采用独立分支网络的多源遥感数据自适应融合地物分类

针对现有基于深度学习的地物分类方法大多面向遥感影像,而对点云数据的空间信息利用不足,特别是对点云和影像这种异源特征融合不够充分的问题,提出了一种采用独立分支网络结构的多源遥感数据自适应融合地物分类方法。首先,对配准好的LiDAR点云和遥感影像分别采用三维网络和二维网络提取各模态的空间几何特征和语义特征;其次,在点云空间对影像特征进行交叉模态采样和特征对齐得到基于点的多源特征;最后,采用一种基于注意力机制的非线性自适应特征融合方法实现二、三维语义特征的融合。实验结果表明,本文方法通过网络训练能够实现自适应数据特征的多源遥感数据融合分类,针对ISPRS多源遥感数据集的植被、建筑物和地面三类地物平均分类精度达到85.87%,相较三维点云语义分割的分类精度提高了10.12%。本文提出的独立分支融合网络能够实现二、三维数据的交互学习与深度融合,为遥感多源数据地物分类提供了一种新的思路。     

面向高光谱影像场景分类的轻量化深度全局-局部知识蒸馏网络

针对目标场景复杂的空间布局和高光谱影像固有的空-谱信息冗余等挑战，提出了端到端的轻量化深度全局-局部知识蒸馏（Lightweight Deep Global-Local Knowledge Distillation,LDGLKD）网络。为探索空-谱特征的全局序列属性，教师模型视觉Transformer(Vision Transformer,ViT)被用来指导轻量化学生模型进行高光谱影像场景分类。LDGLKD选择预训练的VGG16作为学生模型来提取局部细节信息，将ViT和VGG16通过知识蒸馏协同训练后，教师模型将所学习到的远程上下文关系向小规模学生模型进行传递。LDGLKD可通过知识蒸馏结合上述两种模型的优点，在欧比特高光谱影像场景分类数据集OHID-SC及公开的高光谱遥感图像数据集HSRS-SC上的最佳分类精度分别达到91.62%和97.96%。实验结果表明：LDGLKD网络具有良好的分类性能。根据欧比特珠海一号卫星提供的遥感数据构建的OHID-SC可以反映详细的地表覆盖情况，并为高光谱场景分类任务提供数据支撑。     

基于信息向量机的机载激光雷达点云数据分类

针对支持向量机应用于机载激光雷达(LiDAR)点云数据分类时存在的模型稀疏性弱、预测结果缺乏概率意义、训练时间长等缺点,提出一种基于信息向量机的LiDAR点云数据分类算法。该算法采取假定密度滤波算法进行近似逼近,将分类问题转化为回归问题;以最大后验微分熵为依据,选择LiDAR点云数据活动子集信息向量实现模型稀疏化;最后,通过边缘似然最大化进行核函数自适应获取,选择一对余分类方法实现了点云数据多类分类。利用Niagara地区和非洲某地区点云数据进行了对比实验。结果表明:与支持向量机方法相比,基于信息向量机分类方法的分类精度分别提高到94.20%和90.78%,基向量数量分别减少到50个和90个,训练时间分别降低到5.86s和8.03s。实验结果验证了基于信息向量机的点云数据分类算法具有训练速度快、模型稀疏性强、分类精度高等优点。     

互注意力融合图像和点云数据的3D目标检测

为了利用图像信息辅助点云数据提高3D目标检测精度,需要解决图像特征空间和点云特征空间自适应对齐融合的问题。本文提出了一种多模态特征自适应融合的3D目标检测深度学习网络。首先,对点云数据体素化,基于体素内的点云特征学习体素特征表示,用3D稀疏卷积神经网络获取点云数据的特征,同时用ResNet神经网络提取图像特征。然后通过引入互注意力模块自适应对齐图像特征和点云特征,得到基于图像特征增强后的点云特征。最后在此特征基础上应用区域提案网络和分类回归多任务学习网络实现3D目标检测。在KITTI 3D目标检测数据集上的实验结果表明:在小汽车的简易、中等、困难三个不同检测难度等级上,平均检测精度分别为88.76%,77.63%和76.14%。该方法能够有效融合图像信息和点云信息,提高3D目标检测的准确率。     

基于CARLA的仿真数据集生成框架研究

自动驾驶仿真数据集在自动驾驶算法迭代等方面有着天然的优势,而大部分的仿真数据集都是基于CARLA生成的,CARLA是一个广泛应用的自动驾驶仿真平台,为自动驾驶感知、决策等方面都起到了强大的赋能作用。然而,CARLA对激光雷达模型的构建有着严重缺陷,其只考虑到了点云的3维空间信息而忽略了反射率的信息,基于BRDF模型对CARLA中的激光雷达模型进行了重建,使其能够返回带有较为准确反射率的点云,并搭建了一个自动化的多模态仿真数据集生成框架,从而生成多模态的自动驾驶仿真数据集。     

非完整ERT数据的两相层状流分布图像重建

针对电阻层析成像在气液两相层状流测量中会有电极被气相覆盖，无法正常重建图像的问题，提出基于有效数据和基于敏感场重建的两种气液两相层状流分布重建解决方法。基于有效数据直接重建方法是采用边界测量数据的幅值判断方法确定失效电极的数目和位置，进而对原始测量数据进行筛选，保留正常的测量数据对整个测量区域进行图像重建。基于敏感场重建的方法，是在判断出失效电极之后，将层状流的流动状态作为一种先验信息，去除失效电极包围的区域，图像重建只在有效电极包围的区域进行，从而减少了未知量的数目，期望达到提高重建图像的空间分辨率的目的。仿真与层状流实验结果证明了两种方法的有效性。     

基于代数曲面的残缺点云数据迭代修复算法

针对逆向工程领域,激光扫描仪获取的散乱点云数据难免存在着残缺的问题,设计一种迭代修复残缺点云孔洞的算法,对其进行下采样,基于加权局部最优投影算子得到分布均匀的稀疏点集;将点沿稀疏点集的代数点集曲面排斥推向残缺区域;对稀疏点集进行上采样完成孔洞区域的一次修复.将上述步骤迭代应用,逐渐缩小残缺区域,直到完成修复.研究表明:...     

基于正逆向混合建模的残缺涡轮修复方法的探究

工程中零件残缺部位数据的重构是修复工作的关键,因残缺3D形貌高度的不可控性与不稳定性,难以通过常规测量手段获取,为解决残缺部位数据获取的难题,提出了一种基于正逆向混合建模软件Geomajic Spark的正逆向混合建模重构残缺部位数模的方法。以残缺涡轮为例,利用扫描仪获取点云数据,通过逆向点云处理软件Geomajic Studio进行点云处理、在Geomajic Spark软件中拟合特征、绘制轮廓,导入逆向校核软件Geomajic Qualify中进行误差分析比对和布尔运算操作,获得残缺部位数据;通过增材制造路径轨迹模拟及残缺部位打印成型的方式,对残缺模型与待修复零件进行贴合,验证了逆向工程辅助下的正逆向混合设计在获取零件残缺部位数模及增材制造技术的可行性与准确性。     

基于主动生成式过采样和深度堆叠网络的轴承故障诊断

针对数据不平衡分类问题，提出了一种基于主动生成式过采样与深度堆叠网络(DSN)的故障诊断方法。首先，在带有分类器的生成式对抗网络(ACGAN)的训练过程中，将Wasserstein距离作为新目标函数，为生成器提供有效梯度，并根据损失值之比自适应地调整迭代过程中生成器与判别器的训练次数，克服训练不协调所导致的模型收敛困难，以提高ACGAN的训练稳定性，改善生成样本的质量。其次，采用基于委员会查询(QBC)的主动学习算法，并设计多样性评价指标Diversity,对ACGAN生成的高信息熵样本进行二次筛选，以保证所挑选样本的多样性；同时利用筛选出的样本训练判别器，引导生成器生成信息量丰富的少数类样本。最后，在平衡数据集的基础上，训练基于DSN的故障分类模型。通过对比实验验证了所提出方法的有效性。     

基于点云三维重建技术的甲状腺超声穿刺三维导航研究

设计了一种基于超声自动扫描机器人的甲状腺点云三维重建系统,并与甲状腺超声截面穿刺机器人系统相融合,实现并验证了一套甲状腺超声穿刺三维导航的软硬件方案.通过甲状腺自动超声扫查机器人获得了１组带有准确空间位姿信息的甲状腺超声图像,并且通过传统图像算法和深度学习方法分割出甲状腺组织的区域.此后通过点云重建和空间重建方案获得了甲状腺模型,并将超声模型与CT扫查模型及机械臂模型进行空间配准和数据融合,依此在软件界面为医生提供了穿刺手术的多视角三维空间信息,在减轻手术医师负担的同时提升了穿刺手术的精准度和成功率.通过实验分析了扫描控制算法和三维重建算法的可行性和稳定性,并验证了该三维导航系统的导航空间精度和响应速度.     

基于LD-SVDD的数据分类方法研究

针对工业过程中数据维数高,导致SVDD算法在建立不同类别数据的超球面时会产生混叠区域的问题,提出了基于近邻密度-支持向量数据描述(LD-SVDD)的数据分类方法。结合局部密度信息在判别数据相似性和SVDD在数据分类的优势,使用SVDD算法对数据进行分类,对分布在混叠区域中的样本采用密度信息进一步判断其类别,通过随机产生的数据集进行仿真,并与SVDD分类结果进行比较,结果表明LD-SVDD的分类准确率提高到了93%。     

基于支持向量机的曲面数据修补

针对有孔洞的点云数据,提出了一种基于支持向量机的修补方法.该方法首先找出孔洞的边界点,然后根据边界点获得模型的样本点集;其次,为了获得均匀的修补点,建立局部坐标系,进行坐标变换,通过坐标变换后的边界点采样得到模型的输入,实现残缺点云数据的修补,为后续的曲面构造提供完整的数据型面.     

基于RGB颜色信息聚类的光谱反射率重建

针对光谱反射率研究中因训练样本数据量大造成的冗杂等问题，提出了一种基于RGB信息进行聚类的样本分类方法。首先对颜色进行聚类并确定聚类个数，后对每一类光谱反射率使用BP神经网络分别进行重建。对于实验结果，使用ΔE₀₀、均方根误差（RMSE）以及适应度系数等标准进行评价，同时与主成分分析算法进行对比。从实验分析可得出，在聚类数目为7时光谱反射率重建效果最好，这时的平均CIE2000的色差为0.836，平均RMSE为0.0149，平均适应度系数为99.82%，并且，在最后对重建色差较大的色块进行了优化处理。实验证明，颜色聚类方法可以很好的应用于光谱反射率重建。     

面向船体外板曲面重建的散乱点云精简算法

针对船体外板形变曲面实时检测与快速高效三维重建的要求。提出了以空间层次剖分和特征曲率相融合的精简算法,通过k-d树剖分准则将三维点云数据剖分成不同层次空间,层层递归形成树状数据模型,在每个节点空间内,同时分别利用K-邻域计算、曲率估算,获得点云特征曲率信息,设定可调的曲率阈值,依据阈值将同一数据源的点云数据区分为不同曲率大小的区域,运用不同的精简算法,实现保持曲面基本特征的曲面重建。实验结果分析,该算法保证曲面重建的基础上,大大减少了曲面的点云数量,提高了曲面重建效率。     

基于cGAN的刀具磨损状态监测数据集增强方法

在刀具磨损过程中,通常采集的正常磨损阶段的样本数据比初始磨损阶段和急剧磨损阶段的样本数据量多,这导致刀具磨损状态数据集不平衡,从而使深度学习网络模型对刀具磨损状态预测准确性降低。针对问题,文章提出一种基于cGAN的刀具磨损状态监测数据集增强方法。在cGAN中添加了类别条件信息,有利于生成器更好的捕捉刀具磨损样本的数据分布特点,从而生成和真实刀具磨损样本分布相似的样本。采集铣削加工过程中的振动信号,将振动信号转换成频谱数据输入到c GAN中,cGAN通过生成器和鉴别器之间的对抗训练,学习数据分布特点,生成刀具磨损状态样本数据。将增强的数据集输入到深度学习网络模型中进行分类,测试生成数据的可用性。实验结果显示,由增强的刀具磨损状态数据集训练深度学习网络模型,可以有效提高模型对刀具磨损状态监测的准确性,其预测精度达到98.1%。     

利用迁移学习的机载激光雷达点云分类

为解决现有机载激光雷达点云分类方法存在难以在获得较高精度的点云分类结果的同时降低分类过程所需时间等问题,提出了一种利用迁移学习的机载激光雷达点云分类方法。首先,计算点云的归一化高程、强度和法向量三个特征,通过设置不同邻域大小,利用所提出的点云特征图生成策略生成多尺度点云特征图;然后,利用预训练的深度残差网络从每个点的多尺度点云特征图提取其多尺度深度特征;最后,为了实现快速地训练,构建仅包含两层全连接神经网络模型,再利用训练好的模型对点云进行分类。两组ISPRS提供的标准点云数据集的试验结果表明:提出的方法所需训练时间少,分类结果的整体精度为89.6%,较ISPRS官网上所报道的最佳点云方法分类精度高4.4%。分类结果可为机载激光雷达点云的后续处理与应用提供可靠的信息。     

基于云理论和Relief⁃F的滚动轴承故障识别方法

为了充分利用海量数据中蕴含的信息并对轴承故障进行有效识别,采用云理论方法将轴承的故障数据与其对应的故障类型进行映射,建立了滚动轴承在不同状态下各个特征的云分布模型,并依此构造出轴承故障的云判断知识库。同时,引入Relief-F算法确定训练集各特征的权重系数,结合云分布隶属度系数,提出了样本对于轴承故障的最终隶属度计算方法。通过根据不同数目的训练样本建立的云分类知识库在分类精度上的对比,证明了该方法具备对数据的学习能力。将该分类方法与常用的分类方法在含有噪声的测试样本上进行对比实验,证明了该分类方法在抗噪性方面的优越性。     

基于边界辅助判别的滚动轴承故障特征增强及诊断方法

滚动轴承作为机械设备重要部件,对保障设备安全稳定运行具有重要意义。针对实际诊断中的滚动轴承故障数据不平衡问题,提出了一种基于边界辅助判别的辅助分类生成对抗网络模型(BD-ACGAN)。首先,设计了一种可用于提取故障样本边界细节特征的边界辅助判别器,以引导生成器生成更真实的样本,并采用该生成样本解决了数据不平衡的问题;其次,采用了自适应权重损失模块,动态调整了损失权重,使该模型更加关注重要的特征信息,从而提高了该模型的生成质量和特征表达能力;利用生成样本和真实样本数据对BD-ACGAN模型进行了增强训练,提高了该模型的泛化能力和诊断能力;最后,进行了消融实验及对照实验,对BD-ACGAN模型的特征增强能力和诊断效果进行了验证,分别采用美国凯斯西储大学和西安交通大学滚动轴承数据集对模型进行了实验验证。研究结果表明：该BD-ACGAN模型能够有效利用故障样本的边界特征解决数据不平衡问题,并且故障诊断精确度为98.79%,优于其他对照模型,为滚动轴承故障诊断提供了一种新的方法。     

睡眠调度机制在三维环境中的应用

为了研究三维地域环境中的网络覆盖和网络寿命问题,采用十字布置策略和随机布置策略,并使用基于动态邻居节点信息的随机调度算法,研究了在这两种布置策略下的区域覆盖、点覆盖和网络寿命问题。实验结果表明,当节点数量很多时,在使用了基于动态邻居节点信息的随机调度算法之后,整个区域的区域覆盖效果变化不明显,网络寿命延长了约1．1倍。     

基于滑动窗口相似性因子分析的不均衡故障数据分类研究

针对机械装备监测过程中不均衡故障数据难以辨识,提出了一种基于滑动窗口相似性因子分析方法。该方法引入滑动窗口技术,通过分析目标数据与历史数据的PCA相似性因子,从旧的过程数据中筛选出与诊断目标相似的数据,构成待选数据池;然后采用距离相似性因子,从待选数据池中选择出与目标数据最相似的数据用于辅助训练。将该方法用于转子故障的不均衡数据分类中,在不同偏斜率下采用KPCA-SVM方法进行故障分类。结果表明:该方法可有效地改善分类决策边界,降低由样本不均衡而引起的误诊断率。