基于Faster R-CNN的海面垃圾检测研究

针对当前全球海洋垃圾污染造成严重生态破坏等问题,提出了一种基于改进Faster R-CNN的海面垃圾检测算法以及视频中前后2帧目标是否为同一目标的方法。改进Faster R-CNN算法通过将常用的VGG16特征提取网络替换为ResNet101网络并融入特征金字塔,提高对小目标的检测精度;判断视频前后两帧目标是否为同一目标的方法则通过对比前后2帧目标的面积、重合度以及颜色差异度确定是否为同一目标。在现场拍摄数据上的实验结果表明,与传统Faster R-CNN相比,该改进Faster R-CNN的mAP值提高了4.9%,损失曲线的收敛速度更快,且在实际检测中的检测效果更好;前后两帧是否同一物体的判断方法在九段视频的最高精测判断精度高达100%,平均准确率为93%。该研究方法主要包括以下优点:1)改进Faster R-CNN在海面小目标垃圾检测上具有更高的精度;2)判断视频中前后2帧目标是否为同一目标的算法代码复杂度小,方便根据实际情况更改判断阈值。     

基于改进Faster R-CNN的石化装置火灾增强识别方法

为提高复杂石化装置场景下火灾发现速度和识别准确率,特别是强化对石化厂区监控图像内小微火焰、烟雾等事故初期关键目标信息的发现能力,以应对石化装置火灾事故演化所具有的典型多米诺效应,在事故发展初期快速准确发现异常、控制事故态势发展、降低事故危害,建立了基于深度学习的石化装置明火、烟雾识别方法,以改进的Faster R-CNN作为目标信息检测算法,利用K-Means++聚类方法优化锚框尺寸,结合基于递归策略的多尺度特征融合设计,显著改善了模型小微关键目标识别能力,实验测试数据表明,改进后的模型检测平均准确率(mAP)提升11.0%,小目标平均识别准确率(mAP(s))提升19.7%。     

基于改进YOLOv3算法的高密度人群目标实时检测方法研究

公共建筑高密度人群疏散运动极具危险性,实时的人群目标识别与检测对于密集场所人群疏散安全至关重要。针对现有行人检测方法对于行人密集、局部遮挡等情况存在鲁棒性差、实时性低等问题,提出了一种基于改进YOLOv3算法的密集人群目标实时检测方法。该检测方法以YOLOv3算法为基础,采用K-means方法对实验用数据集进行聚类分析并对网络结构进行调整,最终得到适用于高密度人群目标检测的算法即YOLOv3-M算法。实验结果表明:YOLOv3-M算法平均准确率达到91.20%,召回率为89.77%,相比YOLOv3算法模型平均准确率提高了6.4%,召回率提高了4.73%;在阈值相同条件下,YOLOv3-M算法可有效降低图片漏识率与误识率;对1080P视频的检测速度达到19.2 FPS,基本满足实时检测的需求,从而验证了该检测方法的有效性。     

M-PSPNet多尺度海洋温度锋检测方法

海洋温度锋作为一种重要的中尺度海洋现象，是影响海洋热量交换与物质运输以及海气相互作用的关键因素，实现其精准检测是分析海洋锋时空变化及海洋气象动态监测的重要基础。海洋混合、温度变化缓慢导致海洋温度锋具有小目标、弱边缘的特性，针对传统的边缘检测和现有的深度学习方法存在形态刻画不准确和像素误检等问题，本文提出M-PSPNet多尺度海洋温度锋检测方法。该方法通过设计多尺度特征提取模块(Multi-ResNet)，在保留浅层学习网络中获得的空间、位置特征的同时，结合深层网络获取的语义特征，提升模型对边缘轮廓、位置信息的检测能力；此外，该方法引入Dice_loss与Focal_loss组合的混合损失函数DF_loss，引导模型注重预测结果与标注值的像素级差异，提高锋面像素检测的准确性。为验证方法的有效性，本文基于实验模型设计多组对比实验，实验结果显示：本文M-PSPNet多尺度海洋温度锋检测方法的交并比、查全率、查准率和F1值4项指标分别达到了78.79%、89.59%、86.95%、88.25%，检测效果明显优于对比方法；相比采用Res...     

基于YOLOv3算法的农场环境下奶牛目标识别

针对农场环境下使用手工标记与肉眼识别方法识别奶牛时计数效率低、错误率高,而使用无线射频检测技术比较复杂且成本高的问题,使用检测速度较快且性能较好的YOLOv3算法对农场环境下的奶牛进行目标识别。该方法采用了3个不同尺度的特征图来进行对象检测,能够检测到更加细粒度的特征;使用Darknet-53网络加入残差模块,有利于解决深层次网络的梯度问题,从而增加奶牛目标识别模型的识别效果;采用K-means聚类得到先验框的尺寸,预测对象类别时使用logistic的输出进行预测,可以支持多标签对象。从检测结果来看,该方法在农场环境背景下的奶牛目标识别效果较好,检测准确率较高。     

环境预报移动信息化在海南乡村旅游中的应用研究

环境预报与乡村旅游的客流之间具有显著性关联特征,通过环境预报移动信息化管理,进行乡村旅游客流调度和资源分配,提出基于关联规则挖掘的海南环境预报移动信息化预测模型,并应用在海南乡村旅游信息管理和客流管理中,构建环境监测数据挖掘模型,提取制约海南乡村旅游的环境监测信息,采用移动数据监测和关联规则特征提取方法进行海南乡村旅游中环境预报移动信息化管理,实现环境信息准确预测和乡村旅游客流资源的优化分配。     

面向石化厂区安全风险防控的异常场景图像识别技术研究

针对石化厂区安全风险防控的需求,提出了一种基于卷积神经网络的单分类图像识别算法。为了构建识别模型,首先创建了一个带标签的厂区火灾、烟雾图像数据集用于模型的训练。其次,通过特征提取及分类器模块,实现了对视频监控异常场景的识别。此外,设计了一种全新的损失函数,以增强异常场景识别能力。该算法采用端到端的网络架构,解决了传统目标检测方法的结构臃肿、计算复杂等问题,减少了模型的复杂程度,弥补了现有视频监控资源利用场景的不足,进一步提高了厂区风险识别能力。实验结果表明,所提出的单分类视频监控图像识别算法在准确率等方面优于现有算法。     

基于卷积神经网络的行人检测方法研究新进展

深度学习在行人检测领域有重大的应用价值,可及时预测客流,避免安全事故的发生。概述了卷积神经网络的发展历史及其主要组成模块,包括各部分模块的研究现状,介绍了卷积神经网络在行人检测中所需要的行人检测数据库及其应用现状。结果表明:基于卷积神经网络的行人检测方法发展迅速,可大大提高行人检测的准确性和实用性,并在实际问题的应用中可有效分析人流拥堵的状态,从而对行人进行有效的疏散,以避免拥挤踩踏安全事故的发生,具有实际运用的意义。     

云计算环境下大气污染预测软件异常数据检测方法研究

针对当前云计算环境下,大气污染预测软件异常数据检测存在的检测准确率低和执行效率低等问题,提出一种基于高斯过程回归模型(GPR)的大气污染预测软件异常数据检测方法。采用短时的面积特征与梯度特征描述软件测试端口的流量行为,将实时获得的流量行为通过多级多粒度方法定位,完成测试端异常检测;根据测试端输入输出数据间的关联性,统计多个测试端口,采用GPR构建异常数据预测模型,对比实时监测的输出数据与预测模型的输出数据,实现预测软件异常数据检测。     

基于PCA-GRU-SVM模型的多参量煤矿瓦斯浓度预测及预警研究北大核心CSCD

煤矿瓦斯浓度精准预测及提早预警对于预防瓦斯灾害发生至关重要。为充分利用井下多传感器监测信息提升矿井瓦斯浓度预测及预警模型的性能,提出一种基于主成分分析(PCA)、门控循环单元(GRU)神经网络和支持向量机(SVM)组合的多参量瓦斯浓度预测及预警模型。针对监测数据的时序性、动态性和非线性强等特性问题,采用邻近均值法、小波降噪和归一化法对数据进行处理,利用PCA对数据降维以简化GRU模型拓扑结构,提高瓦斯浓度预测精度,通过构建基于SVM的矿井瓦斯浓度预警模型实现对矿井安全状态的实时动态监测。选取安徽某煤矿171105工作面的实测数据对PCA-GRU-SVM模型预测结果与性能进行验证。仿真结果表明：相对于PCA-LSTM、PCA-RF和PCA-BP模型,本文构建的预测模型的平均绝对误差(MAE)分别减少了18.45%、56.36%和87.3%,均方根误差(RMSE)分别减少了5.17%、9.04%和67.52%,预警模型的预测准确率为94.1%,说明该模型具有较高的拟合度和预测精度。该研究结果可为实现瓦斯灾害的预测及超前预警提供参考,对矿业安全生产具有重要意义。     

基于通勤时间距离的LE污水处理过程故障检测方法

污水处理过程的性能监测与故障诊断,对于保障污水处理过程正常运行及保证出水质量达标具有重要意义.针对污水处理过程数据具有非线性、不确定性及且易受随机噪声影响等特征,提出了一种新的基于通勤时间距离的LE流形学习算法实现对复杂过程数据的特征提取.改进算法采用通勤时间距离方式进行样本间的相似度衡量并构造邻域图,理论分析和仿真测试表明改进算法可有效克服基本LE算法的邻域参数敏感问题并提高了算法的鲁棒性.将基于通勤时间距离的LE流形学习算法用于污水处理过程故障检测建模,在低维流形子空间构造综合统计量进行过程监测.应用结果表明,与基于PCA方法和LE方法的故障检测模型相比,基于改进算法的故障检测模型可及时探测故障的发生,具有较低的故障漏报率和故障误报率.为污水处理等复杂工业过程的故障监测提供了一种可行的解决方案.     

基于高频在线水质数据异常的突发污染预警

在高频水质自动监测背景下,建立了基于软测量和水质时间序列异常检测的水体突发污染预警预报技术.假定突发污染事故会引起典型自动监测水质参数变化,采用回归分析建立水质参数和在线高频监测水质参数间的线性关系进行软测量,采用人工神经网络预测短程水质变化,建立基于预测残差的异常判断最小阈值,最终通过有序监督聚类进行水质突变检测从而对突发污染事故进行预警.采用美国弗吉尼亚州的Potomac River流域在线监测数据进行算法验证和案例分析.分析受试者工作曲线(ROC)表明:该方法对2倍异常和3倍异常水平的检测准确率分别为62.7%和92.5%,且随着异常水平的增加准确率增加,通常突发污染事故中特定污染物浓度水平一般明显高于3倍,该方法具有较高的准确率.较其他突发污染水质预警技术,该技术有效缩短了平均检测时间,为流域污染预警预报和快速应急响应提供了新途径.     

区域地质灾害气象预警模型研究现状与展望

降雨是引发地质灾害的主要诱发因素之一。本文在分析国内外地质灾害气象预警研究进展的基础上,根据目前对地质灾害进行气象预警所采用的模型(方法)的分类,分别对各种类别的预警模型的特点进行了对比分析。结果表明:基于数理统计学原理的隐式(第一代)、显式(第二代)预警模型具有较大的分散性、地域性、分析过程的主观性以及数据不充分引起的不稳定性或不完整性等特点,且对统计样本质量要求较高,存在不能解释地质灾害内部变形机制及预警结果难以验证的缺陷;基于动力学原理的第三代预警模型虽能弥补统计学预警模型的不足,但目前还处于探索阶段,仅局限于个别地区,未能得到更广泛的应用。为了提高预警系统的预警能力,指出三代预警模型的耦合预警将是今后重点研究的发展方向。     

武汉市地铁网络复杂特性与鲁棒性研究

以武汉市地铁网络为研究对象,基于复杂网络理论分别构建武汉市地铁网络的Space-L和Scape-P网络拓扑结构模型,通过计算不同拓扑结构网络的统计量,分析了武汉市地铁网络的复杂网络特性;研究武汉市地铁网络的鲁棒性,通过制定武汉市地铁网络随机故障和蓄意攻击两种策略,据此量化研究不同节点失效策略对武汉市地铁网络全局效率的影响。结果表明:武汉市地铁网络具有较好的鲁棒性;蓄意攻击对武汉市地铁网络有很大的破坏性,而随机故障则影响较小。     

基于近红外光谱技术和LSPTSVM模型的镉污染贻贝检测研究

贝类重金属污染已成为亟待解决的海洋食品安全问题,镉是重要的污染源之一。食用被重金属镉污染的翡翠贻贝会严重危害身体健康。研究了基于近红外反射光谱的镉污染贻贝无损、快速检测方法。通过采集正常贻贝和镉污染贻贝的950～1700 nm光谱数据,构建基于最小二乘投影孪生支持向量机(least squares projection twin support vector machine, LSPTSVM)检测模型,优化模型参数和正交投影轴数量获得最佳检测性能。提出的LSPTSVM模型检测镉污染贻贝准确率达到99.50%,优于其他孪生支持向量机模型。LSPTSVM模型适用于小样本数据集。针对难以获得大量镉污染训练样本情况,LSPTSVM模型较其他模型具有更好的稳健性。结果表明：近红外光谱结合LSPTSVM模型可实现镉污染贻贝检测,为贝类的品质评价和安全检测提供一种新的方法。     

神经网络在深基坑监测中的应用

地铁车站等深基坑开挖施工中监测数据处理极其复杂,其经验多于理论。基坑工程施工中,对监测数据处理和分析,进而提取有价值的信息点是一个难题。因此,本文提出了神经网络的处理模型,采用BP网络的算法来训练网络,对某地铁车站的开挖监测进行了实例分析,可以看出该方法具有收敛速度快、精度高、实用性强等优点。     

基于BP神经网络的碳达峰目标下碳汇计量方法研究

为了解决当前碳汇计量方法存在计量误差、准确率低的问题,提出了基于BP神经网络的碳达峰目标下碳汇计量方法的研究。首先,基于碳达峰目标对碳汇数据进行预处理,获取准确度较高的碳汇数据;根据BP神经网络构建碳汇计量BP神经网络模型,输出碳汇数据集;然后综合考虑碳库选择指标,选择与碳汇数据集匹配的碳库;最后,实现碳达峰目标下碳汇计量的目标。实验证明,此种计量方法具有较高的拟合度,计算值与原值更加接近,相对误差在1.01%～1.71%,始终保持在2%以下,证明该方法的碳汇计量结果准确率较高。     

广州市环境空气监测与预警体系在亚运会中的应用

本文以2010年广州亚运会空气质量监测保障为例,从广州市环境空气质量监测网络、空气质量预报、预警体系和环境质量会商及信息发布管理机制等方面,介绍了广州市环境空气监测与预警体系。通过2010年广州亚运会空气质量保障监测实践,证明广州市环境空气监测与预警体系是适应广州环境保护工作发展,并能满足特殊环境空气质量保障目标需求,具有示范作用和可供全国中心城市借鉴的先进的环境空气质量监测与预警体系。     

人工神经网络模型在水质预警中的应用研究进展

水质预警模型是大数据时代构建环境智能决策与管理体系的关键技术.近年来,水质自动化监测能力的提升以及测管协同对环境模型的强烈需求,激发了研究人员探索新的建模方法并努力提高模型预测性能.其中,人工神经网络(Artificial Neural Network, ANN)模型发展迅速.本文综述了3大类ANN模型的发展历史和模型结构特点,梳理了ANN模型在水质数据软测量、数据异常检测和时间序列预测等方面的研究进展,归纳了一般建模流程、技术建议和常用的模型性能指标,发现ANN模型的应用依赖于监测数据质量,存在模型可解释性差、模型运行硬件资源要求较高等不足,提出未来水质预警模型的研发思路和重点,需要加快推进水环境监测技术与预警模型的协同发展和业务化应用,通过多种应用场景检验实现技术迭代,形成大数据驱动的水质在线监测-智能预警-应急管理支撑体系,助力我国环境治理能力现代化.     

基于回归分析的地下水污染预警模型

开展地下水污染预警工作是保护地下水资源的有效措施。进行地下水污染预警理论与方法的研究,建立地下水污染预警模型,可为地下水资源管理部门提供技术支撑。以北京市平谷区平原地区地下水水体为研究对象,利用该区域2010—2017年39个地下水监测点位的主要水质指标监测数据,开展地下水污染预警模型研究。首先运用逻辑回归建立地下水污染预测概率模型,各含水层组模型的预测准确率均超过90%。其次运用逐步回归建立地下水污染预警等级评估模型,并据此确定预警等级指数范围。研究成果可为区域地下水污染预警方法体系的建立提供参考。