基于特征融合和交叉核SVM的快速行人检测方法

行人检测是目标识别领域的一大难点。现阶段用于行人检测的特征维数都比较高,为克服高维特征对实时性的影响,本文运用主元分析(PCA)对特征进行降维,加快检测速度。单一特征的信息有限,本文运用基于线性鉴别分析(LDA)的线性权重融合原则对一些底层特征(颜色、梯度、直方图)和多层次导向边缘能量特征进行特征融合使特征具有多源信息。且上述特征可采用积分图技术进行快速计算,所以行人检测系统的鲁棒性和实时性得到加强。在目标识别领域直方图交叉核支持向量机(HIKSVM)具有分类快,且准确率高的优点,采用其进行分类,系统实时性更进一步提升。实验表明本文方法检测速度和检测率优于经典的HOG+SVM算法。     

基于样本熵的风力发电机早期故障检测

针对发电机定子匝间短路和转子断条等早期故障特征具有幅值小、非稳态、易受工况影响等特点,引入样本熵算法实现风力发电机定子电流和电磁转矩信号特征提取,并模拟不同负载条件下故障信号,实现定量参数分析。分析结果表明,样本熵算法适用于在变工况及噪声干扰条件下,对短数据参量进行分析并实现故障特征定量描述,可用于风力发电机早期故障检测和实时在线监测。     

一种新型基于小波奇异性分析的故障电弧检测方法

在分析了故障电弧特性的基础上,提出了故障电弧周期零休的特征信息,该信息用小波分析时表现为周期性的奇异点,据此提出了周期性奇异点检测故障电弧的新算法。以LabWindows/CVI为平台,设计开发了基于小波奇异性检测原理的故障电弧在线检测系统,该系统运用多线程技术实现了对故障电弧的实时在线检测。     

基于相空间RVM的轴承故障检测方法

针对轴承故障检测问题,提出一种基于相关向量机(RVM)的故障检测方法.RVM算法基于贝叶斯估计理论,它产生的决策函数具有少数的相关向量,利用RVM算法松散特性,解决了支持向量机算法(SVM)计算复杂度高的不足.为进一步降低检测时间,以重构相空间投影系数为轴承故障特征.试验最后同传统的SVM算法进行了比较,结果表明所建议的方法在保持较高检测率的同时,提高了故障检测的时效性.尤其检测时间从0.67 s降低了0.005 9 s(100倍).因此,该方法非常适合于在线故障检测等实时性要求很高的领域.     

基于图像处理的电路板缺陷检测系统设计

针对传统电路板缺陷检测多为人工检测、速度较慢且成本较高的问题,本文研究设计了一款以图像处理为基础、利用现场可编程门阵列(FPGA)实现对电路板缺陷准确、高速的检测系统。在传统图像增强算法的基础上提出一种针对不同图像信息采用不同感兴趣区间的方法,增强效果显著;为减少电路板上标识字样对匹配算法计算速度的影响,提出一种去除丝印算法,将电路板上多余的标识字样取消,减少图像匹配的计算量,加快检测的速度;在传统绝对误差和算法(SAD)模板匹配算法的基础上采用去平均值法计算图像信息,减小光照变化带来的影响;将传统2算子Sobel边缘检测扩展到8算子边缘检测,边缘信息更加明显清晰。采用FPGA作为硬件平台,在Vivado开发环境下实现Verilog HDL硬件逻辑语言,下载到FPGA中实现。实验结果表明,系统的平均检测精度为98.53%,检测单张电路板的时间为8.204 s。本系统设计在检测精度和速度上都有明显提升,且造价成本低。     

基于多域特征的BA - KELM微型电机故障检测EI北大核心CSCD

针对目前对于微型电机故障检测的研究较少及基于单域特征的传统电机诊断方法精度低等问题,提出一种基于集成经验模态分解(ensemble empirical mode decomposition, EEMD)及蝙蝠算法(bat algorithm, BA)优化核极限学习机(kernel based extreme learning machine, KELM)的微型电机故障检测方法。所提方法包括样本集构造、模型训练及参数优化和模型测试3个步骤:首先,对采集到的微型电机信号进行EEMD处理并依据相关系数原则筛选出主要的本征模态分量(intrinsic mode fuction, IMF),结合计算得到的电机信号的时域、频域特征构造多域特征集并进行归一化处理,按一定比例将样本集划分训练集和测试集;其次,输入训练集,以错误率为适应度,并采用蝙蝠算法对KELM模型进行参数优化;最后,输入测试集对优化的BA-KELM模型进行测试,并与其他模型进行对比。试验结果表明,所提方法的准确率达98.75%,高于其余方法。     

基于CNN同心邻域极值的多车道智能交通系统图像多车牌区域的边缘检测

针对现有智能交通系统（ITS）多车牌定位识别算法漏检率高、处理速度慢等问题,在研究细胞神经网络（CNN）理论的基础上,提出了一种基于CNN同心邻域极值（CNE）的ITS图像多车牌区域边缘检测算法,简称CNECNN算法。该算法只需计算CNN中同心邻域内极大值与极小值函数差的二阶微分零交叉点,即可获得图像的边缘。此外,该算法利用CNN稳态能量函数惩罚约束机制优化粒子群适应度函数,在解空间中搜索参数全局最优解以获得CNN邻域极值模板参数。该算法为并行算法,具有运算量小,易于大规模集成电路实现,能够克服早熟收敛等优点。实验结果表明,与传统边缘检测算子和CNN通用机（CNNUM）固定模板参数算法相比,该算法漏检度降低了12.9%。     

基于MTF-CNN的滚动轴承故障诊断方法EI北大核心CSCD

针对传统故障诊断方法在滚动轴承实际工况复杂多变、数据集较小时对轴承故障诊断识别准确率较低的问题,提出了MTF-CNN滚动轴承故障诊断模型。首先采用马尔科夫转移场(MTF)编码方式将原始一维振动信号转化为具有时间相关性的二维特征图像,然后将特征图作为卷积神经网络(CNN)的输入进行自动特征提取和故障诊断,最后实现对不同故障类型的分类。为了验证所提方法的有效性和优越性,选用凯斯西储大学滚动轴承数据进行试验验证,并在负载改变时和不同数据集规模下对所提出方法的泛化性能进行测试,同时与传统智能算法进行对比分析。结果表明,相较于其他常用的故障诊断方法,所提出模型在数据集较小、负载改变的环境下对滚动轴承故障诊断具有更好的泛化性能和识别效果。     

基于特征优选和GA-SVM的滚动轴承智能评估方法

针对滚动轴承等旋转机械设备零部件的退化状态识别问题,研究并提出一种基于支持向量机(support vector machine,SVM)的智能评估方法。对于在线持续输出的轴承振动信号,采用时域方法和集成经验模态分解(ensemble empirical mode decomposition,EEMD)能量熵提取轴承特征,并基于相关性、单调性和鲁棒性进行特征选择。综合考虑三个指标,计算选择准则,得到最终的退化特征。针对SVM参数选择困难问题,使用遗传算法(genetic algorithm,GA)优化SVM参数,确定参数最优值。定义轴承性能退化指标,用三种不同故障类型的轴承数据训练模型。分别输入不同故障的轴承全寿命周期数据,得到轴承故障的类型和性能退化曲线,确定早期故障点,并对方法进行对比和验证。实验表明,模型故障诊断平均准确率为97.69%,性能退化评估曲线结果准确,早期故障检测能力强。     

基于广义回归神经网络-柔性最大值分类模型的轴承故障诊断方法EI北大核心CSCD

针对复杂工况下的滚动轴承振动信号,提出一种基于广义回归神经网络-柔性最大值分类模型的故障诊断分类方法,实现故障模式的识别。对滚动轴承振动信号进行变分模态分解,特征提取等预处理得到特征数据集,并将其划分为训练集,验证集和测试集;使用训练集和验证集训练广义回归神经网络-柔性最大值分类模型,同时引入灰狼优化算法优选该模型的关键参数平滑因子得到理想的分类模型;将训练好的模型应用测试集,输出故障识别结果;通过模拟试验采集不同工况下的轴承故障数据,进行方法有效性验证。结果表明该方法能在小样本训练集下实现对不同工况下的轴承故障的有效诊断,是一种适用于实际工况的故障诊断方法。     

基于不动点迭代的增广拉格朗日声源识别算法EI北大核心CSCD

等效源法近场声全息是进行声源识别的重要方法。传统的基于Tikhonov正则化方法局限于相对低的频率,进行高频声源的声场重建时效果较差,而基于最速下降法的宽带声全息(wideband acoustic holography,WBH)方法则在中高频效果较好。为了拓宽声场重建的频率范围并提高声源识别分辨率,提出一种基于增广拉格朗日方法(augmented Lagrangian method,ALM)的等效源法声源识别算法,该方法将L1范数正则化模型转化为增广拉格朗日方程的最小化问题,并应用不动点迭代求解得到声源强度。通过仿真与试验表明,与Tikhonov正则化、WBH和快速迭代收缩阈值算法(fast iterative shrinking threshold algorithm,FISTA)三种方法对比,所提方法适用于更宽的频率范围,且对不同的全息距离和信噪比具有很好的适应性。     

基于VMD和改进多分类马田系统的滚动轴承故障智能诊断

为了有效提取滚动轴承的故障信号,选择合适的智能分类器识别故障状态,提出基于变分模态分解及多重马氏距离法的多分类马田系统的故障智能诊断系统。通过变分模态分解将振动信号分解为多个本征模函数并提取相关特征;并采用了多重马氏距离法的马田系统,以特征子集代替特征参与分类器的构建,以解决特征参数众多的问题;通过正交表和信噪比,筛选出各状态的敏感模态分量,并提出多分类马田系统,用于多类故障智能识别;将其应用于滚动轴承故障数据中,验证算法的有效性,并与其他算法对比分析。结果表明,基于变分模态分解及改进的多分类马田系统算法能简化诊断系统、训练耗时少,识别准确率高,是一种更为有效的故障智能诊断方法。     

导引概率图与显著特征相结合的行人目标检测

研究了仿生人眼视觉注意机制,采用目标导引概率图作为自上而下的信息,通过调制基于目标显著特征的自下而上信息,实现行人目标检测的方法。首先,对相似场景的目标样本图像提取尺度不变特征变换(SIFT)特征,基于贝叶斯公式,采用高斯混合模型(GMM)建立目标导引概率模型,利用期望最大(EM)算法和狄利克雷过程(DP)自动估计模型参数;进而,对一副待检测图像,采用已估概率模型计算图像中每一像元的目标似然性,形成导引概率图作为自上而下的信息;同时,针对行人目标,模拟中央-外周机制计算多尺度的肤色特征和竖直方向特征,形成基于目标显著特征的自下而上信息;最后,将两者结合得到候选目标区域,再通过提取候选区域的积分梯度直方图和等价的局部二值模式(LBP)特征,输入到级联支持向量机(SVM)分类器,验证并得到目标检测结果。基于实拍数据库和复旦大学-宾夕法尼亚大学行人数据库的大量实验表明,对概率模型的这种改进能显著提升行人目标预测效果,且检测算法在整体上优于传统检测算法。     

基于失衡样本特性过采样算法与SVM的滚动轴承故障诊断

针对传统支持向量机(SVM)算法在滚动轴承故障诊断领域中,对失衡数据集效果不佳、对噪声敏感以及对本身参数依赖较大等缺点,提出一种基于样本特性的过采样算法(OABSC)。该算法利用改进凝聚层次聚类将故障样本分成多个簇;在每个簇中综合考虑样本距离、近邻域密度对"疑似噪声点"进行识别、剔除,并将剩余样本按信息量进行排序;紧接着,在每个簇中采用K^*-信息量近邻域(K^*INN)过采样算法合成新样本,以使得数据集平衡;模拟3种不同失衡比下的轴承故障情况,并采用粒子群算法优化了SVM分类器的参数。经试验证明:相比已有算法,OABSC算法能更好地适用于数据呈多簇分布且失衡的轴承故障诊断领域,拥有更高的G-mean值与AUC值以及更强的算法鲁棒性。     

采用阈值的快速边缘检测算法

针对原有模糊边缘检测算法计算复杂、适应性差的缺点,提出一种新颖的快速边缘检测算法。该算法将图像映射为一个模糊特征面,通过图像自适应阈值来确定模糊增强的渡越点。在渡越点上对图像进行非线性增强。算法将“Min”与“Max”算子结合起来提取边缘,避免了使用单一算子检测边缘强度较弱的缺点。该方法避开了原算法中复杂的指数运算,运算量减少了40%左右;渡越点的自适应性提高了算法的适应性。仿真表明,该算法检测的边缘细、连贯,并且算法抗噪能力强。     

基于断路器的故障电弧识别技术分析

随着经济的高速发展,现代化程度的日益提高,电气设备、通信设备等的应用越来越多,各个领域的用电量急速上升,特别是家电、电动车、线路等导致的火灾问题日益突出。故障电弧的火灾是指电气部件接触或者接地故障导致的电弧或者电火花引发的火灾。该文分析了引发电气火灾的故障电弧的种类与特征,基于断路器实现了故障电弧的检测识别,并提出通过云端协同的方式来提高检测单元的识别成功率,为故障电弧识别系统提供了参考。     

中心修正投影结合IGWO-SVM的滚动轴承故障分类方法

针对滚动轴承故障分类中全局信息损失和模态识别精度低的问题,提出一种中心修正投影算法(center modified projection, CMP)结合改进的灰狼算法(improved grey wolf optimization, IGWO)优化支持向量机(support vector machine, SVM)的滚动轴承故障分类方法。首先,融合样本高维空间全局分布信息和样本局部信息提出CMP降维算法,利用CMP的信息保留能力,实现轴承信号特征矩阵降维;其次借助钟形收敛曲线不同阶段下降速度的差异性特点以及前进式搜索和包围式搜索模式优化灰狼算法收敛性能,并利用IGWO实现SVM参数的自主寻优;最后采用优化后的SVM进行轴承故障分类识别。该方法充分结合了CMP的特征信息保留能力和SVM的小样本分类性能,有效减弱特征冗余成分对诊断结果的影响。多组对比试验表明,所提方法能有效的去除冗余成分,较好的保留样本空间分布信息,具有较好的分类性能。     

基于Inception-BLSTM的滚动轴承故障诊断方法研究

针对传统的滚动轴承故障诊断方法依赖大量先验知识以及容易人为引入误差等缺点,结合Inception模型的多尺度抽象特征提取能力与双向长短时记忆(BLSTM)神经网络序列建模的优势,提出一种基于Inception-BLSTM的滚动轴承故障诊断方法。首先,设计Inception模型从滚动轴承振动信号中提取出多尺度抽象特征。其次,设计BLSTM进一步学习特征信息的时间依赖性。最后,通过全连接层将特征信息映射到对应的故障模式并得出诊断结果。实验结果表明,该方法在多负载场景下的轴承故障识别精度达到了99.6%,具有良好的负载适应性以及抗干扰能力。     

基于背景抑制与改进多尺度LSD的声呐小目标检测算法

针对声呐小目标检测由于水下环境复杂、目标回波信号弱等因素造成虚警率和误检率较高的问题,文章提出基于背景抑制和改进直线分割检测(Line Segment Detection, LSD)的检测算法。首先对原始声呐数据截取序列片段,构建多周期累积历程图,凸显运动目标轨迹线特征;其次设计边缘滤波算子,有效滤除部分背景噪声,并结合投影变换进行线特征增强,不仅实现了断裂直线重连,还抑制了剩余噪声;然后基于图像金字塔改进了多尺度LSD直线分割检测算法,有效缓解了过检测问题,大幅增加了直线平均长度;最后为了合并冗余检测信息,利用运动轨迹时空一致性特征设计后处理模块,提高了检测定位精度。通过多组无人遥控潜水器(Remotely Operated Vehicle, ROV)、潜水员、空心球靶小目标序列的湖试、海试数据的定量与可视化结果定性分析,实验结果显示,文中算法与传统LSD相比,误检率和漏检率分别降低了11.2和3.9个百分点,定位误差下降了1.495个像素。结果表明,文中所提算法大幅提高了声呐小目标检测精度,为后续水下目标识别、跟踪等任务奠定重要基础。     

一种小模数齿轮边缘检测效果评价方法

利用机器视觉评定小模数齿轮精度时,在齿轮整体图像中提取的边缘特征信息不能直接描述图像中的单独目标,需要后续识别算法去适应局部的多变特征.为此提出一种基于特征图像的边缘检测效果评价方法来获取丰富的局部图像信息,用于评定小模数渐开线齿轮视觉测量系统中轮廓提取的精度.首先根据齿轮图像中渐开线齿廓边缘的函数特性建立特征图像模型;然后使用基于Zernike矩的亚像素边缘检测算法获取小模数渐开线齿轮特征图像的边缘;最后结合构建特征图像的标准函数,量化特征图像的边缘检测结果与标准函数间的偏差,用以评价边缘检测的效果.实验表明,运用小模数齿轮的特征图像评价基于Zernike矩的亚像素边缘检测算法,渐开线齿廓的检测精度优于0.58pixel.