基于VR技术的智能变电站运行仿真培训系统

为了更加真实、直观地呈现智能变电站的运行整体结构,构建基于VR技术的智能变电站运行仿真培训系统。该系统通过5个模块协同完成智能变电站运行仿真培训,结合实际变电站的设备情况,采用二维纹理映射方法完成变电站设备仿真建模;系统利用虚拟现实交互模块呈现培训场景,参与培训人员能够通过人机交互设备,实现场景漫游和相关培训内容操作。测试结果表明:该系统能够较好地模拟出智能变电站的实际运行情况,参与培训的人员可以身临其境地完成整个变电站的巡视,更真实、直观地呈现智能变电站的整体状态。     

基于1D CNN与XGBoost的恶意代码纹理检测

恶意代码数量已经呈现爆炸式增长,对于恶意代码的检测防护显得尤为重要.近几年,基于深度学习的恶意代码检测方法开始出现,基于此,提出一种新的检测方法,将恶意代码二进制文件转化为十进制数组,并利用一维卷积神经网络(1 Dimention Convolutional Neural Networks,1D CNN)对数组进行分类和识别.针对代码家族之间数量不平衡的现象,该算法选择在分类预测上表现良好的XGBoost,并对Vision Research Lab中的25个不同恶意软件家族的9458个恶意软件样本进行了实验.实验结果表明,所提的方法分类预测精度达到了97％.     

基于改进相干增强扩散与纹理能量测度和高斯混合模型的导光板表面缺陷检测方法

针对液晶屏(LCD)导光板表面缺陷检测方法存在漏检率和误检率较高,对产品表面复杂渐变的纹理结构适应性差的问题,提出一种基于改进相干增强扩散(ICED)与纹理能量测度和高斯混合模型(TEM-GMM)的LCD导光板表面缺陷检测方法。首先,构建ICED模型,基于结构张量引入平均曲率流扩散(MCF)滤波,使得相干增强扩散(CED)模型对缺陷的细线状纹理有良好的边缘保持效果,并利用相干性得到缺陷纹理增强和背景纹理抑制的滤波后图像;然后,根据Laws纹理能量测度(TEM)提取图像纹理特征,将图像的背景纹理特征作为离线阶段高斯混合模型(GMM)的训练数据,使用期望最大化(EM)算法估计GMM参数;最后,计算待检测图像各像素的后验概率,并将其作为在线检测阶段缺陷像素的判断依据。实验结果表明,该检测方法在导光颗粒随机、规则两种分布的缺陷图像测试数据组上的漏检率和误检率分别为3.27%、4.32%和3.59%、4.87%。所提检测方法适用范围广,可有效检测出LCD导光板表面划痕、异物、脏污和压伤等类型的缺陷。     

主轴式滚磨光整加工参数对加工效果的影响

为确定立式主轴式滚磨光整加工过程中滚抛磨块尺寸、加工位置以及接触力大小对于工件表面加工效果的影响。采用不同尺寸的球形磨块对(34×20)mm不锈钢直角钢片进行加工,以加工后工件表面的平均粗糙度值以及工件表面加工纹理作为评价指标,探讨磨块尺寸、工件装夹位置以及工件所受接触力与加工效果之间的关系。实验结果表明:磨块尺寸D=3mm或D=4mm明显优于D4mm时的加工效果,使用3mm或4mm磨块加工工件,可使工件表面平均粗糙度降低到0.254um左右,当工件中心距离滚桶底部z=75mm时,表面均匀性最好;z=55mm时,表面均匀性次之;z=65mm时,工件表面划痕仍然可见;随着磨块尺寸的增加以及加工深度的增加,接触力大小越来越大,磨块尺寸、加工位置及接触力大小对于加工效果均有显著影响。磨块尺寸越小,加工效果越好;工件位于距离填充磨块表面中上部时,加工效果最好;工件加工效果受接触力大小影响,但不成比例关系。     

基于多颜色分量CLBP提取的浮选泡沫状态识别

针对不同状态的浮选泡沫图像之间纹理结构相似、颜色差异不明显的问题，提出一种基于色调、饱和度和亮度（HSV）颜色空间的完全局部二进制模式（CLBP）纹理提取的浮选泡沫状态识别方法。首先使用双域去噪在保留纹理细节的同时滤除图像噪声，然后转换为HSV图像，在H、S和V颜色分量上分别提取三个尺度的CLBP纹理特征。将提取的纹理特征归一化后线性排列，建立高维度的纹理分类模型。最后通过一对一模式的支持向量机分类器对四类泡沫状态的样本集进行纹理提取后的分类训练与测试。结果表明，该方法对不同浮选泡沫状态的分类正确率较高，优于其他纹理描述方法，适用于浮选泡沫状态的识别。     

一种安全的无载体纹理合成信息隐藏方案

为了有效抵御Zhou等~([8])针对Wu等~([7])提出的无载体纹理合成信息隐藏方案的攻击,设计出一种基于有限整数网格上拟仿射变换(QATLIG)的纹理合成无载体信息隐藏方案。该方案通过在纹理合成过程中嵌入干扰纹理块,来抵御文献[8]提出的攻击。其中,干扰纹理块的具体位置,由样本纹理源补丁块的坐标通过QATLIG变换而得。同时该方案将QATLIG变换系数纳入密钥中。分析及实验表明,该方案保持了文献[7]方案的生成纹理图像质量,信息隐藏容量损失极小(约1.46%～7.11%),隐藏的信息被暴力破解的概率极低(远小于10~(-5)),可有效抵御文献[8]的攻击方案。     

机器视觉在茧形态检验中的应用研究

桑蚕茧茧形态检验目前的检验方式为感官检验,检验结果会受检验人员技术水平和心理状态的影响。为提高桑蚕茧质量检验的智能化水平和检验结果的准确性,文章提出了一种利用机器视觉对茧形态检验中的茧色和缩皱进行自动识别的方法。该方法对茧色为基本色的自动识别准确率较高,而利用纹理特征参数与缩皱粗细程度间的规律性关系,为桑蚕茧缩皱的智能化判别提供了一个思路。