基于改进多传感器数据融合算法的温室环境检测研究

采用传统方法进行温室环境参数检测,通常存在环境复杂、检测可靠性低、精度差等问题。为提高温室大棚多参数检测数据的准确性,提出一种改进的多传感器数据融合算法。首先利用箱线图算法剔除偏离大的传感器数据,得到最优数据集;其次使用支持度和置信距离理论构建新的支持矩阵,将剔除的异常数据用支持度最高值代替,提高参与融合的数据可靠性;然后利用改进的自适应加权算法对数据进行融合;最后经测试,对传感器数据融合算法和算术加权平均融合算法处理结果进行分析比较。实验结果表明,所提算法能够提高温室环境参数检测的精度,融合值的相对误差更低,稳健性较好。

侧扫声纳检测沉船目标的轻量化DETR-YOLO法

基于YOLOv5算法的侧扫声纳海底沉船目标检测方法虽然在检测精度和速度上取得了不错的成绩,但是如何在复杂海洋噪声背景下进一步提高小目标检测的准确性、降低重叠目标漏警和虚警率的同时实现模型的轻量化是一个亟需解决的课题。为此,本文创新融合DETR(end-to-end object detection with transformers)与YOLOv5结构,提出了基于DETR-YOLO模型的轻量化侧扫声纳沉船目标检测模型。首先,加入多尺度特征复融合模块,提高小目标检测能力。然后,融入注意力机制SENet(squeeze-and-excitation networks),强化对重要通道特征的敏感性。最后,采用加权融合框(weighted boxes fusion, WBF)策略,提升检测框的定位精度和置信度。实验结果表明,本文模型在测试集AP_0.5和AP_0.5∶0.95值分别达到84.5%和57.7%,较Transformer和YOLOv5a模型大幅度提高,以较小的效率损失和权重增加为代价取得了更高的检测精度,在提升全场景理解能力和小尺度重叠目标处理能力的同时满足轻量化工程部署需求。

面向嵌入式系统的轻量级目标检测算法

由于嵌入式设备的内存和计算能力有限,在无人机平台上运行基于深度学习的目标检测算法进行实时解析具有很大的挑战性,同时,算法在小目标、高密度、多类别的场景下,检测精度有待提高。在此前提下,构建NCWS-YOLO轻量级算法,以YOLOv5算法为基础,基于非极大值抑制方法,融合加权框融合算法,提出了NCW方法,重构了预测端目标框筛选网络,使检测精度提升了3.9%。并且利用通道剪枝技术,对批归一化层进行通道稀疏化训练,选择不包括shortcut的层进行修剪,使参数量减少了74%,模型大小缩减了72.2%,浮点数运算降低了37.6%,将算法部署于嵌入式设备上实现了对无人机数据集的目标检测任务。所提方法在无人机数据集上测试精度(Pr)和平均精度(mAP@0.5)分别达到了0.941和0.969,在Nvidia Jetson TX2上推理速度提升了49.6%。实验数据表明,该网络能够在低功耗、算力低的嵌入式设备上进行实时检测。

一种改进YOLOv5的X光违禁品检测模型

针对X光行李图像安全检测过程中存在物品高度重叠遮挡及复杂背景干扰等问题,提出了一种融合注意力机制、数据增强策略与加权边框融合算法的改进YOLOv5网络模型用于X光违禁品检测。模型在Neck部分引入卷积注意力模块加强网络对违禁品深层重要特征的提取,抑制背景干扰;训练阶段采用Mixup数据增强策略模拟带有高度重叠及遮挡物品的检测场景,加强模型复杂样本的学习能力;测试阶段采用加权边框融合算法对冗余预测框进行优化,提高模型精准预测能力。所提模型在3个大型复杂数据集SIXray、HiXray、OPIXray进行了测试,平均精度均值分别达到了89.6%、83.1%和91.6%。结果表明:所提模型能够有效提高YOLOv5检测复杂违禁品的能力,与现有诸多先进算法相比,具有较高的准确率和稳健性。

基于证据理论的概率盒融合改进方法

针对证据理论对不同特征融合缺乏统一的融合框架及在矛盾数据处理上的不合理性,通过分析证据理论与概率盒核心DSS之间的关系,论证了利用证据理论融合概率盒的可行性.通过对概率盒融合前的预处理得到了统一的融合框架,在对比了证据理论和加权平均法融合概率盒方法的基础上,给出了利用加权平均法改进证据理论的概率盒融合算法.提出利用加权平均矛盾因子矩阵迫使矛盾焦元融合后的区间变窄,以此降低矛盾数据的不合理影响力.通过仿真实验证明了改进方法的有效性,并以滚动轴承故障信号为实例进行了图表对比与分析,结果表明改进方法能在不失证据合成规则推理性的前提下有效地处理矛盾焦元.