结合MCycleGAN与RFCNN实现太阳斑点图高分辨重建

太阳斑点图高分辨率重建是天文图像处理的重要研究内容之一。基于深度学习的图像高分辨率重建,通过神经网络模型学习获得低分辨率图像到高分辨率图像的端到端映射函数,能够恢复图像高频信息,但在用于特征单一、噪音较多、局部细节模糊的太阳斑点图重建时,存在边缘过于平滑、高频信息易丢失等不足。将输入图像与重建图像结构特征加入CycleGAN网络中得到MCycleGAN,利用生成器网络从结构特征中获取高频信息,计算特征差来增强网络重建高频信息的能力;将残差块和融合层加入DeepFuse网络中构建RFCNN,利用图像帧间相似信息互补进行多帧重建,使重建图像边缘更加清晰。利用所提方法的重建结果与云南天文台使用的斑点掩膜法Level1+的结果对比表明,所提算法具有误差小、重建图像清晰度高等优点。

基于CPS感知分析的煤岩截割状态识别系统

煤岩截割状态识别是实现采煤工作面"无人化"开采的关键技术,为了实现煤岩截割状态信息的实时感知与精准判别,结合虚拟样机技术,提出基于CPS(Cyber Physical Systems)理念的煤岩截割状态识别方案,将煤岩截割状态信息的获取、处理、识别等异构数据进行多领域融合。开发不同赋存条件的煤岩离散元模型,建立采煤机截割部刚柔耦合虚拟样机模型,利用DEM-MFBD(Discrete Element Method-Multi Flexible Body Dynamics)双向耦合技术确保运动信息与煤岩状态特征信号数据的实时传递,获取采煤机截割煤岩的振动信号,并通过STFT(Short-Time Fourier Transform)算法将其转化为二维时频图像。结合时频域信息特征,实现煤岩截割状态信息识别模块的搭建。构建一种基于DCGAN-RFCNN(Deep Convolutional Generative Adversarial Networks-Random Forest Convolutional Neural Networks)网络模型的煤岩截割状态识别方法,通过使用改进的DCGAN网络进行时频图像的扩充,采用增加梯度惩罚项的方式提升合成样本维持原始样本特性的能力,生成每类仿真工况包含5 000个合成样本的煤岩时频图像数据集,将仿真原始数据集与合成样本数据集混合作为煤岩截割状态识别网络的训练集与测试集,采用改进的RFCNN算法对模型进行训练,得到模型识别结果。选取不同数量合成样本的数据集以及不同识别方法的网络模型进行对比分析,结果表明,当RFCNN识别网络中未添加合成样本时,其平均识别率为89.74%,随着合成样本数量的增加,煤岩截割状态的识别率提升,当添加合成样本数量达到5 000时,识别效果最佳,平均识别率达到98.09%,验证了采用改进的DCGAN网络丰富数据集的优越性。RFCNN网络模型与CNN,PSO-BP,BP网络模型相比收敛速度快、泛化能力强、识别率高,在煤岩截割状态识别中效果显著,可对软岩硬煤、夹矸层较多等复杂赋存条件做出准确判断。通过构建的煤岩时频谱图像数据集对DCGAN-RFCNN网络进行试验验证,利用混淆矩阵统计煤岩截割状态的识别率为98.41%,与仿真结果接近,验证了该方法的可行性。依托Simulink仿真平台,成功构建基于CPS感知分析的煤岩截割状态识别系统,实现实时数据共享、在线感知与控制,使采煤机具备智能截割能力。