一种改进的概率霍夫直线检测算法

针对概率霍夫直线检测算法检测速率不高、检测精度易受其他特征和连续间断线干扰的缺点,提出了一种改进的概率霍夫直线检测算法。改进后的算法将注意力集中在直线可能存在的若干个区间,提升了检测速率与精度,在直线检测全过程监控并剔除连续间断线,提升了算法的抗干扰能力。经过100组铝锭边缘线检测的实验验证,改进后算法相较原算法平均检测速率提升至1.77倍,查准率提升至1.45倍,且改进后算法在其他图片上的检测速率和检测效果相较原算法也有明显提升。

基于改进YOLOv5s的道路裂缝检测算法

为了解决道路巡检系统光学传感器采集的裂缝图像中颜色特征不明显且尺寸不规则造成检测精度不高、泛化能力不足的问题,提出改进YOLOv5s的裂缝检测算法。将结合深度可分离卷积(Depthwise Separable Convolution, DSC)的全局注意力(Global Attention Mechanism, GAM)引入主干特征提取网络,在降低注意力复杂度的同时获得丰富的跨维度特征,增强了裂缝的识别能力;采用空间金字塔软池化网络(Spatial Pyramid Softpool, SPSF),通过Softpool池化保留多维语义以减少信息弥散,提高了边界框回归的准确性;在颈部特征增强网络,运用空洞深度可分离卷积(Atrous DSC)进行下采样,通过扩大感受野加强深层和浅层信息的聚合能力,提高裂缝识别的泛化性。经过在自制道路裂缝数据集上的实验,相较于YOLOv5s,改进算法的mAP提高2.2%,有效提升了道路裂缝检测的准确性和对不同背景下裂缝识别的泛化能力。

考虑载客状态的改进孤立森林浮动车异常数据检测算法

为提高浮动车数据中异常数据检测能力及不同载客状态下的模型检测分析能力,提出基于S-DTA-IIForest(Summation&Difference Third Order Average&Improvement-Isolation Forest)的浮动车数据异常检测算法。构建由相邻两项求和(S)、三阶求和平均差分(DTA)的二维度空间SDTA特征向量;提出差额累计更新和动态区分辨识的改进孤立森林IIForest算法,通过设置停止阈值参数,避免当出现新样本异常值分数大于停止阈值时,仅更新样本不更新孤立森林模型的问题,设计每个二叉树区分辨识度参数,区分辨识度位于停止区间时停止二叉树生长,提高算法收敛性能,以ROC(Receiver Operating Characteristic)曲线下面积AUC(Area Under ROC Cure)、F1-score为指标对模型精度进行对比分析,并以重庆市中心城区学府大道开展实例验证。结果表明:本文S-DTA-IIForest组合算法AUC、F1-score分别为86.63%、0.89,AUC较传统孤立森林IForest(Isolation Forest)提高32.4%,运行效率提高1.29%,具有收敛速度更快、精度更高的优势,载客条件下模型AUC、F1-score较未载客分别提高7.7%、10.8%,组合算法对载客数据有更高的检测精度,且未载客状态数据异常率较载客状态增加71.4%,未载客数据异常率更高。

机械通气人机不同步自动检测算法综述

该研究总结了患者与呼吸机非同步性(patient-ventilator asynchrony,PVA)自动识别技术在机械通气过程中的应用。在早期阶段,规则及阈值的设定方法依赖于呼吸机参数及波形的人为解析,虽然这类方法直观并易于操作,但在阈值设定和规则选择上相对敏感,不能很好地适应患者状态的微小变动。随后,机器学习和深度学习的技术开始出现并发展。这些技术通过算法自动提炼和学习数据特性,使PVA的检测更具鲁棒性和通用性。其中,逻辑回归、支持向量机、随机森林、隐马尔可夫模型、卷积自编码器、长短期记忆网络、一维卷积神经网络等方法都被成功地用于PVA的识别。尽管深度学习方法在特性提取上取得了显著进步,但是它们对标签数据的需求较大,可能会消耗大量医疗资源。因此,强化学习与自监督学习的结合可能是一个实际可行的解决方案。此外,算法的验证大多基于单一的数据集,未来对于跨数据集验证的需求将是一个重要且充满挑战性的发展方向。

基于深度学习的无锚框目标检测算法综述

近年来,基于深度学习的无锚框目标检测算法备受关注。为了深入理解无锚框检测算法,对比分析了基于深度学习的无锚框检测算法的原理机制、网络结构、核心特性以及优缺点,归纳总结了无锚框检测算法的核心技术,并在同一数据集上通过性能实验研究上述算法的性能,总结提出基于深度学习的目标检测算法未来的研究方向。

基于改进YOLOv5s的仓储货物检测算法研究

针对目前仓储货物分类速度慢、易出错、灵活性差等问题,提出了一种改进YOLOv5s的货物检测算法,对仓储货物进行预分类。首先,根据仓储货物的外形特征,将其分为包装箱与包装袋两大类,形成训练数据集;其次,将骨干网络更换为具有更小模型尺寸的MobileNetV3,加快推理;再次,添加SE注意力机制模块,旨在提高模型的检测精度;最后,结合α_CIoU损失函数,增强模型的灵活度。通过实验验证,改进后的算法相较于原始算法在精确率(Precision,P)、平均类别精度(mean Average precision,mAP)和帧率(Frames per second,FPS)三方面分别提升2.1%、0.5%和10.6%,能够高效地完成对仓储货物的预分类工作。

改进的轻量级行人目标检测算法

针对行人目标数量密集、目标尺度小和目标周围背景光照强弱不一而导致的检测精度低的问题,提出一种基于特征融合的轻量化行人检测算法。以TinyYOLOv4为基础框架,首先,搭建新的主干特征提取网络(CSPDarknet53-S),在原主干网络的基础上加入新的特征提取模块(REM)来增强网络提取行人特征的能力。其次,改进特征融合结构,在主干网络提取高低层特征图后,先是在主干网络与特征融合网络间加入特征融合模块(RM-block)来增大感受野;然后引入浅层特征信息保留更多小目标特征,形成新的特征融合网络(IFFM)。最后,通过YOLO Head对融合来的特征图进行处理获得输出结果。实验结果表明,提出的算法在行人数据集(PASCAL VOC2007和VOC2012的person数据)上取得了较高的检测精度以及较好的检测效果。

BEV特征下激光雷达和单目相机融合的目标检测算法研究

为提高自动驾驶汽车对周围目标物的检测精度,提出了一种激光雷达和单目图像数据在鸟瞰图特征上融合的目标物检测算法(monocular-bird’s eye view fusion,Mono-BEVFusion)。为构建相机BEV特征,搭建了简单高效的深度预测网络预测相机特征的深度,基于显式监督的方法用深度真值对其进行监督。构建激光雷达BEV特征时,将激光点云体素化为柱状网格转化到BEV特征下,设计BEV特征融合网络将激光点云BEV特征和相机BEV特征融合,将融合特征输入到目标检测框架得到目标物(汽车、行人和骑行人)检测结果。利用KITTI数据集和实车路采数据对Mono-BEVFusion融合算法进行评估,实验结果表明该算法相较于现有融合算法综合平均精度提升了2.90个百分点,其中汽车类和行人类单项检测精度分别提升3.38个百分点和4.13个百分点。Mono-BEVFusion融合算法对遮挡目标或者距离较远的目标有较稳定的检测效果,能够有效避免单传感器的漏检现象,具有较好的实际应用价值。

基于对比学习的急性早幼粒细胞白血病智能检测算法模型在全血细胞分析中的建立与验证

目的利用学习统计软件建立基于对比大模型的急性早幼粒细胞白血病(M3)智能检测算法模型(简称M3模型),并验证其有效性。方法通过实验室信息系统(LIS)和医院信息系统(HIS)检索并统计北京协和医院8256例行全血细胞分析的门诊及住院患者数据,建立M3筛查模型。采用2023年7—10月本院行全血细胞分析的门诊及住院患者数据对M3模型进行验证。结果M3模型对全血细胞分析中M3的筛查具有一定应用价值,在筛查中性粒细胞毒性变化方面有一定作用,成功筛出2例中性粒细胞蓝绿色包涵体。结论M3模型对M3诊断的特异性有待提高。后续研究将增加M3阳性病例以优化模型,在保证高敏感性的同时提高特异性,为全血细胞分析智能审核提供帮助。

基于改进YOLOX的水库水面漂浮物目标检测算法

针对目前水库水面小目标漂浮物检测识别精度低的问题,提出基于改进YOLOX的水库水面漂浮物目标检测算法。此算法引入新型dark2模块融入主干网络并拓展主干网络的分支输出结构,提升主干网络对图片的特征提取能力。在此基础上,提出改进特征融合模块(ZL-FPN),用于增强特征图信息融合,提高对水库水面小目标漂浮物的检测精度。结果表明:改进后算法的mAP值比YOLOv4和原YOLOX算法分别提升了29.93%和12.11%,有效提升了水库水面漂浮物检测精度。研究成果可为提升水库智能化管理水平提供有效技术支撑。

基于Adaline算法的高速磁浮列车谐波检测及抑制方法

[目的]为了减小高速磁浮谐波对牵引网产生的影响,保障高速磁浮列车的正常运行,需研究高速磁浮牵引供电系统中的谐波特性及其相应的谐波抑制方法。[方法]分析了高速磁浮牵引供电系统的构成,并对双三相半控12脉冲多重整流电路及其谐波进行了理论分析和仿真。根据Adaline神经网络算法原理和高速磁浮谐波特性,构建基于Adaline的高速磁浮谐波检测模型。采用谐波补偿控制策略,产生与检测出的谐波方向相反、大小相等的电流作为补偿信号,对系统畸变电流进行谐波抑制。[结果及结论]仿真结果表明:采用基于Adaline算法的谐波检测及抑制方法前,谐波畸变率为11.16%,而采用该方法后,各次谐波含量明显降低,谐波畸变率下降为1.41%。研究结果表明:所提谐波检测及抑制方法可以有效减少谐波畸变,提高牵引供电系统的稳定性和工作效率。

基于改进YOLOv5s的小目标检测算法

针对当前主流目标检测算法对图像中远距离小目标产生的漏检、误检等问题,提出一种改进YOLOv5s的小目标检测算法。在模型训练过程中,通过引入Focal-EIOU定位损失函数,加强边界框的定位精度;在骨干网络中,通过添加小目标检测层,提高小目标的检测精度;在Neck结构中,通过优化上采样算子和添加注意力机制,加强小目标的特征信息。实验结果表明,改进后的算法在VisDrone数据集上与YOLOv5s算法相比,mAP@small提高了3.2%,且检测速度满足实时性的要求,能够很好地应用于小目标检测任务中。

基于改进YOLOv3-SPP算法的道路车辆检测

针对在城市道路场景下视觉检测车辆时,车辆密集和远处车辆呈现小尺度,导致出现检测精度低或者漏检的问题,提出了一种基于改进的YOLOv3-SPP算法,对激活函数进行优化,以DIOU-NMS Loss作为边界框损失函数,增强网络的表达能力。为提高所提算法对小目标和遮挡目标的特征提取能力,引入空洞卷积模块,增大目标的感受野。实验结果表明,所提算法在检测车辆目标时m AP提高了1.79%,也有效减少了在检测紧密车辆目标时出现的漏检现象。

基于直线段检测和LT描述符的矿井图像线特征匹配算法

图像匹配是同步定位与地图构建(SLAM)技术中极为重要的一环,用于根据图像之间的变换关系确定相机位姿。基于线特征的图像匹配方法具有较强的鲁棒性和抗噪能力,更加适用于井下图像匹配,基于深度学习的线描述符对线段遮挡等场景具有较高的鲁棒性,性能优于传统描述符,但卷积神经网络架构的描述符将可变长度线段抽象为固定维进行描述,不利于线段长度及视差变化较大图像的匹配。针对上述问题,提出一种基于直线段检测和线描述符的矿井图像线特征匹配算法。在频域利用单参数同态滤波降低图像的照射分量,并增强反射分量,提升亮度及对比度;在YUV空间利用对比度受限的自适应直方图均衡化(CLAHE)算法对亮度分量进行均衡,使亮度分布更加均匀;变换至RGB空间提取直线段检测(LSD)线,引入一种基于Transformer架构的LT描述符构建LSD线的特征向量,最后完成线特征匹配。实验结果表明:该算法结合了同态滤波和CLAHE算法的优点,增强后图像的亮度适中,对比度良好,灰度分布均匀,增强效果优于单参数同态滤波算法、EnlightenGAN算法;该算法提取的线特征数较原图平均提升了32.92%,在不同相似纹理占比、不同程度旋转与平移变化的井下图像匹配中鲁棒性好,平均正确匹配数为61.75对,平均精度为86.83%,优于线二进制描述符(LBD)算法、LBD_NNDR算法、LT算法,能够满足矿井图像稳健匹配的需求。

基于改进LSD的HTCC板错位检测算法研究及应用

为解决摄像头模组所用HTCC板脱离固定槽位所导致的HTCC板破裂以及后续零件安装不良等问题,提出一种基于改进LSD的HTCC板错位检测算法。首先应用伽马变换消除产品图像上的阴影;然后对图像进行双边滤波,与原始LSD算法的滤波相比,双边滤波可以保留更完整的边缘信息;提出改进映射关系且应用双线性插值的尺度缩放算法,消除图像的量化伪影,减少图像的失真;提出断线再连接算法,解决原始LSD算法存在的线段过分割问题;最后基于改进的LSD算法设计HTCC板错位检测算法,求得产品中错位的HTCC板的数量和位置。在工厂现场验证得出该方法的检测平均耗时在800 ms以内,检测准确率在97%以上,与原始LSD算法相比,检测耗时至少减少了38%,准确率至少提高了21%,该方法可以满足生产的实时性和准确性要求。

结合注意力和多路径融合的实时肺结节检测算法

现有单阶段目标检测算法在肺结节检测中结节检出不敏感,卷积神经网络(CNN)在特征提取时多次上采样导致微小结节特征提取困难、检测效果差,并且现存肺结节检测算法模型复杂,不利于实际应用部署落地。针对上述问题,提出一种结合注意力机制和多路径融合的实时肺结节检测算法,并在此基础上改进上采样算法,提升肺部结节的检测精度和模型推理速度,且模型的权重小容易部署。首先,在特征提取的主干网络部分融合通道和空间的混合注意力机制;其次,改进采样算法,提高生成特征图的质量;最后在加强特征提取网络部分,在不同路径之间建立通道,实现深层和浅层特征的融合,将不同尺度的语义和位置信息融合。在LUNA16数据集的实验结果表明,相较于原始YOLOv5s算法,所提算法的精确率、敏感度和平均精度分别提升9.5、6.9和8.7个百分点,帧率达到131.6 frame/s,模型权重文件仅有14.2 MB,表明了所提算法可以实时检测肺结节,并且精度远高于YOLOv3和YOLOv8等现有单阶段检测算法。

基于改进遗传算法的图像边缘检测

针对经典边缘检测算法在一定程度上的局限性,提出了一种改进的遗传算法进行边缘检测。阐述了图像梯度的幅值和变化率,并将遗传算法引入到图像边缘检测中。利用天牛须搜索算法来引导遗传算法中交叉点位置的移动方向。通过提高子辈种群的多样性,防止了搜索区域逐渐缩小,克服了传统遗传算法早熟收敛的现象。实验结果表明,与传统的边缘检测算法相比,改进的遗传算法应用于不同的图像检测具有良好的稳定性和较快的收敛速度,可以收敛到全局最优解甚至逼近全局最优解,从而提高被检测图像边缘的完整性。

基于改进级联算法的不平衡数据集分类检测算法

以提升不平衡数据集分类检测为研究目标,提出基于改进级联算法的不平衡数据集分类检测算法.首先,采用卡尔曼滤波法进行数据去噪预处理,利用小波阈值去噪算法二次消除噪声数据,并对去噪结果进行归一化预处理;利用DPC算法提取数据的局部密度特征,利用时间编码挖掘数据的时序性特征,采用Apriori算法的强关联规则提取数据集特征;利用模糊层次聚类算法对支持向量机进行优化,实现数据类型的划分;利用改进的级联算法联合布谷鸟算法实现不平衡数据集分类检测.实验结果表明本方法的分类协方差低于0.15,检测准确率高于95%,检测时间低于2.2 ms,有效提升了不平衡数据集分类检测效果.

基于改进SegNet网络的障碍物检测算法研究

为了提高自动驾驶车辆的多类障碍物检测的精度,提出一种改进的SegNet神经网络算法。该算法在SegNet网络的基础上结合残差网络和多尺度融合算法,提高分类的准确性。对网络训练策略进行改进,采用自设置对比度归一化算法、学习率调整算法和类平衡算法提高网络的鲁棒性和收敛速度。通过在不同场景下进行实验,结果表明,相较于SegNet神经网络,改进后的SegNet神经网络的像素平均精度(PPA)从85%提高至97%;平均交并比(MIOU)从76%提升至90%。

改进麻雀搜索算法的入侵检测特征选择

针对网络入侵检测所处理数据存在特征维数高、检测效率低、准确率不高的问题,提出一种改进麻雀搜索算法的特征选择方法,旨在减少特征冗余的同时提高分类准确率。利用改进Circle映射初始化种群;结合秃鹰搜索算法中的螺旋搜索方式更新发现者位置;采用单纯形法和小孔成像法优化适应度较差和最优麻雀的位置,提升算法的寻优能力。将该算法与其它算法在6个经典基准函数上进行对比测试,其在收敛速度、精度等方面均有提升。使用数据集CIC-IDS2017进行特征选择实验,平均保留了7.6个特征,准确率达到了99.5%,结果表明,该算法可以在保证准确率的同时有效降低特征维度。