一种基于Fast-RCNN的道路病害检测算法

采用Fast-RCNN方法,将图像识别技术、GPS位置信息和车载信号信息有机结合,并将道路巡查车辆采集的道路图片进行自动化识别,包括坑槽、裂缝在内的道路病害信息,再根据从赤峰市道路巡查收集到的8000张道路病害数据,建立病害样本库,基于病害特征训练和测试Fast-RCNN模型,最后引入自动分区算法优化模型测试性能。实验结果表明,基于Fast-RCNN的目标检测模型能够达到84.9%的识别精度,并且能够生成包含病害定位、时间属性、病害信息在内的病害识别报告,能够有效提升道路病害识别的准确率与道路养护效率。     

噪声情况下采用稀疏非负矩阵分解与深度吸引子网络的人声分离算法

为实现噪声情况下的人声分离,提出了一种采用稀疏非负矩阵分解与深度吸引子网络的单通道人声分离算法。首先,通过训练得到人声与噪声的字典矩阵,将其作为先验信息从带噪混合语音中分离出人声与噪声的系数矩阵;然后,根据人声系数矩阵中不同的声源成分在嵌入空间中的相似性不同,使用深度吸引子网络将其分离为各声源语音的系数矩阵;最后,使用分离得到的各语音系数矩阵与人声的字典矩阵重构干净的分离语音。在不同噪声情况下的实验结果表明,本文算法能够在抑制背景噪声的同时提高分离语音的整体质量,优于结合声噪人声分离模型的对比算法。     

基于VMD-SVD联合降噪的网架结构模态识别北大核心CSCD

为减少测量噪声对网架结构模态识别的不利影响,提出基于变分模态分解(VMD)和奇异值分解(SVD)联合降噪的随机子空间(SSI)模态识别方法.首先,以整体正交系数最小作为优化目标,利用鲸鱼优化算法获取VMD所需的最优K、α参数.基于K、α最优值对响应信号进行VMD后,根据各分量频谱曲线的光滑程度来筛选被激发的有效模态分量.其次,在进一步对有效模态分量进行SVD后,将其叠加以得到降噪后的重构信号.最后,采用SSI法对重构信号进行模态识别.某三自由度体系的仿真分析和某3m×3m平板网架的模型试验均表明,本文方法具有良好的降噪效果,可以筛选有效模态分量和提高模态识别精度.     

基于VMD-SVD联合降噪的网架结构模态识别

为减少测量噪声对网架结构模态识别的不利影响,提出基于变分模态分解(VMD)和奇异值分解(SVD)联合降噪的随机子空间(SSI)模态识别方法.首先,以整体正交系数最小作为优化目标,利用鲸鱼优化算法获取VMD所需的最优K、α参数.基于K、α最优值对响应信号进行VMD后,根据各分量频谱曲线的光滑程度来筛选被激发的有效模态分量.其次,在进一步对有效模态分量进行SVD后,将其叠加以得到降噪后的重构信号.最后,采用SSI法对重构信号进行模态识别.某三自由度体系的仿真分析和某3m×3m平板网架的模型试验均表明,本文方法具有良好的降噪效果,可以筛选有效模态分量和提高模态识别精度.     

基于深度学习的SPD人脸识别算法

本文提出一种自商图像法(SQI)、主成分分析法(PCA)和深度信念网络(DBN)相结合的SPD人脸识别算法。首先将人脸图像经过自商图像处理,勾勒其边缘特征。然后使用主成分分析法将高维自商图像降维至低维子空间。接着将训练集低维子空间的数据作为深度信念网络的输入,并对网络逐层进行训练。最后使用训练好的深度信念网络对测试集低维子空间的数据进行识别。对于遮挡性识别,采用遮挡分割法,减弱局部遮挡对整个图像的影响因子。经过反复实验验证,本文提出的算法在小样本中对脸部识别效果较好。     

应用半正定规划的目标方位超分辨方法

针对水下目标方位超分辨估计问题,提出了一种基于半正定规划(Sdp)的常规波束(CBF)方位超分辨算法(SdpCBF).Sdp-CBF算法基于常规波束形成获得多目标方位谱数据,利用阵列响应矩阵和半正定规划技术,精确估计目标数量和波达角方向.该算法的本质是利用阵列特性和信号能量信息获得超分辨方位估计,不用进行子空间分解,通过卷积反演的方式将阵列孔径的有限效应消除,在L_2范数约束条件下重构空间谱.仿真表明,Sdp-CBF算法具有较强的噪声抑制能力,对非相干和相干信号均具有目标方位超分辨能力,在低信噪比环境下的方位分辨性能超过多重信号分类(MUSIC)等经典高分辨算法。对消声水池以及湖上实验数据的处理结果显示,Sdp-CBF算法在复杂环境中对相干信号及微弱信号具有较强的分辨能力。     

基于YOLOv5算法的目标检测与车牌识别系统

本文首先介绍了实时目标检测网络(YOLOv5Net)提取车辆图像相关特征并通过训练进行实时目标检测,接着阐述了车牌识别神经网络(LPRNet)对车牌进行实时识别,通过对实时目标检测网络提取的特征进行分析,利用与视觉任务强相关的测试样本集对目标检测模型与车牌识别模型进行测试。实验结果表明,当测试样本场景与视觉任务相关度越高,且样本中车辆目标的形变越小,得到的目标检测模型与车牌识别模型的效果越好,能够为交通车辆识别与管理等作业提供可靠、高效的车辆信息。     

基于YOLOv5算法的施工现场不安全状态智能检测

为更好地实现施工现场工人的安全监管,利用YOLOv5目标识别算法结合无人机倾斜摄影三维建模技术构建施工现场不安全状态智能检测模型,实现对人、机械等目标的识别与定位。通过实验对比分析确定最优目标识别算法,并构建多目标识别模型,实验结果符合理论猜想,整体识别平均精度达到了91.6%。在识别的基础上借助倾斜摄影三维模型所提供的空间位置信息进一步确定所识别目标的相对位置,从而确定工人的安全状态。这种视觉定位的准确性由三维模型所决定,所以最后通过实验验证了无人机倾斜摄影所构建的三维模型的距离误差在1.5%左右,范围长度大于35m距离误差将小于1%,从而说明了目标识别模型所识别出物体的距离具有较高的准确性。     

小空间火灾多元探测装置和实现方法研究

针对小空间火灾探测方法单一、误报漏报率高、采集数据处理简单的问题，提出1 种小空间火灾多元探测装置及方法，能够实现对火灾的烟雾、CO 气体、温度、火焰等的多元探测，多角度多方位采集火灾信号，利用信息融合技术和算法，寻找特征信息之间的规律，对数据信息进行分析解析、优化组合，运用人工神经网络和模糊推理方法，采取反复的样本训练将探测数据的误差降到最低，从而准确地判断火灾所处的阶段和类型，及时有效地采取灭火抑制措施。研究结果证明，小空间火灾多元探测方法能够满足小空间的火灾探测要求，减少了公共财产的损失，对火灾探测的进一步研究具有重要意义。     

原料储运大空间环境下的早期火灾快速识别算法研究

文章提出了一种大空间环境下火焰图像快速识别的算法.通过建立背景的统计特性模型确定了目标捕获的方法,通过初期火灾的发展规律得出了识别火焰颜色和形状特征的基本算法,利用模式识别算法给出了识别目标是否为火焰的算法.测试结果表明,该算法可以快速捕获和识别火焰图像,且误判率很低,能够作为大空间建筑初期火灾预警的依据.