一种在线学习的目标跟踪与检测方法

针对现有在线学习跟踪方法缺乏监督机制的缺点,提出一种新的跟踪框架。以随机森林在线学习理论构造分类器作为目标检测器,用SURF特征点匹配方法作为目标跟踪器,跟踪过程中用可靠跟踪的结果形成对检测结果的监督机制,不对低置信度样本或错误样本进行学习,避免了分类器分类精度的逐渐下降,同时在跟踪失败时用目标检测器对目标进行重新捕获,形成跟踪、学习、检测三者有机结合的跟踪框架。对不同视频序列的测试结果表明,本文算法能有效避免目标出现较大外观变化或被大面积遮挡等复杂情况下的跟踪失败问题。     

带故障样本的弹性双阈值SVDD在线故障诊断算法及其应用

提出一种带故障样本的弹性双阈值SVDD在线故障诊断算法,该算法从故障样本使用、实时样本划分以及训练样本更新三个方面对传统在线SVDD算法进行优化。一是在SVDD训练阶段加入故障样本,提高数据描述能力和诊断精度;二是提出球边界偏移判别准则,形成可变的双层边界将超球空间分成三个区域,同时增大对故障样本的敏感性,降低漏检风险;三是引入滑动窗机制批量检测更新样本,减少计算量,并通过调节落入中间区域的样本比例控制虚警率。对离心压缩机喘振过程信号检测的试验结果表明,该算法能够自适应更新模型和阈值,并在极少虚警和漏检的情况下实现压缩机喘振故障的准确高效诊断。     

Zibbee技术下动目标的定位技术研究

简要介绍无线传感器网络在目标定位方面的应用,并比较了几种主流无线定位技术的主要性能,并针对条件限制可能造成的目标漏检,提出一种运用自组织特征映射(SOM)神经网络的算法,对漏检目标的移动路径进行分析与估算。     

基于LabVIEW的数字采集仪在线校准系统设计与开发

针对采用传统方法校准数字采集仪存在的效率低、精度差等缺点,设计开发了数字采集仪在线自动校准系统。依照国家计量校准规程,以NI公司PXI硬件为基础,采用LabVIEW开发系统,构建在线校准系统的总体框架,设计信号发生模块、数据采集模块、仪器控制模块、报表打印等,实现数字采集仪校准工作的自动化。在采集线性度校正中的实际应用结果表明,该系统工作可靠,界面友好,实用性强,易于扩展,具有一定的应用前景。     

基于R-FCN框架的多候选关联在线多目标跟踪

在线多目标跟踪是实时视频序列分析的重要前提。针对在线多目标跟踪中目标检测可靠性低、跟踪丢失较多、轨迹不平滑等问题,提出了基于R-FCN网络框架的多候选关联的在线多目标跟踪模型。首先,通过基于R-FCN网络从KF预测结果和检测结果中获取更可靠的候选框,然后利用Siamese网络进行基于外观特征的相似性度量,实现候选与轨迹之间的数据关联,最后通过RANSAC算法优化跟踪轨迹。在人流密集和目标被部分遮挡的复杂场景中,提出的算法具有较高的目标识别和跟踪能力,大幅减少漏检和误检现象,跟踪轨迹更加连续平滑。实验结果表明,在同等条件下,与当前已有的方法对比,本文提出在目标跟踪准确度(MOTA)、丢失轨迹数(ML)和误报次数(FN)等多个性能指标均有较大提升。     

融合SIFT特征的压缩跟踪算法

本文提出一种新的融合SIFT(尺度不变特征)和压缩特征的目标跟踪算法以解决姿态变换、光照变化、旋转和运动模糊下目标的稳定准确跟踪问题。算法使用压缩特征对目标和背景进行描述,通过在图像帧中采集到的正负样本在线训练和学习SVM(支持向量机)分类器,将跟踪任务构建为一个二类分类问题。使用该分类器对下一帧的目标和背景进行分类,从而获得精确的目标位置和区域。同时,算法使用前后两帧的SIFT特征点之间的对应匹配关系求解目标尺寸变化值,实现模板大小的自适应调整。将算法与其他算法在某些图像序列上的跟踪比较显示,该算法在有效性、正确性和鲁棒性上性能优越。     

基于改进判别字典学习的故障诊断方法

近年来,基于稀疏表示的分类技术在模式识别中取得一定的成功。该框架中,字典的学习和分类器的训练通常是两个独立的模块,降低了方法的识别精度。针对以上问题,提出了一种特征提取和模式识别相融合的改进判别字典学习模型,将重构误差项、稀疏编码判别项及分类误差项进行了整合,并用K奇异值分解算法对目标函数进行优化,实现了字典和分类器的同步学习。该方法先对原始信号进行经验模态分解,并从分解的本征模态函数中提取时、频特征,形成故障样本;然后将训练样本输入改进模型用K奇异值分解优化;最后用习得字典及分类器权重对测试样本进行识别。实验结果表明：该算法不但适用于小样本故障问题,而且鲁棒性和分类性能都明显高于其它算法。         

基于在线特征选择的粒子滤波跟踪算法

在复杂场景下,传统的粒子滤波跟踪算法较难定位目标.针对此问题,提出了一种基于在线特征选择的粒子滤波跟踪算法.该算法首先在线、自适应地通过Fisher判别准则,从16个不同的颜色特征空间中选择最能区分目标及其邻近背景的1个最佳特征空间,然后在这个最佳特征空间中用基于统计直方图的粒子滤波算法跟踪目标.试验结果表明,该算法鲁棒性和准确性较好,在光照变化.目标自身发生形变和遮挡情况下能够准确地对目标进行跟踪.     

利用样本向量空间位置关系的目标识别方法

利用样本向量的空间位置关系,对目标识别方法进行研究。根据样本向量最小夹角给出了可分类识别率的定义,且应用样本向量间的夹角对样本向量进行筛选,获得了更有利于分类的样本。在此基础上提出了样本向量最小夹角识别算法,以及对样本向量最小夹角和最短距离进行综合的目标识别算法。为了进一步提高识别效果,将特征线之间的最小夹角引入到识别算法当中。所研究的目标识别算法应用到飞机目标识别,若采用奇异值特征作为样本可以得到90.0%以上的识别率,而采用颜色特征作为样本则可以得到92.5%以上的识别率。     

基于机器视觉的双工位载带检测系统研究

叙述了基于机器视觉的双工位载带检测系统的硬件设计方案和机械结构方案。提出了适合载带检测的图像处理算法,该算法主要包括瑕疵检测算法与尺寸计算算法。将标准合格载带样本图像作为训练集,从这些样本图像中获取检测区域图像的特征量信息作为在线检测时的比较标准。经过实际上线测试验证,载带缺陷检出率均不低于99.6%,重要缺陷漏检率为0%;检测一帧图像时间10 ms,检测速度达到12 m/min。     

基于LFSS和改进BBA的滚动轴承在线性能退化评估特征选择方法

在滚动轴承性能退化评估中,不同工况会影响振动信号特征对故障程度的敏感性,在早期有限样本中选择适用于状态评估的有效特征是实现在线评估轴承性能退化程度的关键。首先提出一种基于均方根的早期有限样本判定方法 Limited Feature Select Sample(LFSS),其次提出一种针对性能退化评估特征选择的改进Binary Bat Algorithm(BBA)算法——Feedback Seeking Binary Bat Algorithm(FSBBA),将其应用于滚动轴承早期有限样本中进行故障特征选择,克服了原始BBA容易陷入局部寻优的缺点。基于LFSS与FSBBA算法,构建了滚动轴承在线状态评估模型,并将其运用于两例滚动轴承全寿命数据特征选择,性能退化评估指标分析结果表明了所提出方法的有效性。     

基于改进YOLOv4算法的轮毂表面缺陷检测

汽车轮毂加工过程中产生的表面缺陷严重影响整车的美观性及服役性能,针对人工检测效率低、漏检率高的问题,提出一种基于改进YOLOv4算法的轮毂表面缺陷检测方法。构建了轮毂缺陷数据集,其包含6种表面缺陷,由2346张4928×3264pixel的图像组成;采用K-means方法进行先验框聚类,并针对YOLOv4算法在纤维、粘铝等小尺度缺陷上检测精度不足问题,在原网络Neck部分引入细化U型网络模块(TUM)和注意力机制,用于增强有效特征并抑制无效特征,强化多尺度特征提取与融合,改善特征处理过程中可能存在的小目标信息丢失问题;基于该数据集,训练并测试不同算法的缺陷检测性能并验证改进模块的有效性。结果表明,该方法大幅提升了粘铝等小尺寸缺陷的检测能力,缺陷检测平均精度达到85.8%,与多种算法相比较检测精度最高。     

卫星太阳敏感器模拟器校准技术研究

针对卫星姿轨控半实物仿真系统的技术要求,提出了一种用于太阳敏感器模拟器的校准装置。校准装置以FPGA和AVR单片机为控制核心,微型单板电脑模拟动力学计算机,通过网口进行指令的上传下达。内置信号调理电路、高精度采集模块,数据解算模块等。该校准装置集成度高,替代了原有由数字表、动力学计算机等组成的复杂校准系统,有效地降低了成本,提升效率约40%,实现了太阳敏感器模拟器的快速全过程在线校准。     

基于注意力与密集重参数化的目标检测算法

针对目标检测任务中背景复杂、目标尺寸差异大等因素导致目标检测结果较差的问题,本文提出基于注意力和密集重参数化的目标检测算法。首先,基于CSP-DarkNet提出高效的特征提取网络,主要包括密集重参数化模块和CASA模块2个设计。前者利用密集连接保留浅层特征,又通过重参数化结构降低网络复杂度;后者CASA模块用于获取需要的目标信息。其次,特征融合在特征金字塔(FPN)和路径聚合网络(PAN)的基础上,引入内容感知特征重组(CARAFE)进行上采样,有效解决了邻近插值法等未能捕捉丰富语义信息的问题;提出更高效的C3-G模块,获取丰富的梯度信息,增强模型表达能力和感知能力;同时,引入深度可分离卷积提升运算效率。最后,检测输出采用在更大范围上跨领域正负样本匹配策略扩充正样本数量,提升检测效果。该算法在MS COCO和PASCAL VOC数据集上的m AP@0.5分别达到了57.5%和83.0%,充分说明了本文算法的先进性。     

大气气溶胶水溶性离子自动监测仪校准装置初探

大气气溶胶水溶性离子自动监测仪为大气研究提供了一种全新的,在线监测大气污染及研究的手段,美国、欧盟已对国外的此类设备提供了测试报告或研制了相应的标准物质,我国目前在这一领域尚无质量控制技术。初步搭建了一种大气气溶胶水溶性离子自动监测仪校准装置,装置包括三个模块：气溶胶发生系统、采样系统、基于HJ799和HJ800原理的自动测试系统。最终以该自动测试系统得到的数据为标准值,给出前端装置的修正值或修正系数。通过实验,分别对三个模块的性能进行了验证,均满足各自在校准装置中承担的功能作用,但由于系统比较复杂,应进一步考察影响装置各模块准确性的因素,提升各模块的效率,得到一套具有稳定特性的校准装置。     

基于SENet双路径多尺度特征融合的ECT图像重建

针对单一神经网络在电容层析成像图像重建过程中难以捕捉复杂、深层电容向量特征的问题，提出一种基于压缩激励网络(squeeze-and-excitation networks, SENet)双路径多尺度特征融合的电容层析成像图像重建算法。构建多尺度密集深度空洞卷积模块，使模型获得更大的局部感受野的同时可以保持较低计算复杂度，并实现多尺度特征融合，以捕获电容向量的多尺度细节特征，增强模型的表征能力；采用残差神经网络解决深层网络提取特征时出现的退化现象，并添加SENet模块重新标定电容特征张量所属通道对应权重，校准特征响应。形成具有双向特征提取能力的双通道多特征融合的混合模型，以更好的拟合电容张量与介电常数之间的非线性映射关系。试验结果表明，BSFF算法相对于Landweber迭代算法、CNN算法等具有更高的图像重建质量，更好的鲁棒性。     

基于假设理论的序列图像中多目标检测和跟踪(英文)

本文提出一种基于目标检测的多维假设多目标检测和跟踪方法,此算法对于序列图像的照明变化和遮蔽现象具有很高的鲁棒性.首先,对序列图像进行背景抑制、时域滤波和杂波剔除的预处理,得到单帧的初始目标检测结果.对于初始检测中存在的漏检和误检现象,采用基于假设理论的跟踪概率模型优化初始检测轨迹;将目标的跟踪信息反馈于目标检测模块,形成一闭环自适应跟踪系统,达到多目标的最优检测和跟踪.实验结果表明了所提出的方法在多目标检测和跟踪中的可行性和有效性.     

模糊基函数神经网络在线跟踪自学习算法研究

提出了一种用于分类的模糊基函数（FBF）神经网络在线跟踪自学习算法,通过带有遗忘因子的样本均值和样本协方差矩阵,保存了原始样本所包含的类可能性分布信息,并在此基础上产生新增样本的目标输出用于训练FBF网络,以实现分类边界的在线跟踪;给出了带有遗忘因子的样本均值和样本协方差矩阵的递推算法,以克服传统方法需要保存大量以往训练样本带来的困难。所提出的方法用于旋转机械的故障识别,结果表明是可行的和有效的。     

基于改进Faster R-CNN的纸病检测算法

目的 达到纸病检测中能够充分提取纸病特征、提高检测精度、降低小目标漏检率的目标。方法 基于Faster R-CNN的检测算法进行改进,主要改进的做法是利用深度残差网络ResNet-50替换原模型的骨干特征提取网络VGG16,以保留更多的纸病特征信息,增强特征网络对纸张缺陷的提取能力;在算法中添加空间和通道的双重注意力机制CBAM,用来提高纸病检测精度;将ROI-Pooling替换为ROI-Align,增强网络的泛化能力。结果 实验结果表明,改进后的算法平均精度达到98%,较原算法平均精度提升了9%。结论 改进后的算法能够充分提取纸病特征信息,有效提高了纸病的检测精度,以及提高了小目标纸病的检测率,降低了错漏检率。     

信号分辨率增强的机械智能故障诊断方法研究

利用深度学习来增强数据集已成为各个领域的研究热点,即使用有限的数据集生成更多仿真的数据集。不同于目前主流的生成对抗网络算法及其变体算法,基于样本分辨率增强的思想,提出了一种简单有效的算法——高效亚像素全连接神经网络（ESPFCN）。ESPFCN 的原理为：对原始输入样本进行全连接操作,经过隐层特征映射输出四通道的低分辨率特征;通过亚像素全连接层,将四通道的低分辨率特征进行周期性的排列,得到一组高分辨率特征,实现了样本分辨率的增强。设置了一组特殊的轴承实验来评估生成模型的性能,实验结果验证了ESPF?CN 框架的有效性,并通过可视化展示了ESPFCN 的特征学习过程。