面向样本扩充的新型风格迁移网络研究

全监督语义分割网络在训练时需要耗费大量的人力与时间成本来标注样本。所以减少人工标注样本的时间,同时提升语义分割效果,对于深度学习网络的快速部署和应用推广具有重要意义。提出一种基于改进图像风格迁移网络（CycleGAN-AD）的样本扩充方法。以CycleGAN为基础,在生成器中引入注意力机制并将深度残差网络改为密集连接卷积网络。利用计算机批量产生自带标签的模拟样本,使用CycleGAN-AD网络将模拟样本风格迁移成为真实样本风格（标签不变）,并用于扩充训练样本。对石墨电极的钢印字符进行语义分割的实验结果表明,采用CycleGAN-AD网络进行样本扩充后,其分割效果得到显著提升,MIoU值最高升至0.826 0。可见,提出的样本扩充方法有希望在显著减少人工标注工作量的同时,获得高质量的训练样本。     

改进的结构进化无限冲激响应数字滤波器设计方法

为了进一步提高无限冲激击响应（IIR）数字滤波器的性能,提出了一种基于结构和参数同时进化的IIR数字滤波器设计方法。首先,通过遗传算法（GA）得到初始滤波器结构;然后,利用差分进化（DE）算法优化滤波器参数;最后,通过动态调整个体搜索步长和双向试探搜索的改进寻优算法对滤波器参数进一步优化,并将该算法用于低通、高通数字滤波器的设计。同基于遗传算法结构进化的IIR滤波器方法相比,继续利用差分进化算法和改进的寻优算法优化乘法器参数得到的低通数字滤波器的通带性能相差不大,但是过渡带宽度减小了65%,阻带最小衰减下降了36.48 dB;得到的高通数字滤波器通带波纹减少了75%,过渡带宽度减小了44%,阻带最小衰减下降了12.13 dB。实验仿真结果表明,所提方法可以获得性能更佳的滤波器,是一种有效可行的IIR数字滤波器的设计方法。     

基于随机结构的无乘法无限冲激响应数字滤波器设计方法

针对现有的无乘法无限冲激响应（ⅡR）数字滤波器设计方法存在结构固定、滤波器性能不佳的问题,提出了一种基于随机结构的无乘法ⅡR数字滤波器设计方法。该方法使用加入移位器的稳定二阶子系统直接进行无乘法滤波器的结构设计。首先,无乘法数字滤波器的结构编码被随机创建;然后,利用一种加入成功父代选择框架的差分进化算法（SPS-DE）对生成的无乘法滤波器结构进行优化。该方法实现了无乘法滤波器结构的多样化设计,而且SPS-DE算法因采用成功父代选择框架机制,具有很好的种群开发与勘探能力,在无乘法滤波器的结构优化上取得了很好的效果。与现有的无乘法ⅡR数字滤波器设计方法相比,该方法设计的无乘法ⅡR滤波器通带波纹减小了43%,阻带最大衰减下降了40.4%。实验结果表明所提方法设计的无乘法ⅡR滤波器满足结构要求并且拥有优良的性能。     

多尺度特征融合与新型判别器的无监督分割

工厂在智能化升级过程中,有很多应用场景需要用到语义分割。然而使用全监督语义分割方法需要耗费大量人力成本进行样本标注,所以研究无监督语义分割方法很有必要。针对本地某碳素厂石墨电极压印字符的语义分割问题,提出了一种无监督语义分割方法 CycleGAN-Seg。结合跨层连接和空洞空间池化金字塔（ASPP）的思想,构建了新型多尺度特征融合生成器,加入了改进的注意力模块以提升网络性能。同时提出一种新的U形判别器对重构图像进行判别。在石墨电极表面压印字符数据集语义分割实验中,MIoU值可达70.81%,分割效果基本满足识别需要,有望在该工业场景中替代全监督学习方法,以节省人工标注成本,达到快速训练和部署的目的。     

复杂背景人脸检测中的尺度自适应算法研究

人脸检测在各种领域有着广泛的应用价值。在人脸检测过程中,场景复杂度以及人脸和摄像头间的距离远近对识别率都会产生影响。文章采用轻量级肤色检测网络及多尺度人脸识别网格对人脸区域进行粗定位,再使用卷积神经网络进行精确定位。实验结果表明:通过肤色检测,筛选出人脸可能存在的位置,避免了在整幅图像中进行搜索,提高了算法效率;采用多尺度扫描窗口适应人脸尺寸大小,能够解决一幅图中既有大脸又有小脸的问题;采用卷积神经网络提高了人脸检测的精度。     

面向无监督分割的双分支上采样域自适应网络

工业应用中,表面压印字符图像全监督语义分割将会给企业带来高昂的数据集标注成本,针对该问题,提出了双支路特征融合的域适应分割方法（dual-branch feature fusion domain adaptation,DbFFDA）。借鉴U-Net的跨层连接设计思路,提出了双分支上采样结构的残差域适应分割网络（residual adaptation network,Res-Adp）;同时提出了融合特征输入用于提升网络分割性能,克服了字符缺失的问题;此外,提出了分割连续性损失函数LCon,抑制了分割图像中噪点的产生。在石墨电极表面压印字符无监督分割实验中,所提方法MIoU值可达69.60%,实际分割效果已基本满足字符识别需求,有望在特定工业场景中投入实际应用,为企业节省数据集标注成本。     

融合U-Net及MobileNet-V2的快速语义分割网络

传统U-Net网络模型大,处理图片速度慢,难以适应工业生产中实时的需求。针对该问题,设计并实现了一个轻量级全卷积语义分割网络LU-Net。LU-Net网络以U-Net框架为主体,结合MobileNet-V2的思想,利用深度可分离卷积参数少、计算量小的特点轻量化网络模型。网络综合利用bottleneck模块与普通卷积的优点,并高效利用了高层特征,在保持精度的同时,大幅缩短了分割所需时间。经公开数据集DRIVE及自制凹陷字符数据集上实验的验证,相较于原U-Net网络模型,提出的LU-Net模型参数量缩小至0.59×106,为原模型的1.9%,运行速度提高5倍,处理一张360×270图片的平均耗时为25?ms。LU-Net基本满足工业生产对图像实时处理的要求。     

基于结构自适应滤波方法的非线性系统辨识

针对非线性系统辨识中定结构参数辨识局限性高和辨识率低的问题,将结构自适应引入辨识的优化,提出一种基于子系统的结构自适应滤波（SSAF）方法。该方法的模型由若干子系统级联而成,每一个子系统均为线性-非线性混合结构。子系统的线性部分是一个一阶或二阶可选的无限脉冲响应滤波器（IIR）,非线性部分则是一个静态的非线性函数。初始化中,子系统的参数随机产生,生成的若干子系统按照设定的连接规则进行随机连接,而不含反馈的连接机制确保了非线性系统的有效性。采用一种自适应多精英引导的复合差分进化（AMECoDEs）算法用于自适应模型循环优化,直至找到最优的结构和参数,即全局最优。实验结果表明,SSAF方法在非线性测试函数以及真实数据集上的表现优异,辨识率高且收敛性好,与聚焦时滞递归神经网络（FTLRNN）相比,它所用参数的个数仅为FTLRNN的1/10,且适应值精度提高了7%,验证了所提方法的有效性。     

基于结构进化的无限冲激响应数字滤波器设计方法

针对传统无限脉冲响应(IIR)数字滤波器设计方法存在传输函数在整个设计阶段可能不是最优的问题,提出一种基于遗传算法结构进化的IIR数字滤波器生成方法.该方法直接设计滤波器结构,无需设计传输函数.首先,随机建立一组滤波器结构生成指令序列(SGIS).这些指令序列不仅能控制滤波器结构,也能表示滤波器结构.然后,对这些指令序列进行编码,将它们看作染色体; 最后用遗传算法优化这些染色体,得到最优滤波器.理论分析和实验仿真表明,与传统基于遗传算法系数进化的IIR滤波器方法相比,基于遗传算法结构进化的IIR滤波器通带波纹缩小40.58%,过渡带宽度缩小87.62%,阻带最小衰减减少9.22%.