基于自适应伽马校正的异常驾驶行为检测方法

针对低照度条件下重型卡车司机异常驾驶行为检测方法存在检测准确率低、检测速度慢等问题,结合图像自适应增强方法和轮廓定位检测思想,提出一种基于自适应伽马校正的异常驾驶行为检测方法。对传入视频图像进行自适应伽马校正,通过抑制噪声、改善暗部和提升信息熵来提高识别准确率。基于图像灰度值和信息熵对双阈值伽马函数进行自适应调节,从而获得更丰富的边缘信息和色彩信息。利用K-近邻背景建模法将驾驶员前景图像分离以确定检测区域,通过边缘检测进行驾驶员头部和手部轮廓识别,获得关键定位点间的欧氏距离,并进行异常驾驶行为判断。在此基础上,结合异常行为次数和时间阈值,解决环境干扰和图像噪声的问题。实验结果表明,与单尺度Retinex、多尺度Retinex以及自适应直方图均衡方法相比,所提方法在提高检测准确率的同时有效提高了检测速度,能在不同环境下有效检测异常驾驶行为。

一种基于数字孪生的重型数控机床碰撞检测方法

目前数控机床碰撞检测通常利用系统的仿真功能对加工G代码进行检测,仅考虑数控机床加工过程中加工轨迹上刀具与理想状况下的工作台、夹具之间是否有干涉现象,难以满足开放式重型数控机床动态的加工环境、装夹方式以及刀具尺寸变化等实际情况。将数字孪生引入重型数控机床碰撞检测,构建了感知-演化预测-反馈的碰撞检测框架,即通过构建数控机床的数字孪生体,动态感知工件、夹具、刀具等加工要素,并感知数据驱动孪生模型演化,从而预测数控机床加工过程中潜在的干涉现象,提高了机床加工效率,避免加工过程的潜在危害。将所提方法应用于重型数控龙门镗铣机床ZK5520的碰撞检测,证明了其有效性与可行性。

基于边缘计算的疲劳驾驶检测方法

现有疲劳驾驶检测方法通常将驾驶过程中采集的数据传输至云端进行分析,然而在车辆移动过程中网络覆盖范围、响应速度等因素会造成检测实时性差。为在车载嵌入式设备上对驾驶人疲劳状态进行准确预警,提出一种基于边缘计算的疲劳驾驶检测方法。通过改进的多任务卷积神经网络确定人脸区域,根据人脸的面部比例关系定位驾驶人的眼部与嘴部区域,利用基于Ghost模块的轻量化AlexNet分类检测眼部与嘴部的开闭状态,并结合PERCLOS和PMOT指标值实现疲劳检测。在NHTU-DDD数据集上的实验结果表明,该方法在树莓派4B开发板上的检测准确率达到93.5%且单帧平均检测时间为180 ms,在保障检测准确率的同时大幅降低了计算量,能较好地满足疲劳驾驶的实时检测需求。

基于边缘计算的数据无损压缩方法

工业物联网(Industrial Internet of Things,IIoT)可以将各种工业设备、监测仪表以及传感器进行相互连接,设备的运行状态可通过监测仪表与传感器进行全面感知,并根据感知数据对设备状态进行分析与预测。然而要对海量的感知数据进行分析处理需要大量的存储空间与计算能力,将其传送到云平台势必将占用大量的带宽并产生较大的时延,很难满足对设备状态实时分析与诊断的需求。因此,针对工业设备状态感知的数据,提出了基于最优差分和线性拟合降熵变换的无损压缩方法,在数据采集的边缘侧对感知数据进行无损压缩,从而大大提高传输效率,使得感知数据能快速传送到云平台进行分析与处理。该方法根据数据差值序列方差大小和采集频率高低从最优差分和曲线拟合差值中选取有效的降熵变换进行压缩,并采用LZO(Lempel-Ziv-Oberhumer)压缩算法进行二次压缩。在两类不同的数据集上对所提方法进行了测试,实验结果表明,该方法的压缩率最低与最高分别可达77%和93%,同时验证了其无损重构的特性。

基于残差通道注意力网络的医学图像超分辨率重建方法

针对医学图像超分辨率重建过程中高频信息缺失导致的模糊问题,提出了一种基于残差通道注意力网络的医学图像超分辨率方法。提出的方法在残差网络的基本单元上去除了批规范化层以稳定训练;去掉缩放层、添加通道注意力块,使神经网络更加关注含有丰富高频信息的通道;使用亚像素卷积层进行上采样操作得到最终输出的高分辨率图像。实验结果表明,提出的方法相比主流的图像超分辨率方法在客观评价指标如峰值信噪比和结构相似性上有显著提升,得到的医学图像纹理细节丰富,视觉体验较好。

基于残差注意力网络的图像超分辨率重建方法

针对自然图像超分辨率重建中纹理细节模糊问题,提出一种基于残差注意力网络的重建方法。在特征提取网络层中添加通道注意力块,自适应确定局部跨通道的多维范围,提高特征表达能力,使网络能学习到通道中更多的高频信息;添加残差学习模块,通过捕捉易丢失的高频残差信息得到更多的语义表达信息;最终通过上采样输出高分辨率重建图像。实验结果表明,该方法在自然图像超分辨率重建上有良好的性能,能重建出更清晰的图像。

基于多层级特征的行人重识别

针对现有的行人重识别方法提取行人特征过程中存在因信息缺失导致鲁棒性和判别力较差的问题,提出了一种基于残差神经网络提取行人图像多层级特征的方法。该方法在训练阶段使用残差网络分别在4个卷积残差模块之后提取阶段特征,以此来弥补信息丢失,使用三元组损失函数对每个特征向量进行监督训练。在相似性度量阶段,针对4个特征向量分别计算特征相似度,使用映射函数进行求和,并对求和结果进行相似度匹配。将该方法在Market-1501和DukeMTMC-ReID数据集上进行仿真,首中准确率(Rank-1)分别达到了91.7%和84.9%,平均准确率(mAP)分别达到了86.8%和80.7%。结果表明所提方法提取的多层级特征具有较好的鲁棒性和判别力,提高了行人重识别的准确度。