基于多分主干外部注意力网络的水声信号识别

水声信号识别近年来备受关注,由于海洋信道具有时变空变性、信号传播的衰落特性和水下目标声源具有复杂多变性,水声信号识别任务面临巨大挑战.传统的水声信号识别方法难以充分获取目标的表征信息且不具备良好的抗噪声能力,识别效果有待提升.针对上述问题,本文提出一种基于多分支外部注意力网络(multi-branch external attention network, MEANet)的水声信号识别方法,可以在复杂海洋环境下充分获取水声信号的特征并进行识别. MEANet由多分支主干网络,通道、空间注意力模块和外部注意力模块组成.首先,输入数据通过多个并行的主干网络分支,提取水声信号不同层级的特征信息;其次,辅以通道、空间注意力模块对水声信号的通道和空间维度分别进行加权,调节不同通道和空间位置对特征表示的重要性;最后,整合外部注意力模块,以外部记忆单元和附加计算来引导网络的特征提取和预测,从而显著提高模型的识别率和鲁棒性.实验结果表明,本文提出的MEANet在ShipsEar数据集上的水声信号识别率达到98.84%,显著优于其他对比算法,证实了其有效性.     

图像处理和达芬奇技术在纺纱断线检测中的应用

设计了纺纱断线在线检测的嵌入式系统。提出了采用CCD摄像头采集图像信息,运用编解码技术和FIFO缓存实现数据的高效、稳定传输。选择内嵌ARM和DSP的达芬奇双内核构架芯片TMS320DM6446来控制系统外围设备并进行图像处理,其中ARM负责系统的控制,DSP负责有关图像处理算法的运算。该系统将图像处理技术和嵌入式技术应用在纺纱断线检测领域,实现了高实时性、高稳定性、低成本的纺纱断线检测和控制系统。