基于边缘夹角附加损失函数的熔池形貌检测方法

针对弧焊增材制造过程中传统的熔池检测方法依赖经验参数、准确率低、识别时间较长的问题,提出了一种基于边缘夹角附加损失函数的熔池形貌检测方法,实现对熔池快速而精准的检测和识别. 首先,通过特征金字塔网络融合多种特征在多个尺度上表征熔池,摆脱对经验参数的依赖;其次,使用PointRend神经网络模块,基于细粒度特征及粗预测掩码对采样点优化,减少熔池目标检测及识别所需时间;再次,研究了边缘夹角附加损失函数,在角度空间上最大化分类间隔,使网络提取到的特征具有更强的可分性,进而改善模型识别的精度;最后,利用实际熔池监测数据进行试验测试. 结果表明,该方法识别精度高,精度达97.85%,当存在熔滴覆盖干扰时,也可以实现精确检测与识别;对比熔池的检测宽度和实测宽度,绝对误差在0.36 mm以内,试验结果验证了该方法的有效性和可靠性.     

船舶航向模型参考模糊自适应控制器的设计

本文介绍了模型模糊自适应控制器的结构，调节机理。针对船舶航向控制，设计了参考模型模糊自适应控制器，并进行了仿真。与普通模糊控制器控制效果进行了比较，仿真表明参考模型模糊自适应控制有良好的控制性能。     

基于改进Mask R-CNN的交通监控视频车辆检测算法

针对交通监控视频车辆检测常易受到遮挡导致目标车辆出现漏检或误检的问题,提出一种基于改进Mask R-CNN的交通监控视频车辆检测算法. 采用基于bottleneck结构的主干网络,提高主干网络提取特征的能力; 通过基于预测mask分数的掩码分支,融合目标的类别分数和掩码质量分数,提高车辆的掩码质量; 通过基于Arcface Loss的目标检测损失函数设计,提高不同特征之间的可判别性,提高目标的检测精度. 实验结果表明,改进的Mask R-CNN模型可更好地检测到被遮挡的车辆,目标车辆的检测精度超过Faster R-CNN、YOLO v3和Mask R-CNN模型,可解决目标车辆漏检或误检问题.     

焊道形貌特征的BP神经网络建模与预测

良好的焊道是成功进行电弧增材制造的保障,其受到焊接电流、电压、扫描速度、送丝速度等多种参数影响. 提出了以焊道高度、宽度为形貌特征的4输入2输出BP神经网络模型,并利用PSO进行了神经网络权值的优化求解. 实验结果表明,设计的BP神经网络实现了对焊道形貌的预测,为后续电弧增材制造的实时预测与控制提供了模型基础.     

基于实例分割模型优化的道路抛洒物检测算法

在交通安全领域,道路抛洒物易引发交通事故,构成了交通安全隐患。针对传统抛洒物检测方式识别率低、对于多类抛洒物检测效果不佳等问题,提出了一种基于实例分割模型CenterMask优化的道路抛洒物检测算法。首先,使用空洞卷积优化的残差网络ResNet50作为主干神经网络来提取特征并进行多尺度处理;然后,通过距离交并比（DIoU）函数优化的全卷积单阶段（FCOS）目标检测器实现对抛洒物的检测和分类;最后,使用空间注意力引导掩膜作为掩膜分割分支来实现对于目标形态的分割,并采用迁移学习的方式实现模型的训练。实验结果表明,所提算法对于抛洒物目标的检测率为94.82%,相较常见实例分割算法Mask R-CNN,所提的道路抛洒物检测算法在边界框检测上的平均精度（AP）提高了8.10个百分点。     

混合参数自调整模糊PID控制的应用

介绍了综合传统PID控制和模糊控制的优点，提出了一种混合参数自调整模糊PID控制方式。通过对水轮机系统的仿真，并与常规PID控制和定参数模糊PID控制比较，验证了这种方法能够提高系统的响应性和鲁棒性。     

简化E.Coli觅食优化算法及其在非线性模型参数辨识中的应用

针对非线性系统模型参数辨识问题,提出了一种简化E.Coli觅食优化算法,该算法是基于大肠杆菌(E.Coli)的化学趋向性行为,包含翻转算子和游动算子。同时还采用个体历史最佳位置和群体最佳位置对E.Coli群体进行更新(优值跟踪算子).以重油热解三集总非线性模型参数估计验证了简化E.Coli觅食优化算法的效果,实验结果表明了简化E.Coli觅食优化算法的有效性,为非线性系统模型参数估计提供了一种新方法.     

基于线阵CCD的两轮自平衡智能车系统

设计一种基于线阵CCD传感器的两轮自平衡智能车系统,运用互补滤波算法对陀螺仪和加速度计进行姿态角融合,使用浮动阈值法对线阵CCD图像进行二值化处理,完成姿态、方向和速度三项控制任务并对控制信号进行融合。实际测试,智能车以2.2m/s的平均速度稳定运行,验证了系统设计的可行性与可靠性。     

滑动数据窗口驱动的贝叶斯-高斯网络及其在非线性系统辨识中的应用

工业控制场合中,需要获取非线性被控对象的结构特性,而系统动态响应的数据直接从外部特征上反映了非线性系统结构关系.为了充分利用非线性动态系统响应过程中的数据,本文提出了一种基于滑动数据窗口 (sliding data window)的贝叶斯-高斯神经网络 (SW-BGNN)模型.该模型将数据融合于网络模型结构中,借助于贝叶斯推理和高斯假设,利用滑动窗口数据,实现非线性动态系统的辨识和预测.整个SW-BGNN本身需要确定的参数很少,因此运算的时间很短,适合于非线性动态系统的在线辨识.将SW-BGNN应用于几个非线性动态系统的辨识和预测,仿真试验结果表明了SW-BGNN模型的有效性.     

智能家居防盗报警系统的自动模式切换

现有的智能家居防盗报警系统无人模式和家居模式之间的切换一般需人工操作,在某些情况下存在不能及时切换的现象,会引起不必要的误报漏报. 为克服以上缺点,本文设计了一种基于物联网环境下根据家中人数情况自动切换运行模式的智能家居防盗报警系统. 系统由外部传感器和内部智能识别系统构成,利用外部传感器自动检测进出大门的人数,根据人数情况自动切换工作模式. 该系统解决了智能家居防盗报警系统中的模式切换问题,具有运行稳定、高效的优点.