融合 Transformer 与残差通道注意力的恶劣场景水 位智能检测方法

精准感知水位信息变化是实现精细水务管控和洪涝灾害的关键环节之一,而低照度、雾霾、雨雪、冰冻、波浪、镜头抖动等恶劣场景给水位检测带来极大挑战。针对现有方法中难以实现水位精准检测难题,构建一种融合Transformer与残差通道注意力机制的Unet模型(TRCAM-Unet),进而提出基于TRCAM-Unet的恶劣场景水位智能检测方法。关键技术包括通过全尺度连接结构实现多层次特征融合,通过Transformer模块强化区域特征的关联性,通过残差通道注意力模块强化有用信息的表达并削弱无用信息的干扰。相关试验和实践表明,TRCAM-Unet取得了98.84%MIOU评分与99.42%的MPA评分,在约150 m距离外水位检测最大误差不超过0.08 m,水位偏差均值(MLD)仅有1.609×10^-2 m,优于Deeplab、PSPNet等主流语义分割算法。研究结果对解决恶劣场景下水位精准检测难题及洪涝灾害预警具有重要应用价值。     

一种改进的Hu不变矩算法在存储介质图像识别中的应用

不同于传统的接触和射频两种方式识别存储介质,利用X射线透照目标对象作为检测手段,这种检测方法符合无损检测的特征。首先采用灰度分组(GLG)的图像增强方法和基于单像素提取边缘实现图像预处理,然后利用改进的Hu不变矩得到适合非线性不连续空间的矩不变特征向量,新的不变矩被证明作用于图像的平移、旋转和缩放具有不变性。K-means分类器根据计算不同的形态变换后图像的特征值判断存储介质种类,准确率达到95.83%,证明改进的Hu不变矩算法对被检存储介质种类的分类和识别有较好的鲁棒性和可靠性。实验结果表明,该识别方法可以使涉密的移动存储介质处于安全监控状态下,该技术应用于邮政连续包分机小像素X射线检测设备,可大大减少物联网时代通过邮路途径实施非法媒介传输。     

基于脑功能网络连接的隐藏信息检测研究

大脑在视觉或听觉刺激作用下对是否隐藏的信息有不同的认知反应,而大脑的这种反应涉及到不同脑区的协同和信息流动。该文基于传统视觉刺激隐藏信息测试方法,设计了视听同步刺激的对比试验;并针对当前测试方法主要集中于脑中央区电极点的这一缺点,通过记录全脑区导联的信号来分析不同脑区神经活动的变化。首先用视觉刺激和视听同步刺激相关脑电位构建了脑功能网络,并计算脑网络聚集系数和特征路径长度作为基本特征量,同时构建了一种量子门节点神经网络分类器,将其应用于脑电特征的分类。实验结果表明,结合脑网络特征和量子神经网络分类器的方法,能够较为准确地识别隐藏信息,同时视听同步刺激效果好于视觉刺激。     

基于串并行双分支网络的冲击波信号重构方法

通过有限测点数据重建冲击波场内压力分布、通过残缺数据重构完整的冲击波压力曲线,对武器威力以及目标毁伤评估具有重要价值。针对爆炸冲击波信号重构问题,建立Res-GRU分支以串行方式捕捉冲击波超压信号局部时序依赖关系;建立Transformer分支以并行方式分析信号全局潜在特征;建立特征融合单元进行高阶特征融合,实现不同阶段信息逐层互补;进而构建了基于门控循环单元(gated recurrent unit, GRU)和Transformer模型的串并行双分支网络(G-TNet)。试验研究表明：G-TNet综合考量了信号的时序关系、数据变化规律等特征信息;在基于有限测点数据的冲击波场压力分布重构试验中,重建的模拟、实测超压数据与原始值之间均方误差(mean square error, MSE)分别为5.0×10^-6、1.2×10^-3,平均峰值误差分别为0.49%、27.01%,平均正压时间误差分别为15.62%、15.91%,平均比冲量误差分别为17.66%、19.33%;在基于残缺数据的冲击波压力曲线重构试验中,重构的模拟、实测信号的缺失值与原始...