倒置残差结构重构FPN架构,并提出了一种基于高度交并比的HIOU_Loc预测框去冗余处理新算法,以缓解小目标检测困难的难题。在基于N4100平台的工控机中运行实验表明:本文所提出的算法对板材计数准确度达到了98.51%,检测一张高分辨率板材图像仅需0.31 s。本装置设计了一个校正模块,经过人工后处理后,对于堆叠板材的计数准确率可以达到100%,满足了实际场景下对板材实时计量的需求。

改进的Faster R-CNN绝缘子识别模型

为了适应更多更复杂的传输线路巡检要求,提高巡检实时性,提出了一种基于改进的Faster R-CNN绝缘子目标检测算法模型。对于拍摄传输的巡检绝缘子图像,提出了一种小波变换融合维纳滤波的去噪方法。针对绝缘子的形状特征,将原有的锚框比例1∶1,1∶2,2∶1改为更加适合研究数据的1∶2,2∶1,1∶3,3∶1,并用软化非极大值抑制算法代替原有的非极大值抑制算法解决因拍摄角度而存在的绝缘子遮挡的漏检情况。实验结果表明,改进的Faster R-CNN目标检测算法比原有的算法有更高的识别准确率。

基于改进Faster R-CNN的多种类车灯检测方法

自主喷涂机器人可以实现各种类型汽车车灯的自动化喷涂,而基于机器视觉的车灯检测算法是该机器人的关键技术。针对目前缺乏深度学习算法在喷涂环境中检测车灯的问题,提出一种基于改进Faster R-CNN的检测算法。改进的算法中用密集残差网络De-ResNet代替原有的特征提取网络,融合了多层次的特征信息,增加了网络深度,避免了网络梯度的消失。同时利用距离交并比DIoU对原算法中的损失函数进行了改进,引入了良好的距离度量,进一步提高了检测精度。实验结果表明,改进算法的平均准确率为98.56%,单幅图像的平均识别时间为0.45 s,能够实现对车灯类型的有效识别,满足实时处理的要求。

一类对称可微不变凸多目标规划的最优性

多目标规划与广义凸性是最优化理论的重要研究内容。主要利用Minch对称梯度,定义了一类对称可微G-B s-(p,r,ρ)不变凸函数,利用该函数建立了含有不等式约束的多目标规划问题,并证明了该函数凸性限制下的最优性充分条件,进一步拓宽了涉及B-(p,r)不变凸函数、G-ρ不变凸函数的文献中有关最优性条件的结论。

基于改进级联R-CNN的钢材带状碳化物检测与分级

在钢铁行业中,碳化物是钢材中一种非常重要的组成成分,其在钢材中的分布对于评估钢材的质量具有很高的参考价值。然而,目前棒材碳化物的检测手段主要为人工检测,成本高昂且缺乏稳定性。引入人工智能领域的深度学习技术,收集并标注了3192张高质量钢铁棒材带状碳化物图像与11个完整样品数据,创建了工业场景下的棒材带状碳化物目标检测数据集(Banded carbide dataset on object detection for steel bar,BCDOD)。使用深度学习领域中常见的目标检测方法对数据集进行了实验分析,针对应用场景与数据的特点,引入旋转数据增强、Focal Loss函数与负样本微调对级联R⁃CNN模型进行改进,提升了模型的性能,平均精度达到96%。同时,在完整样品数据取得了100%的识别准确率,取得了较为理想的效果,弥补了人工智能技术在碳化物金相检测领域的空缺。

基于声波操纵的微小物体运动建模与控制

采用声波操纵克拉尼平板上的微小物体,在精准医学、液滴和颗粒的工业控制等方面有着广阔的应用前景.传统声波操纵认为在运动过程中,声波对微粒的影响是无序的,而近年来,研究得出声振动是有序的,但缺乏精确、有效的建模手段,限制其应用.针对该问题,本文提出了结合Faster R-CNN算法与局部加权回归(LOESS)算法的方法对声波场进行建模.采用图像识别技术辨识微粒在克拉尼平板上的位置,计算在某一固定声波频率下微小粒子在克拉尼平板不同位置上的位移.在积累大量位移数据后,基于LOESS算法,建立平板上的完整声波位移模型,分析声波力场如何在平面上对微小物体的运动施加影响,并建立仿真模型,进行克拉尼平板上微粒操纵的仿真实验.最后,本文将基于所搭建的声波操纵平台,对易碎的速溶咖啡颗粒进行控制,通过与仿真实验相对比,验证了建模与控制方法的可行性,证明该模型可实现微小粒子的运动控制.