基于人工神经网络的固体氧化物燃料电池性能 预测模型开发

固体氧化物燃料电池(Solid-Oxide Fuel Cell,SOFC)因其能量转换效率高而备受关注,但其相 关技术非常复杂,技术成熟度比质子交换膜燃料电池、直接甲醇燃料电池等其他类型的燃料电池低。 SOFC 的微观结构是影响其性能的因素之一,为加速 SOFC 的商业化应用,需要对其复杂微观结构进 行有效优化。同时,SOFC 性能测试实验耗时长、费用高,而高可靠性的 SOFC 计算机模型可用来缩 短 SOFC 微观结构优化时间和降低研发成本。该研究根据阳极支撑 SOFC 结构变化对应的性能实验 数据,开发了一种基于人工神经网络的、根据结构特性来预测其性能的 SOFC 计算机模型。实验过程 利用部分数据对该人工神经网络进行训练,并利用另一部分数据对其进行验证。结果显示,所开发的 SOFC 模型能够准确地根据微观结构的变化呈现其性能变化,适合用于 SOFC 微观结构的优化。     

基于改进RBF神经网络模型的SOFC性能预测方法

固体氧化物燃料电池(SOFC)测试存在费用高、实施困难以及耗时长等问题,因此,提出了一种基于径向基(radial basis function, RBF)神经网络的SOFC建模方法。首先采用数据驱动的方式利用RBF神经网络模型对电池中阳极、阴极、电解质厚度等微观结构对SOFC性能的影响进行分析,然后针对RBF神经网络模型参数选取困难、易陷入局部极值的问题,提出一种改进果蝇算法(improved fruit fly optimization algorithm, IFOA)对其进行优化,自动确定模型参数的同时确保其收敛于全局最优解。仿真结果表明,所提方法能够准确描述微观结构变化对SOFC性能的影响,相对于支撑向量机(support vector machine, SVM)模型能够获得更高的预测精度。     

基于对抗训练和卷积神经网络的面部图像修复

为了有效地修复大面积破损的面部图像,使用了解码器-编码器结构的卷积神经网络作为生成模型,并在其部分层之间增加skip-connection,以增强生成模型的结构信息预测能力,同时引入对抗训练策略优化生成模型。该模型首先训练一个判别模型识别真实图像,再利用其判别待修复图像输入生成模型后所得到的输出是否为真实,以此为生成模型提供优化梯度。结合了卷积神经网络的结构信息预测能力和GANs对抗策略的优化能力,提高了图像补全的效果。在CelebA人脸数据集上进行的实验结果表明,该方法在补全大面积破损的图像任务上性能明显优于其他方法。     

基于FlowS-Unet的遥感图像建筑物变化检测

针对目前人为探察土地资源利用情况的任务繁重、办事效率低下等问题, 提出了一种基于深度卷积神经网络的建筑物变化检测方法, 利用高分辨率遥感图像实时检测每个区域新建与扩建的建筑物, 以方便对土地资源进行有效管理.本文受超列(Hypercolumn)和FlowNet中的细化(Refinement)结构启发, 将细化和其他改进应用到U-Net, 提出FlowS-Unet网络.首先对遥感图像裁剪、去噪、标注语义制作数据集, 将该数据集划分为训练集和测试集, 对训练集进行数据增强, 并根据训练集图像的均值和方差对所有图像进行归一化; 然后将训练集输入集成了多尺度交叉训练、多重损失计算、Adam优化的全卷积神经网络FlowS-Unet中进行训练; 最后对网络模型的预测结果进行膨胀、腐蚀以及孔洞填充等后处理得到最终的分割结果.本文以人工分割结果为参考标准进行对比测试, 用FlowS-Unet检测得到的F1分数高达0.943, 明显优于FCN和U-Net的预测结果.实验结果表明, FlowS-Unet能够实时准确地将新建与扩建的建筑物变化检测出来, 并且该模型也可扩展到其他类似的图像检测问题中.     

PCB检测中图像分割技术研究

光学检测是进行印刷电路板(PCB)装配质量检验的重要手段,应用图像分割技术可以提取PCB中的目标物以进行检测。针对PCB图像分割,提出一种基于改进量子遗传算法的图像分割方法。该方法将基于阈值的图像分割方法转化为阈值优化问题,通过改进量子遗传算法的计算实现最优图像分割阈值的求取。仿真结果验证了该方法的可行性。     

基于图像识别的带式输送机输煤量和跑偏检测方法

传统的卷积神经网络(CNN)是单任务网络,为实现带式输送机输煤量和跑偏的同时检测,使用2个卷积神经网络分别对输煤量和跑偏进行检测,导致网络体积大、参数多、计算量大、运行时间长,严重影响检测性能.为降低网络结构的复杂性,提出了一种基于多任务卷积神经网络(MT-CNN)的带式输送机输煤量和跑偏检测方法,可使输煤量检测和跑偏检测这2个任务共享同一个网络底层结构和参数.在VGGNet模型的基础上,增大卷积核和池化核的尺度,减少全连接层通道数量,改变输出层结构,构建了MT-CNN;对采集的输送带图像进行灰度化、中值滤波和提取感兴趣区域等预处理后,获取训练数据集和测试数据集,并对MT-CNN进行训练;使用训练好的MT-CNN对输送带图像进行识别分类,实现输煤量和跑偏的准确、快速检测.实验结果表明,训练后的MT-CNN在测试数据集中检测准确率为97.3%,平均处理每张图像的时间约为23.1 ms.通过现场实际运行验证了该方法的有效性.     

基于图像风格转换的水下图像显著性检测算法

由于水下显著性检测数据集不足,导致基于深度学习的水下图像显著性检测网络容易出现过拟合的问题,从而影响显著性检测网络的性能。针对上述问题,本文引入图像风格转换方法,提出一种基于CycleGAN的水下显著性检测网络。网络生成器由图像风格转换子网络和显著性检测子网络构成。首先,通过无监督的级联方式对风格转换子网络进行风格转换训练,并利用该网络对陆地图像和水下图像进行风格转换,构建训练和测试图像数据集,以解决水下显著性检测数据集不足的问题;然后,使用陆地及其风格转换后的显著性数据集对显著性检测子网络进行训练,以增强网络的特征提取能力;最后对两个图像风格的输出结果进行融合优化,以提高显著性检测网络性能。实验结果表明,本文提出的水下显著性检测网络相比于单纯的陆地和水下图像显著性检测网络,其检测平均绝对误差和F值至少分别提高了10.4%和2.4%。     

基于卷积神经网络的乳腺癌良恶性诊断

为了提高乳腺癌病理图像良恶性诊断的准确率,提出了一个基于卷积神经网络(CNN)对乳腺癌病理图像的诊断方法。利用这种方法,能够快速地对乳腺癌病理图像自动进行良恶性诊断。乳腺癌病理图像具有非常复杂的结构,利用VGG16架构的卷积神经网络对病理图像进行特征提取,利用数据增强的方法扩充数据集,使用迁移学习,将在ImageNet数据集上训练得到的权重作为该网络的初始化参数,该模型在乳腺癌数据集Breakhis上得到的准确率可以达到95%,而在经过解冻部分训练层、调整学习率等优化操作之后,分类准确率最高可以达到99%。实验结果表明,优化后的方法在乳腺癌良恶性诊断准确率方面有很大的提高。     

面向智能视频监控的人体小目标检测

人体目标检测对社会治理和城市安全具有很重要的现实意义，监控数据是数据安全的重要来源。小目标检测是目前受到广泛关注的安全检测问题中一项具有挑战性的任务，其检测对象为大型图像中少于20个像素的目标。小目标的特征难以表征，其中一个主要挑战是，用于预训练/共同训练检测器的数据集(如COCO)与用于微调检测器的数据集(如TinyPerson)之间存在尺度不匹配的情况，这给小目标检测器的性能带来了负面影响。为了解决这个问题，文中提出了一种优化策略，用于匹配不同数据集的尺度，称其为尺度分布搜索(Scale Distribution Search, SDS),同时平衡图片的信息收益(数据集之间的尺度相近)和信息损失(信噪比(SNR)的降低)。该策略使用高斯模型对数据集中目标的尺度分布进行建模，通过迭代的方式寻找最优分布参数；并对比数据集中目标的特征分布和检测器的性能，以找到最佳的尺度分布。通过SDS策略，主流目标检测方法在TinyPerson上实现了更好的性能，证明了SDS策略在提升预训练/共同训练效率上的有效性。     

基于几何特征相似度评价的跨尺度显微图像配准

原子力显微镜能够在光学显微镜的协助下, 克服自身成像范围的限制获得更大的成像视野, 同时保证纳米 级的成像精度. 该方法需要实现原子力显微镜成像结果在光学视野中的精确定位, 而解决该问题的关键是进行两种 显微图像之间的准确配准. 因此, 本文提出了一种基于几何特征相似度评估的跨尺度图像配准算法, 为进一步在原 子力/光学显微镜共焦系统中实现精确定位和成像提供了基础. 具体而言, 本文首先利用原子力显微镜的探针在样 品表面进行压印, 刻画出固定尺寸的几何图案,用以标定原子力显微镜和光学显微镜成像尺度之间的比例, 为图像 配准提供先验知识. 随后, 本文设计了一种先进的图像处理算法, 分别提取原子力/光学显微镜图像中几何图案的特 征, 并将其存储为内角向量和边长向量. 最后, 基于成像尺度比例和几何特征, 提出了一种新型的几何特征相似度 评价函数, 通过对内角特征相似度和边长特征相似度进行加权融合, 实现高精度的跨尺度显微图像配准. 实验部分 针对四种不同几何图案进行图像配准, 并对实验结果进行详细分析, 验证了本文方法的良好性能.     

Control‐oriented fault detection of solid oxide fuel cell system unknown input on fuel supply

As the solid oxide fuel cell (SOFC) system work environment is a high‐temperature environment for a long time, it is difficult to obtain the SOFC stack internal state change directly. When the fault occurs, it is difficult to determine where the fault occurs. Moreover, the existing literature ignores the impact of faults, which creates many problems for SOFC system control. Therefore, a state observer‐based fault detection method, which is used to detect the input flow sensor fault and the fuel input fault, is proposed. Their advantage is that they do not need data processing. To realize the fault detection, the observer is used to track the changes of SOFC stack chamber temperature. To obtain the observer estimation parameter, an approach from the actual stack structure parameters is employed to approximate the observer parameters. The results show the proposed fault detect method can judge fuel input fault type quickly and shield the disturbances signals from the sensor effectively. The proposed method also can be used to other operating points or air input fault.     

Proposal-Copula-Based Fusion of Spaceborne and Airborne SAR Images for Ship Target Detection⁎⁎

In this paper, we consider the problem of fusion of synthetic aperture radar (SAR) images from spaceborne and airborne sensors and investigate its applications to inshore ship target detection. Existing SAR image fusion methods mainly focus on image denoising or texture enhancement, but show limited improvement of target-to-clutter ratios (TCRs) in composite images and lead to deteriorated target detection performance. To address this issue, we propose a new method for the fusion of spaceborne and airborne SAR images based on the target proposal and the copula theory (TPCT). In TPCT, target and clutter correspondence between different images are exploited to improve the TCRs of composite images. TPCT consists of three steps. First, target proposals are extracted from spaceborne and airborne SAR images and then fused to enhance the common ship target areas therein. Second, a new method to construct the joint probability density function (PDF) of clutter in spaceborne and airborne SAR images is presented to model the statistical dependence of clutter therein based on the copula theory. This copula-based joint PDF is used to suppress the clutter areas remained in the intersection of target proposals. Third, clues from the intersection of target proposals and the copula-based joint PDF of clutter are fused by the Hadamard product to generate the composite image with enhanced ship targets and the suppressed clutter. Experimental results based on measured spaceborne and airborne SAR data show that the proposed TPCT fusion method leads to higher TCRs of composite images and better performance in the ship detection task than other commonly used image fusion methods.     

基于条件可逆网络的生成式图像隐写算法

近年来,随着生成模型的广泛使用,生成式隐写领域得到了快速发展。生成式隐写是在图像合成过程中隐藏信息的技术。它无需真实图像参与,只需秘密消息驱动生成模型即可合成载密图像。然而,现有方法无法控制生成的图像内容,因此不能保证隐蔽通信行为的安全性。针对上述问题,本文提出了基于条件可逆网络(Conditional Invertible Neural Network,cINN)的生成式图像隐写术steg-Cinn。在本文中,我们将信息隐藏建模为图像着色问题,并将秘密信息嵌入到灰度图像的颜色信息中。首先,我们使用映射模块将二进制秘密信息转换为服从标准正态分布的隐变量。而后,我们以灰度图像作为先验来指导着色过程,使用条件可逆网络来将隐变量映射为颜色信息。其中steg-Cinn生成的彩色图像匹配灰度图像的语义内容,从而保证了隐蔽通信的行为安全。对比实验结果表明,本文方法能够控制生成的图像内容并且使得合成颜色真实自然,在视觉隐蔽性方面表现良好。在统计安全性方面,本文方法的隐写分析检测正确率为56.28%,说明它能够抵御隐写分析检测。此外,本文方法在比特消息提取方面可以实现100%正确提取,这种情况下的隐藏容量是2.00 bpp。因此,与现有方法相比,本文方法在图像质量、统计安全性、比特提取正确率和隐藏容量方面取得了良好的综合性能表现。迄今为止,本文方法是在图像隐写术中首次使用cINN的工作。考虑到任何信息都可以转换为二进制形式,我们可以在图像中隐藏任意类型的数据,因此本文方法在现实世界里也具备实用价值。     

基于通道间相关性的图像重着色检测

图像重着色是一种新兴的图像编辑技术,通过篡改像素值达到改变图像颜色风格的目的。随着社交网络和图像编辑技术的快速发展,重着色图像已经严重阻碍了信息传达的真实性。然而,专门为重着色而设计的工作少之又少,现有的重着色检测方法在传统重着色场景下仍有很大提升空间,在应对手工重着色图像时效果不佳。为此,提出了一种基于通道间相关性的重着色图像检测方法,该方法适用于重着色任务中的传统重着色和手工重着色场景。基于相机成像和重着色图像生成方式之间存在显著差异这一现象,提出重着色操作或许会破坏自然图像的通道间相关性这一假设。通过数值分析说明,通道间相关性差异可作为区分重着色图像和自然图像的重要鉴别度量。基于上述先验知识,所提方法通过提取差分图像的一阶微分残差的通道共生矩阵,获得图像的通道间相关性特征集。此外,根据实际情况,假设了3种检测场景,包括训练-测试数据之间匹配、不匹配以及手工重着色场景。实验结果表明,所提方法能够准确识别重着色图像,在假设的3种场景下均优于现有方法,取得了较高的检测精度。除此之外,所提方法对训练数据量的依赖性较小,在训练数据有限的情况下,能实现相当精确的预测结果。     

基于视觉注意模型的数字图像水印算法

提出了一种基于视觉注意模型的数字图像水印算法,充分利用人眼的视觉注意特性,通过对图像中视觉注意区域嵌入较弱的水印信息,降低水印图像的视觉失真,对非视觉注意区域嵌入较强的水印信息,提高水印检测的鲁棒性.在多幅图像上的实验结果表明,该方法能够有效地隐藏图像水印信息,获得较佳的图像视觉效果;并且,在各种常见的图像攻击下,水印检测结果优于基于边缘的方法.     

基于矩阵分解的海洋SAR图像舰船检测

针对海洋原始图像与低秩和稀疏矩阵分解模型数据结构不一致的问题,本文提出一种新的基于矩阵分解的海洋SAR图像舰船检测方法。首先该方法需对结构化相似的海洋SAR图像进行重组;然后根据重组矩阵特性适应性设计一个分解精度更高、分解速度更快的新矩阵分解模型,并利用增广拉格朗日乘子法求解模型,在不依赖任何杂波模型和检测统计量的前提下,实现代表舰船目标的稀疏成分的提取;最后利用形态学处理进行优化,实现海洋SAR图像舰船目标的检测。基于高分三号SAR卫星数据的实验结果表明,相比已有的基于鲁棒主成分分析的舰船检测方法,本文方法在处理复杂海况时,能更快速度地以较好的形状从海杂波中准确提取舰船目标,具有更好的鲁棒性。     

图像多模态扰动的人脸识别方法

为了克服因人脸图像检测引起的配准不稳定性和小样本引起的维数灾难,由一副二维人脸图像通过上下左右平移生成4个图像,把生成的图像与原来的图像一起加入训练样本集,构成新的训练图像集。基于二维图像,结合图像局部结构信息,设计了准则函数,获得双投影矩阵,抽取人脸特征。对待识别人脸图像,由它的扰动图像设计识别方法。与传统的人脸识别方法相比,该方法的识别效果更好;Yale和ORL人脸数据库上的实验结果验证了该方法的有效性。     

基于三通道卷积神经网络的纹身图像检测算法

针对纹身图像的特点和卷积神经网络（CNN）在全连接层对图像特征抽取能力的不足问题,提出一种三通道的卷积神经网络纹身图像检测算法,并进行了三方面的改进工作。首先,针对纹身图像的特点改进图像预处理方案;其次,设计了一个基于三通道全连接层的卷积神经网络进行特征提取,并对特征建立索引,有效地提高了网络对不同尺度下空间信息的提取能力,实现了对纹身图像的高效检测;最后,通过两个数据集验证了算法的泛化能力。实验结果表明,对NIST数据集所提预处理方案比Alex方案有总正确率提高0.17个百分点,纹身图像正确率提高0.29个百分点。在所提预处理方案下,提出的算法在标准的NIST纹身图像集上具有明显的优势,正确率从NIST公布的最优值96.3%提高到99.1%,提高了2.8个百分点;相对于传统的CNN算法,正确率从98.8%提高到99.1%,提高了0.3个百分点。在Flickr数据集上也有相应的性能提升。     

基于卷积神经网络的视频图像失真检测及分类*

为了检测不同失真类型的视频图像,实现对失真视频图像的分类处理,本文提出一种基于卷积神经网络的视频图像失真检测及分类方法。首先,将视频图像分割成较小的图像块作为输入,然后利用卷积神经网络主动学习特征,引入正负例均衡化和自适应学习速率减缓过拟合和局部最小值问题,由softmax分类器预测图像块的失真类型,最后采用多数表决规则,得到视频图像的预测类别。采用仿真标准图像库(LIVE)和实际监控视频库对本文方法进行性能测试,前者的总体分类准确率达到92.22%,后者的总体分类准确率达到92.86%。整体的分类准确率均高于已有的其他三种算法。引入正负例均衡化和自适应学习速率后,CNN的分类准确率得到明显提升。实验结果表明本文方法能主动学习图像质量特征,提高失真视频图像分类检测的准确率,通用于任意失真类型的视频图像分类检测,具有较强的鲁棒性和实用性。