基于动态形状特征提取及增强的改进YOLOv3火焰检测算法

针对现有多目标检测网络对动态火焰特征提取及增强能力不足,检测效果不佳的问题,提出基于动态形状特征提取及增强的改进YOLOv3火焰检测算法。采用小尺寸结构的ResNet50＿vd作为YOLOv3的主干网络,减少特征信息冗余;在主干网络stage 4和stage 5中加入可变形卷积模块,控制采样网格随火焰目标形状的动态变化;引入交并比（IoU）Aware模块,增加置信度得分与IoU定位精度的相关性,提高网络的火焰特征提取能力;同时在YOLOv3 Head中加入Drop Block,引入IoU预测分量优化损失函数,提高模型学习过程中的特征增强能力。通过消融实验验证各改进部分对模型的提升效果,实验结果表明,改进模型对火焰的检测精度达94.11%,推理速度达73.52 frame/s,能够有效满足对动态形状火焰的检测要求。     

用光纤F—P滤波器解调的光纤光栅传感器的研究

报道了用光纤F—P滤波器解调检测光纤Bragg光栅(FBG)Bragg波长移动量，实验了一个可对静态及时变物理量进行检测的FBG传感器系统。该系统对静态物理量的测量结果的相关系数为0．996，对时变物理量的测量分辨率为10．9μ strain。     

DCT域基于系数符号关系的印刷水印算法

针对条码印刷防伪应用,提出一种条码印刷防伪算法,使水印对一次打印扫描具有鲁棒性,对二次打印扫描具有脆弱性,以区分原始载体作品的真伪。根据条码水印图像的大小对载体图像进行分块DCT变换,选取中低频系数,同时对这些系数幅值小的进行放大修改,并通过修改系数符号的正负性来嵌入二值条码水印。根据嵌入水印后图像的分块DCT系数的正负性来提取水印,水印提取过程实现了盲提取。通过设定合适的阈值可以判断原图像真伪。仿真实验验证了算法具有很好的不可见性,符合印刷品防伪技术的要求。     

1000kW异步电动机串级调速系统的改造

根据生产工艺的要求，φ４００机主电机的调速采用串级调速，其控制方式电机串频敏变阻器起动，经电压检测达到系统最低速时自动投入串级调速装置。通过对串级调速系统的电磁转矩特性分析，采用了三环系统。其速度反馈是通过对转子电压检测、变换而得到与转换变经规律成线性关系的速度信号，以完成系统的闭环。     

数字水印应用中的攻击和对策综述

数字水印是一种全新的信息安全技术，本文论述了数字水印技术的应用和安全性、稳健性的关系，对四类不同原理的攻击：简单攻击、同步攻击、削去攻击和混淆攻击进行了详细论述，并给出了相应的解决对策。最后给出了进一步的研究方向。     

一种结合空间域和DCT域的数字水印新算法

本文基于人类视觉系统（HVS）的特性，提出了一种结合空间域和DCT变换域的数字水印新算法。该算法在空间域对原始图像做预处理，采用逐级扩大搜索范围的方法，使原始图像的纹理区域得到突出。在DCT域，提取预处理图像中，满足一定条件的系数的位置信息，以此确定水印嵌入原始图像的合适位置，从而证了数字水印的感知透明性。大量的仿真实验证明了该算法的顽健性和有效性。     

基于小波变换和稀疏光流法的火灾烟雾检测

传统图像型火灾烟雾检测算法不适用于存在灯光、水蒸气等噪声的图像。为此,通过分析早期火灾烟雾的运动规律,采用分块和背景自适应相结合的方法,提取运动前景,然后分别在RGB空间和HSV空间建立烟雾的颜色模型和亮度变化模型,分割出烟雾疑似区域。在灰度空间使用二维离散小波变换对烟雾疑似区域及对应的背景区域进行能量分析,提取高频和低频能量的比值。用Lucas-Kanade稀疏光流算法跟踪运动区域,获取烟雾运动区域的平均偏移量和相位分布作为烟雾识别特征,根据烟雾识别规则,判断监控区域是否有火灾发生。实验结果表明,该方法具有较强的鲁棒性,能够提高烟雾检测的准确率。     

一种基于回声隐藏的数字音频水印算法

本文提出了一种新的基于回声隐藏的算法,该算法有别于传统的时间域嵌入-倒谱域提取,水印的嵌入和提取均在时间域完成,能够在回声幅度很小的情况下保持高检测率;基于人类听觉特性对音频进行能量划分,根据能量的不同自适应地嵌入回声,PN序列的引入提高了水印的安全性和不可见性;仿真结果证明该算法对常见攻击具有好的透明性和鲁棒性.     

基于DLT的双目视觉火源图像立体匹配新算法

为了提高双目视觉过程中对火源图像立体匹配的准确性和匹配速度,提出基于DLT的双目视觉火源图像立体匹配新算法。首先用直接线性变换DLT算法对火源图像进行图像校正,其次用Harris算法对其进行特征点提取,最后利用SURF算法对提取的特征点进行特征向量及特征向量在多维空间中对应点之间的欧式距离进行计算,得到两个特征点的相似程度并给予正确匹配结果。实验结果表明,该算法提高了火源图像立体匹配的准确性和匹配速度,适用于大空间建筑双目视觉火灾自动定位系统,具有一定的应用价值。     

结合蚁群算法的改进粗糙K均值聚类算法

粗糙集理论是一种处理边界对象不确定的有效方法。将粗糙集与K均值结合的粗糙K均值聚类算法,具有简单高效且可处理聚类边界元素的特点,但同时存在缺陷。针对粗糙K均值聚类算法对初始点敏感,经验权重设置忽略数据差异性,阈值设置不合理导致聚类结果波动性大的缺陷,本文提出结合蚁群算法的改进粗糙K均值聚类算法,改进的算法中使用蚁群算法中随机概率选择策略和信息素更新的正负反馈机制,以及采用动态调整算法阈值和相关权重的方法,对粗糙K均值聚类算法进行优化。最后采用UCI的Iris、Balance-scale和Wine数据集分别对算法进行实验。实验结果表明,改进后的粗糙K均值聚类算法得到的聚类结果准确率更高。