多摄像机图像间的稳定切换控制

为获得连续动态的图像雅可比矩阵,分析了融合方式和传统图像直接切换方法的缺陷,提出了一种基于融合的多图像稳定切换算法,算法采用动态加权融合策略。在移动机器人位置未知和无标定多摄像机的情况下,仿真和实验结果表明:该算法比传统方法具有更高的适应能力,图像切换过程的稳定性得到了很大提高。     

基于禁忌搜索的管道状况集成检测方法

为提高管道状况异常检测的识别率和实时性,提出基于禁忌搜索的半监督K-means聚类和C4。5决策树的集成检测方法。在禁忌搜索中引入代价敏感函数,选择具有最佳分类性能的特征组合和最佳组合权值,提高了不平衡数据分布中少数类的识别率。半监督K-means方法首先把样本特征聚类为k类,再利用C4。5方法精确每一类的边界,级联式集成方法缓解不平衡数据分布问题,提高管道检测的准确度。并提出3种集成原则:加权叠加、最近一致和最邻近原则。实验结果验证了算法的有效性,在管道状况的异常检测中具有较高的分类准确度。     

研究地质灾害勘查与防治技术

为了有效解决地质灾害问题,对人们的生命财产安全造成的威胁和影响,做好地质灾害勘查与防治工作非常关键。通过全面开展地质灾害勘查工作,不但可以帮助相关工作人员全面了解当地区域的地质条件情况,同时还可以结合勘查工作完成之后所获取的关键信息,制定出针对性的地质灾害防治工作方法,从而最大程度上控制地质灾害问题所产生的影响。本文首先针对一些常见的地质灾害问题进行分析和研究,对地质灾害勘查技术内容进行阐述,同时提出常见地质灾害的有效防治工作策略,保证地质灾害问题可以得到有效控制,避免产生严重的破坏和影响,为后续类似工作开展提供相关参考和借鉴。     

基于渐进结构感受野和全局注意力的显著性检测

当前的显著性检测算法在复杂场景下难以分割出完整显著性区域以及锐利的边缘细节。针对这一问题,文中提出了一种新颖的特征融合算法。该方法利用全卷积神经网络获取多个层次粗糙的初始特征并结合特征金字塔结构对其深度解析。设计渐进结构感受野模块将特征转换至不同尺度的空间进行优化,实现特征的渐进融合与传递,有选择性地增强显著性区域。采用全局注意力机制消除背景噪声并建立显著性像素之间的长距离依赖,以提高显著性区域的有效性,突出显著性目标,再通过学习融合个层次特征得到显著图。综合实验表明,在绝对误差减小的情况下,F-measure指标远超出其他7种主流方法。所提的显著性模型综合了全卷积神经网络和特征金字塔结构的优点,结合文中设计的渐进结构感受野和全局注意力机制,使得显著图更接近真值图。     

融合边缘信息的显著性目标检测

为了解决显著性检测中图像的低对比度区域和边缘区域存在误检测的问题.提出包含边缘检测子网络和显著性检测子网络的双分支网络模型.在自顶向下的信息流传递过程中,边缘检测子网络和显著性检测子网络分别独立学习边缘信息和显著性信息.设计信息交互模块和特征聚合模块,使得两个子网络将各自学到的特征信息逐层融合.边缘检测子网络,由真值图通过距离变换生成的边缘真值图进行监督,边缘检测子网络仅用于训练阶段.在5个经典数据集上进行的实验结果表明：相比于其他12种主流的检测方法,在F度量,平均绝对误差,结构化度量,精确率-召回率等指标中,本文方法均有明显的提升.基于边缘检测子网络提供的边缘信息能有效引导模型区分出低对比度图片中的边缘部分,得到边缘轮廓完整的显著图.该方法生成的显著图边缘轮廓连续性更好,空间结构细节信息更清晰,对低对比度区域更敏感.     

融合多尺度特征的工业缺陷检测模型

利用照相机成像对工业环境中的物体进行表面缺陷检测是自动检测的主要应用之一.近年来,生产规模的扩大对缺陷的快速检测提出了要求,传统方法难以达到较高的效率.同时,缺陷检测更注重对纹理特征的提取,通用的深度卷积网络不能直接应用于该任务.为了克服以上挑战,本文提出了一种基于单阶段目标检测算法的表面缺陷检测模型,通过更宽的骨干网络提取丰富的上下文信息,进行多尺度特征融合,针对不同的检测目标采用差异化的检测头部;同时引入注意力机制,提高特征利用率;为了验证所提出方法的有效性,在3个数据集上进行了实验,取得了较好的性能,并与其他模型进行比较,表明所提出的方法优于现有方法.     

基于无传感器的BLDCM模糊自适应控制

为简化无刷直流电机控制系统的结构,使其具有较快的转矩响应速度,针对传统的PID控制方式在对BLDCM系统控制时,存在精度低、抗干扰能力弱等不足,提出了一种基于无传感器的反电势过零检测的参数自适应模糊PID集成控制方案。将模糊自适应PID控制应用到SLBLDCM控制系统中,建立无刷直流电机的数学模型,利用Matlab中的Fuzzy Toolbox和Simulink完成电机模糊自适应双闭环调速系统的仿真设计。仿真结果表明,控制系统运行平稳,速度跟踪快速准确,具有较高的控制精度和较好的鲁棒性。     

聚焦—识别网络架构的细粒度图像分类

目的 细粒度图像分类是指对一个大类别进行更细致的子类划分,如区分鸟的种类、车的品牌款式、狗的品种等。针对细粒度图像分类中的无关信息太多和背景干扰问题,本文利用深度卷积网络构建了细粒度图像聚焦—识别的联合学习框架,通过去除背景、突出待识别目标、自动定位有区分度的区域,从而提高细粒度图像分类识别率。方法 首先基于Yolov2（youonly look once v2）的网络快速检测出目标物体,消除背景干扰和无关信息对分类结果的影响,实现聚焦判别性区域,之后将检测到的物体（即Yolov2的输出）输入双线性卷积神经网络进行训练和分类。此网络框架可以实现端到端的训练,且只依赖于类别标注信息,而无需借助其他的人工标注信息。结果 在细粒度图像库CUB-200-2011、Cars196和Aircrafts100上进行实验验证,本文模型的分类精度分别达到84.5%、92%和88.4%,与同类型分类算法得到的最高分类精度相比,准确度分别提升了0.4%、0.7%和3.9%,比使用两个相同D（dence）-Net网络的方法分别高出0.5%、1.4%和4.5%。结论 使用聚焦—识别深度学习框架提取有区分度的区域对细粒度图像分类有积极作用,能够滤除大部分对细粒度图像分类没有贡献的区域,使得网络能够学习到更多有利于细粒度图像分类的特征,从而降低背景干扰对分类结果的影响,提高模型的识别率。