基于萤火虫优化的核自动编码器在中介轴承故障诊断中的应用

随着科技进步与工业规模的快速壮大,现代工业监测领域步入大数据时代,如何自动地从大规模原始信号中提取故障特征并诊断是一个重要课题。为了提高深度自动编码网络处理非线性问题的能力,提出一种基于核函数与去噪自动编码器(Denosingauto-encoder,DAE)的深度神经网络方法。采用径向基核函数改进传统的去噪自动编码器,提出核去噪自动编码器(Kernel denosing auto-encoder, KDAE);构建包含一个KDAE层与多个AE层的深度神经网络对故障特征进行层层提取,并添加softmax分类层;采用误差反向传播算法对网络参数进行微调,并采用混沌萤火虫算法优化核参数与深度网络中的待定参数,得到故障诊断模型。针对传统自动编码器泛化性较差的问题,在目标函数中添加L2惩罚项。通过航空发动机中介轴承典型故障试验数据,验证了所提方法与传统去噪自动编码网络相比能够得到更高的准确率。     

基于稀疏自动编码深度神经网络的感应电动机故障诊断

针对目前感应电动机故障诊断大多采用监督学习提取故障特征的现状,提出一种将去噪编码融入稀疏自动编码器的深度神经网络,实现非监督学习的特征提取并用于感应电动机的故障诊断。稀疏自动编码器通过自动学习复杂数据的内在特征来提取简明的数据特征表达。为提高特征表达的鲁棒性,在稀疏编码器的基础上融入去噪编码,提取更有效的特征表达用来训练神经网络分类器进而完成整个深度神经网络的构建,并结合反向传播算法对深度神经网络进行整体微调,提升故障分类的准确度。整个训练过程引入"dropout"训练技巧,减少因过拟合带来的预测误差。试验结果表明,相比传统反向传播(Back propagation,BP)神经网络,提出的深度神经网络能更有效地实现感应电动机故障诊断。     

采用改进粒子群优化粒子滤波的三维人手跟踪

针对高维人手状态空间中的采样稀疏问题,提出了一种基于改进粒子群优化粒子滤波的关节人手跟踪方法,用于从Kinect获取的深度图像序列中恢复三维人手运动。首先,利用简单几何基元建立三维人手模型,并为其添加自由度节点,用于在跟踪过程中生成可与观测特征进行比较的人手姿势假设。然后,在粒子滤波框架下,使用深度图像作为观测输入,融合深度特征与区域特征建立了系统观测模型。最后,将粒子群优化粒子滤波应用于关节人手运动跟踪。为避免在高维空间中的早熟收敛问题,利用模拟退火思想和局部随机化方法对算法进行改进,增强了算法的全局搜索能力。通过合成序列和真实序列上的跟踪实验对该方法进行了评价,结果表明该方法的关节角度跟踪误差均值约为2.3°,标准差约为1.7°,优于标准粒子滤波和标准粒子群优化跟踪方法,可以准确、鲁棒地从深度图像跟踪三维人手运动。     

基于扩散模型的图像去噪方法研究

随着图像处理领域的不断发展,图像噪声处理成为该领域中的主要研究问题之一。为了去除时频图像在获取和传输过程中的噪声,提高图像质量,对不同神经网络进行实验,以确定某种方法能够有助于更好地去除时频图形中的噪声。使用的深度学习方法包括变分自编码器（Variational Auto-Encoder,VAE）和扩散模型。变分自编码器可以学习到数据的特征表示,通过将输入数据映射到潜在空间中,从潜在空间中采样一个随机向量,将采样得到的潜在变量映射回重构空间,并在解码器中重构出去噪后的输出数据,学习数据的潜在分布,达到去除时频图像噪声的目的。另一种是基于LoRA(Low-Rank Adaptation of Large Language Models,LoRA)的扩散模型算法,不同于传统深度学习去噪模型,该方法通过引入Lo RA模块,将时频图像的噪声去除分为两个部分,分别学习时频图像的噪声分布以及时频图像的特征描述文本,从而减少网络在训练过程中的训练参数,实现了对时频图像的噪声去除。通过实验对比,去噪效果比较好的是基于LoRA的扩散模型,峰值信噪比和结构相似度均高于变分自编码器模型。     

采用改进辅助粒子滤波的红外多目标跟踪

结合改进的辅助粒子滤波与马尔科夫随机场,提出一种多目标跟踪算法来跟踪红外场景中的多个目标.依据目标区域的灰度直方图描述目标,使用标准辅助粒子滤波对各目标的采样粒子集进行粗略优化,同时在辅助粒子采样过程中引入Mean-shift算法来提高粒子采样效率,解决多目标跟踪时粒子数量呈指数级增长的问题,并进一步提高算法的实时性.针对多目标跟踪常出现的目标遮挡导致跟踪失败的问题,引入图模型理论,利用马尔科夫随机场来表示多目标跟踪模型,将多目标的跟踪问题转换为图模型的推理问题.实验结果表明,该跟踪算法使用较少粒子便能实现跟踪,跟踪正确率达84％,且能有效解决多目标跟踪时的相互遮挡问题.     

融合Mean-shift与粒子滤波改进算法的自适应人脸跟踪

针对人脸跟踪中计算量大以及粒子退化现象,提出了结合Mean-shift与粒子滤波的改进算法。首先根据Mean-shift算法中的"核函数",建立彩色加权直方图的目标模型。再以人脸初始位置采用Mean-shift算法自适应生成新的粒子集合,通过粒子滤波算法进行权值更新和粒子再采样,得到下一帧人脸位置,同时舍弃较小粒子。实验表明该算法提高了跟踪的运算速度和稳定性,并对人脸遮挡和偏移也有一定的改进。     

应用自适应多测量融合粒子滤波的视场跟踪

针对矿井跟踪视场中由于单一线索对目标特征描述缺乏可分性以及多线索融合策略对场景变化缺乏自适应性导致人员跟踪失效的问题,提出了基于自适应多测量融合粒子滤波的矿井人员跟踪算法。将粒子邻域光流统计信息表征的运动性作为线索建立运动光流直方图模型,并与颜色相融合建立多观测模型。将单观测估计状态粒子区域与融合估计粒子区域的质心距离作为单观测模型贡献率度量因子,定义了观测权值自适应策略,实现了粒子观测模型与跟踪目标状态特征的同步变化;通过建议重采样函数对粒子落入低观测似然时进行有效的采样补偿,增强了跟踪的鲁棒性。实验结果表明,本算法能够有效地解决矿井跟踪视场下(背景复杂)由于场景变换而导致跟踪目标丢失的问题;将本文算法与基于颜色和基于颜色与帧差分融合的粒子滤波算法做状态估计均方误差比较,结果表明,状态估计准确率提高了1.57倍。     

微间隙焊缝磁光成像检测及跟踪方法

在激光对接焊过程中,必须精确检测焊缝位置并控制激光束始终对中焊缝。针对小于0.05 mm的微间隙对接焊缝,通过对焊件施加感应磁场,利用法拉第磁旋光原理构成磁光传感器,获取焊缝磁光图像。针对焊缝磁光图像,以焊缝磁光图像的灰度直方图为特征模版,研究一种基于均值漂移算法的激光焊焊缝检测与跟踪方法。通过均值漂移与粒子滤波相结合的算法,利用粒子滤波能够对图像大范围搜索目标的特点,实现焊缝全自动跟踪。同时,根据相似度Bhattacharyya系数对焊缝特征模版进行更新,提高焊缝跟踪精度。试验结果表明,利用均值漂移与粒子滤波相结合的算法能够从焊缝磁光图像中有效检测焊缝特征,实现焊缝的自动跟踪。     

一种基于优化小波特征的非线性目标跟踪算法

提出了一种基于优化小波特征的,应用于复杂背景干扰环境中的非线性目标跟踪算法。选取Gabor小波网络来表征目标的空域特性,即运用一定数量的小波构成一个集合,利用优化方法优化小波参数,从而获得稳健的Gabor小波集合来表示目标特征。运用优化的非线性粒子滤波算法,使每个粒子表示目标特征的一组估计运动参数,并通过L-M优化方法使粒子向局部峰值点移动,呈现出"多峰"的跟踪形式。实验结果表明:该算法对光照、噪声不敏感,具有较强的抗局部遮挡能力,平均跟踪误差小于一个像素,与标准的非线性粒子滤波跟踪算法相比,平均跟踪误差减小了50%。     

[设备健康管理]基于深度学习多样性特征提取与信息融合的行星齿轮箱故障诊断方法

针对行星齿轮箱振动信号噪声干扰大、单一分类器泛化能力不强的问题,提出了一种基于深度学习多样性特征提取与信息融合的行星齿轮箱故障诊断方法。利用多目标优化算法优化多个堆栈去噪自动编码器(SDAE)以获得多个性能优异的SDAE,并提取多样性的故障特征;采用多响应线性回归模型集成多样性故障特征实现信息融合,得到多目标集成堆栈去噪自动编码器(MO-ESDAE),最后将其应用于行星齿轮箱故障诊断。实验结果表明：该方法能有效提高故障诊断精度与稳定性,具有较强的泛化能力。     

基于多模板回归加权均值漂移的人体目标跟踪

针对移动机器人跟踪人体目标时目标因角度大幅变化引起外观改变造成的跟踪无效,提出了多模板回归加权均值漂移跟踪方法。该方法通过建立目标的多模板模型,应用均值漂移算法实现目标跟踪。首先,根据前一帧均值漂移结果和当前帧头肩粗定位结果确定目标模板集,使其包含目标人体的位姿和角度改变。然后,采用多模板回归加权均值漂移实现目标的精确定位。在多模板均值漂移中引入回归模型实现颜色纹理特征与目标模型相似度之间的映射,从而控制模板数量,保证目标检测的实时性。最后,分别在视频图像和机器人目标跟踪平台上对所提方法进行实验验证。结果显示,图像处理平均时间为86.4s/frame,满足机器人跟踪的实时性要求。该方法解决了目标特征在跟踪过程中发生变化的问题,提高了机器人跟踪时对目标人体特征变化的鲁棒性。     

基于粒子滤波的彩色图像跟踪算法的研究

摘 要;在以往的视频跟踪中,目标检测和跟踪常常需要两个计算法则,过程比较复杂,实现耗时较多。为了实现序列彩色图像的实时检测与跟踪,本文以目标有无信息和目标位置信息为变量建立联合状态向量,利用粒子滤波方法实现目标检测及跟踪。此外为了减少计算量并且充分考虑到跟踪区域各像素的权重,建立基于颜色信息的特征直方图作为观测向量,用于后验估计。实验证明本文提出的方法能够在14.37ms内检测并跟踪目标,并且对目标的旋转变化和尺度变化具有一定的鲁棒性     

基于可变形卷积的单帧图像眼球定位追踪

针对目前眼球定位追踪算法存在的眼球定位精准度不高问题,以及为了改进眼球追踪算法的精准度并保证一定的图片处理速度,将可变形卷积网络应用于YOLO网络,对特征分布提取层面进行改进。利用可变形卷积的形变建模能力对卷积核中的各个采样点的位置增加一定的偏移变量,从而从原始单帧图像中提取更具有表征特征的信息,并与先进眼球定位追踪检测网络进行了实验对比。研究表明,可变形卷积YOLO网络的精准度可以达到0.685,平均处理图片刷新率达42帧/s,优于原YOLO网络以及其他眼球定位追踪检测网络。     

自适应模板更新和目标重定位的相关滤波器跟踪

针对核相关滤波器在跟踪中因目标快速运动导致的目标易丢失和部分遮挡问题,本文在多特征尺度自适应核相关滤波器(Scale Adaptive with Multiple Features tracker,SAMF)基础上,提出一种融合自适应模板更新和预测目标位置重定位的核相关跟踪算法。采用联合目标移动速度和特征变化的模板更新机制增大对目标快速运动适应性,根据长时滤波器和短时滤波器协作跟踪提出目标位置修正和重定位模型提升跟踪器应对目标部分遮挡的能力。在OTB-2015视频序列集100组序列中与序列集提供的算法进行对比,本算法跟踪精度相比SAMF提升2%。在目标发生快速移动时本文算法具有更好的追踪目标能力,目标重定位也很好地解决了目标部分遮挡问题。     

基于场景辅助特征的T-S目标跟踪

针对遮挡同时目标附近出现相似目标干扰所导致的错跟问题,本文提出利用场景中辅助特征提升目标跟踪抗遮挡以及抗相似目标干扰性能。首先检测场景强特征及目标附近相似干扰,定义二者为场景辅助特征;其次,建立能够较好描述场景强特征及目标运动规律的动态模型以及相似干扰约束;最后,将场景辅助特征及目标的动态模型以粒子滤波的形式表达,提出T-S跟踪算法。采用SPEVI及OTB100数据库中若干典型测试视频,与近年来6种先进跟踪算法进行对比实验,并采用两种评价体系考量。实验结果表明,本文T-S算法对SPEVI多人脸、红外车辆的跟踪误差分别为24 pixel和8 pixel;对OTB100数据库中8种视频跟踪测试时,在重叠率阈值为0.5时的跟踪成功率为0.51,优于其它对比算法。本文T-S跟踪算法能够较好应对遮挡及相似目标干扰。     

结合标准对冲与核函数稀疏分类的目标跟踪

针对经典稀疏分类目标跟踪算法在噪声,遮挡等恶劣环境下精度不高的问题,提出了一种新的目标跟踪算法。该算法在标准对冲框架下结合了核函数稀疏分类方法以及自适应字典更新方法,能够较好地适应类间相似度较高与目标外形变化较大等恶劣情况。核函数技巧能够增强分类器性能,但通用方法求解凸优化问题的效率较低,不能满足目标跟踪问题的实时性要求,故提出用核函数随机坐标下降(KRCD)算法来高效求解稀疏系数,并使用核函数稀疏分类方法(KRCD-SRC)来计算各个粒子的代价值。为了避免模板漂移问题,解释了目标字典和背景字典的在线更新方法。最后,结合标准对冲算法估算目标的状态信息。在使用50个粒子进行跟踪时,本文算法的处理帧率能够达到14frame/s。相比其它几种经典目标跟踪算法,本文算法具有更好的精确性和鲁棒性。     

基于色度饱和度-角度梯度直方图特征的尺度自适应核相关滤波跟踪

针对核相关跟踪算法(KCF)对特征敏感及无法跟踪尺度的问题,本文从特征提取和尺度自适应两个方面对核相关滤波跟踪算法进行了研究。提出了一种基于色度饱和度-角度梯度直方图特征的自适应核相关跟踪算法来改善KCF算法的跟踪性能。首先,研究了HSI颜色空间的特点,基于颜色和梯度是互补的图像特征,提出了一种融合了梯度和颜色的HHS-OG特征来有效提高原始KCF算法对目标和背景的判别力。其次,针对KCF无法处理目标尺度变化的问题,在跟踪的检测阶段采用一组固定的尺度因子进行图像块采样,根据得到的滤波响应图估计目标的最优位置和尺度。将所提算法在大量视频序列上进行了跟踪实验,结果显示其平均跟踪速度为37.5frame/s,跟踪精度和成功率分别提升了5.4%和10.1%。实验表明HHS-OG特征具有良好的目标-背景判别能力,能够实现鲁棒跟踪,而尺度自适应策略能较大程度地提高跟踪精度。     

基于压缩感知的多特征实时跟踪

针对基于压缩感知的目标跟踪算法中存在的特征单一,在目标纹理变化、光照变化较大时跟踪不稳定、易丢失目标的问题,提出了多特征联合的实时跟踪算法。该算法以多个矩阵作为压缩感知中的投影矩阵,将压缩后的数据作为特征来提取出跟踪所需的多种特征。在更新过程中,针对不同特征在跟踪过程中的稳定性不同,采取不同速度的更新方法,使得在目标环境变化时跟踪的鲁棒性仍然很高。对不同视频的测试结果表明,提出的方法在目标运动、旋转、纹理变化和光照变化的情况下跟踪准确,在目标大小为70 pixel×100 pixel时平均帧速为23 frame/s,满足实时跟踪的要求。与单一特征的压缩感知算法相比,本算法在目标纹理和光照变化很大的情况下仍能完成稳定的实时跟踪。     

动态特征块匹配的背景更新在运动检测的应用

为解决传统监控设备视场小、非智能等缺陷,结合全景成像技术和计算机视觉技术,建立无人环境下外来入侵自动检测系统,从而实现了全景监控视场下运动目标快速准确的检测及跟踪。该技术关键在于如何在复杂的动态背景下有效地提取运动目标,为此提出一种基于动态特征块匹配的自适应背景更新算法。在采用帧间差分与背景差分融合算法检测到目标的基础上,利用目标的矩信息进行跟踪,避免了全景视觉下颜色及轮廓特征缺失的弊端。根据目标的轮廓及位置提取特征块,将视频序列的每一帧图像与初始背景图像进行特征块区域的局部匹配,首先通过分析特征块图像的颜色特征,构建基于区间统计的RGB颜色直方图,提取颜色特征序列。然后通过计算序列相关性来判断该区域是否需要背景更新,从而降低对单个像素更新的冗余计算。实验表明,该更新算法具有较强的鲁棒性和可行性,能够有效提高监控系统的稳定性。     

基于Camshift算法的神经丝蛋白自动跟踪

神经丝蛋白体型细长、形态多变,跟踪难度大.为了能够准确稳定的获取神经丝蛋白质的运动状态,利用了改进的Camshift算法实现了对神经丝蛋白运动的自动跟踪.利用HSV颜色空间的颜色直方图建立目标模型,结合预测点对目标特征点加权.通过在目标颜色概率模型中引入核函数,利用核密度梯度来进行目标搜索,最终在每帧图像中获取目标的具...