电视监控系统云台控制器设计

电视监控系统是一种典型的分布式计算机信号采集系统。为了提高监控的范围和效果,云台控制器的优劣直接影响监控的范围和效果,因此对云台控制器的设计具有重要的意义。本系统采用串型通信,通过Modbus协议把控制信号输入单片机,经过对AT89S52单片机的编程,从而对八路继电器输出进行控制。系统不仅结构简单,而且还可以方便的对镜头、防护罩的控制进行扩展,功能强大,可以广泛应用于电视监控系统中的云台控制。     

一种辅助新型冠状病毒肺炎检测的肺实质分割算法

新型冠状病毒肺炎给人类健康及社会经济造成了巨大的负面影响,而X光胸片中的肺实质提取成为新型冠状病毒肺炎诊断过程中的关键环节。在U-Net的基础上,提出一种结合编解码模式的肺实质分割算法。应用特征融合思想,构建A形特征融合模块,充分学习深层特征的语义信息。引入注意力机制,在深层卷积神经网络中加入密集空洞卷积模块和残差多核池化模块,扩大卷积感受野并提取上下文特征信息。通过改进可变形卷积和分割损失函数,提升网络模型的泛化能力和鲁棒性。实验结果表明,该算法的分割准确度、Dice系数、敏感度、Jaccard指数分别为98.16%、98.32%、98.13%、98.54%,能够实现X光胸片中肺实质部位的有效分割。     

基于双解码路径DD-UNet的脑肿瘤图像分割算法

针对医学图像中病灶区域尺度不一、边界模糊和周围组织强度不均匀所导致的分割精度降低问题,提出了一种基于双解码器的脑肿瘤图像分割模型。为了增强特征的表征力,提出了高阶微分残差模块并使用不同空洞率的扩张卷积用于提取特征编码,提高了网络模型的分割性能;引入上下文语义信息感知模块(multi scale dilation, MSD),从不同的目标尺度中提取更多的精细信息,提高了对结构细节信息的捕获能力,同时减少了编解码器之间的特征差异;在空间解码路径中使用选择性聚合空间注意力模块(spatial aggregation attention module, SAAM),增加了对有效空间特征的权重比例,减少了无效的特征干扰。在脑肿瘤数据集上进行了实验验证,实验结果表明,所提算法的Dice系数、平均交并比、敏感性、特异性、准确率等指标分别为：93.35%、90.71%、91.15%、99.94%、96.75%。     

基于无监督学习的低照度图像增强算法

针对目前低照度图像增强算法存在恢复细节丢失、网络复杂度高和配对数据集获取难度大等问题,提出了一种基于无监督学习的图像增强算法。在YIQ色彩空间中,通过构建的轻量化网络和幂指函数计算亮度通道Y的增强曲线,从而获得曝光较差区域增强和高光区域遏制的图像。该网络使用的无参考损失函数可以隐式地评估图像增强质量并驱动网络学习。实验对比结果表明,该算法在可训练参数和模型权重仅占9.5 k/88 kB的情形下,在视觉效果与图像质量指标上都取得了具有竞争力的结果。     

三轴光电跟踪系统的实时引导

三轴光电跟踪系统是地平式和X-Y式光电跟踪系统的有机组合,可以全方位跟踪空间运动目标,跟踪系统测量值与空间位置的多对一特性决定了跟踪策略的多样性和系统引导的复杂性,跟踪过程中对系统进行实时引导可以提高系统的跟踪精度及其可靠性。各种跟踪策略下三轴光电跟踪系统的引导过程包括:地平式的引导、X-Y式的引导、具视轴偏角的地平式引导、三轴光电跟踪系统的引导等。通过理论分析,给出了各种情况下的引导方法。     

红外小目标小波多尺度相关检测方法

提出一种基于小波多尺度相关的目标检测方法.该方法通过二进小波对图像进行多尺度分析;利用边缘和噪声具有不同的Lipschitz指数造成它们的小波变换模在不同尺度下的不同传播特性,根据小波变换尺度相关性计算相邻大尺度模相关量用来增强信号,抑制噪声,提取粗略边缘图;并结合小尺度检测,具有定位精确的特点,将粗略边缘图与小尺度模图相与,寻找模极大值点,得到最终的检测结果.实验结果表明,该方法较传统的小波多尺度边缘检测方法能更加有效地进行红外小目标检测.     

基于视频图像中运动目标检测算法的研究

运动目标检测是从实时捕获的视频序列图像或视频文件中将与背景存在相对运动的目标找出来。帧差分法和背景差分法是运动目标检测中常用的方法,文章主要研究了背景差分法中的单高斯背景模型和高斯混合背景模型的基本原理,对这两种算法进行了详细描述,对高斯混合背景算法进行了改进,实验结果表明,改进后的算法在目标检测质量是相对于原来的背景的基础上差分法,混合高斯模型数据量很小。     

氧化铝生产计算机专家辅助决策支持系统

氧化铝生产计算机专家辅助决策支持系统是针对混联法氧化铝生产的大型化、连续性和波动性大的特点而设计的，具有四个层次，包括设备、故障管理、设备故障调度咨询以及生产调度咨询等功能系统。它将MIS管理技术、专家系统和智能决策支持技术有机地合起来。     

改进Stacking集成学习的指纹识别算法

针对传统卷积神经网络对多传感器指纹识别泛化能力降低、准确率不高的问题,提出改进的Stacking集成学习算法。首先将AlexNet进行改进,在AlexNet中引入深度可分离卷积减少参数量,加快训练速度;引入空间金字塔池化,提升网络获取全局信息的能力;引入批归一化,加快网络收敛速度,同时提升网络在测试集上的准确率;使用全局平均池化替代全连接层,防止过拟合。然后将DenseNet和改进的AlexNet 2种卷积神经网络作为Stacking的基学习器对指纹进行分类,获得预测结果。最后对相同基学习器训练得到的各个模型,根据预测精度对各预测结果赋权,得到的预测结果再由元分类器分类。改进的Stacking算法在多传感器指纹数据库上进行实验,最终识别准确率达98.43%,相对AlexNet提升了20.05%,相对DenseNet提升了4.25%。     

神经网络在光电跟踪系统引导中的应用

系统误差的存在使得对光电跟踪系统进行引导时会存在引导误差,修正系统误差有利于提高引导精度。最小二乘系统误差修正方法精度较低;球谐函数的系统误差修正方法有较高的修正精度,但不适用于三轴光电跟踪系统;BP神经网络的系统误差修正方法的修正精度比球谐函数法提高约20%,有望用到球谐函数法不适用的三轴光电跟踪系统的系统误差修正中。