改进YOLOv5算法的钢筋端面检测

钢筋是基建行业不可或缺的结构材料, 无论是钢筋生产过程、还是施工现场, 对钢筋进行准确计数是必不可少的环节. 成捆钢筋存在端面密集、直径尺度不统一、端面边界粘连、端面与背景融合、端面之间存在遮挡等问题. 针对上述问题, 提出了一种改进的YOLOv5模型框架, 以降低密集小目标漏检率、误检率. 针对钢筋端面数据集稀缺、没有公开的大型数据集并且钢筋端面特征较弱的问题, 自建了钢筋端面数据集, 使用半自动标注法对数据集进行标注, 并采用数据增强算法对钢筋端面数据集进行扩充. 修改了YOLOv5中的主干网络, 增加空间金字塔池(spatial pyramid pooling, SPP)和小目标检测层, 以获取更大的特征图; 使用特征金字塔模型(feature pyramid network, FPN)和路径聚合网络(path aggregation network, PAN)对多尺度特征图融合, 提高密集小目标检测精度. 在Data Fountain钢筋盘点竞赛数据集和自建钢筋数据集上设计了多组对照试验. 实验结果表明, 提出的改进算法YOLOv5-P2模型对钢筋端面的检测效果最佳, 钢筋端面平均精度均值(mean average precision, mAP)达到了99.9%, 相比于YOLOv3、YOLOv4、ScaledYOLOv4以及YOLOv5主流算法, 模型的mAP分别提升了9.6%、7.9%、7.0%、1.1%, 在工厂真实环境条件下进行测试时都有较稳定的表现, 在测试集上相对于原始模型检测精度提升了2.1%. 通过修改YOLOv5的主干网络中SPP模块位置和增加检测层都能够显著提升密集小目标检测精度, 更好的提取到钢筋端面的边缘特征, 取得99.9%的平均精度均值.     

稀疏差分网络和多监督哈希用于高效图像检索

针对基于深度哈希的图像检索中卷积神经网络（CNN）特征提取效率较低和特征相关性利用不充分的问题,提出一种融合稀疏差分网络和多监督哈希的新方法SDNMSH（sparse difference networks and multi-supervised hashing）,并将其用于高效图像检索。SDNMSH以成对的图像作为训练输入,通过精心设计的稀疏差分卷积神经网络和一个监督哈希函数来指导哈希码学习。稀疏差分卷积神经网络由稀疏差分卷积层和普通卷积层组成。稀疏差分卷积层能够快速提取丰富的特征信息,从而实现整个网络的高效特征提取。同时,为了更加充分地利用语义信息和特征的成对相关性,以促进网络提取的特征信息能够更加有效地转换为具有区分性的哈希码、进而实现SDNMSH的高效图像检索,采用一种多监督哈希（MSH）函数,并为此设计了一个目标函数。在MNIST、CIFAR-10和NUS-WIDE三个广泛使用的数据集上进行了大量的对比实验,实验结果表明,与其他先进的深度哈希方法相比,SDNMSH取得了较好的检索性能。     

基于四叉树分解和自适应焦点测度的多聚焦图像融合

为了克服基于块的融合方法对块的大小敏感以及融合图像中存在伪影等问题,提出一种新的基于四叉树分解和自适应焦点测度的多聚焦图像融合方法。首先,设计一种新的基于修正拉普拉斯能量和（SML）和导向滤波的自适应焦点测度,用于获得源图像的焦点图。然后,采用一种新的四叉树分解策略,并结合已经得到的焦点图,进一步将源图像分解成最优大小的树块;同时,从树块中检测出聚焦区域,并构成决策图。最后,对决策图进行优化和一致性验证,并重构出一幅全聚焦图像。通过公共多聚焦图像数据集进行实验,与11种先进的融合方法进行视觉质量和客观指标比较。实验结果表明,本文所提出的融合方法取得了更好的性能。     

基于KingView和MCGS的建筑铝模板分拣系统

建筑铝模板凭借刚度好、使用寿命长、能多次周转使用的特性,被大量应用.目前铝模板的分拣打包主要依靠人工作业,分拣效率低、分类错误率高.为提高铝模板的分拣效率和分类准确率,设计了一套铝模板分拣系统,由上位管理计算机、二维码扫描枪、MCGS触摸屏和铝模板传输系统组成.管理计算机上运行的KingView组态软件,可以根据发货清单完成工位匹配,并进行分拣数据库的更新管理和分拣过程的实时显示;扫描枪扫描传送带上的铝模板标签二维码,获取其规格型号、工程区位等信息,经KingView组态软件处理后,下发到对应工位的MCGS触摸屏,由工人拣取传送带上的铝模板并搬运到指定堆垛区;MCGS触摸屏实现管理计算机与工人之间进行分拣过程信息交互的功能.实验表明所设计的铝模板分拣系统具有良好的稳定性及实用性,能有效解决人工分拣过程中效率低、分类错误率高等问题.     

基于多特征融合的HSV空间彩色纹理图像检索

针对目前彩色纹理图像检索系统结构复杂且时间成本较高的问题,提出一种融合图像颜色与纹理特征的彩色纹理图像检索方法.首先,在HSV空间中分别量化H、S、V三个通道的数据并提取组合直方图的颜色特征.然后,提取V通道数据子带系数的幅值与相位两种分布参数特征作为全局纹理特征;同时,使用局部邻域差分模式(Local Neighborhood Dif-ference Pattern)算子提取V通道数据的局部纹理特征,并将所得到的颜色特征、全局纹理特征和局部纹理特征进行有机融合.最后,通过合适的相似性测度完成彩色纹理图像的检索.在VisTex和STex两个流行的彩色纹理图像数据库上进行的检索实验表明,由论文方法所得到的平均检索率较目前典型方法的最优结果分别高出0.96％和0.78％,且检索时间成本更低.因此,论文所提出的彩色纹理图像检索方法是有效的和可行的.     

基于SPA相似系数的故障识别方法

传统的主元分析（PCA）相似系数法没有充分利用数据的高阶统计量等有用的过程信息,导致故障识别效果较差。针对此问题,提出一种统计量模式分析（SPA）相似系数法。该方法首先使用SPA将原始数据转换到统计量空间中,然后在统计量空间中利用PCA获取主元方向,计算主元之间的相似性识别故障。在连续搅拌反应器（CSTR）过程上的仿真结果说明提出的SPA相似系数法比传统的PCA相似系数法能更有效地识别故障。     

基于深度学习的学生课堂注意力评价

针对学生课堂行为状态识别准确率较低的问题, 提出一种基于YOLOv4的改进模型. 通过建立学生课堂行为状态数据集, 调整YOLOv4算法训练模型的参数, 修改卷积块激活函数为ELU函数以优化模型, 同时提出将DIoU-Soft-NMS作为非极大值抑制机制, 识别分析教室中学生课堂行为状态; 根据各状态持续时长及状态变化频率计算学生听课有效时长, 并参考山东高考赋分原则, 建立学生课堂注意力量化评价准则, 同时建立教师课堂授课效果量化评价标准. 实验结果表明, 以同一评价指标衡量模型, 该模型在学生课堂行为检测速率不变的情况下, 平均精度均值(mAP)达到98.8%, 比原YOLOv4模型提升了3.53%, 学生服课堂注意力量化评价准则, 有较高的契合度.     

基于KSFDA-SVDD的非线性过程故障检测方法

慢特征分析(SFA)是一种无监督的线性学习算法,没有考虑过程数据的类别信息和非线性特征。针对此问题,提出一种基于核慢特征判别分析(KSFDA)和支持向量数据描述(SVDD)的非线性过程故障检测方法KSFDA-SVDD。该方法首先利用核技巧将数据从原始空间映射到高维空间,然后通过最大化正常工况数据和故障模式数据之间伪时间序列的时间变化同时最小化正常工况数据内部伪时间序列的时间变化计算判别矩阵,最后利用SVDD描述采用判别矩阵降维后的正常工况数据的分布域,构建监控统计量检测过程故障。在连续搅拌反应器(CSTR)过程上的仿真结果表明所提出方法的故障检测性能优于传统的KPCA方法。     

基于改进核慢特征分析的间歇过程故障检测

将全局保持结构分析技术融入核慢特征分析中,实现基于改进核慢特征分析的间歇过程故障检测,可以有效提高对间歇过程的监控效率。文章采用两步多路数据展开策略将三维训练数据展开成两维矩阵,利用改进核慢特征分析提取间歇过程的局部动态数据,检测青霉素发酵过程中6种故障的仿真数据。结果表明:相比于传统的多路核主元分析、多路核独立元分析和核慢特征分析监控方法,基于改进核慢特征分析的监控方法具有最早的故障检测时刻,分别在第100、100、102、108、112和108个采样时刻检测到故障F1～F6;对间歇过程的6种故障具有最高的故障检测率,F1～F6的故障检测率分别为100%、100%、99%、96.67%、96.62%和97.97%;构造保留慢特征数目的准则是有效可行的。     

基于动态稀疏保局投影的故障检测方法

针对保局投影(locality preserving projections,LPP)没有考虑过程数据的全局信息和动态性的问题,提出一种新的基于动态稀疏保局投影(dynamic sparse locality preserving projections,DSLPP)的故障检测方法。该方法首先将原始数据矩阵扩展为考虑时序相关的增广矩阵,然后通过求解最优稀疏表示(sparse representation,SR)问题,得到能够表示数据全局稀疏重构关系的稀疏系数矩阵,并将其与LPP算法结合,构建综合考虑数据局部和全局关系的目标函数进行数据降维,最后分别在特征空间和残差空间构造T²统计量和Q统计量进行故障检测。TEP的仿真结果表明,与LPP方法相比,新方法能更迅速检测故障发生并降低过程监控漏报率。