基于深度学习的水面漂浮物智能检测方法

漂浮物作为河道表观污染的重要源头,加强漂浮物检测是改善水环境生态质量的重要途径,也是积极落实“河长制”政策的技术手段。由于水面漂浮物具有场景复杂度高、形状不规则以及多尺度形态变化等特点,采用传统的图像识别方法快速有效地检测目标具有较大的挑战性。因此,本文提出了一种基于深度学习的实时且稳健的水面漂浮物智能检测方法。首先,基于稀疏分解思想对低质量漂浮物图像进行降噪和增强处理,初步降低复杂水面环境对漂浮物图像质量的影响。其次,将轻量化MobileNetV2网络取代SSD算法中的VGG16网络作为骨干网络,在预测层中将深度可分离卷积取代标准卷积,并采用动态特征金字塔网络提高多尺度漂浮物的检测精度,弥补SSD网络中强制不同层学习相同特征的不足。然后,将统一量化卷积神经网络（Quantized-CNN）框架应用于量化SSD检测器的检测误差,进一步加速卷积层计算和压缩全连接层的参数,降低SSD算法的计算复杂度和内存成本。本文在构建的水面漂浮物数据集上进行的实验结果表明：与现有的图像识别算法相比,改进后的SSD检测算法的平均精度（AP）和F1达到95.86%和94.74%,在硬件GPU下的检测速度达到64.23f/s,检测算法的参数计算量减少到7.5亿,模型内存成本压缩到6.27MB。改进SSD算法实现了水面漂浮物检测的高精度和高效率。     

基于深度学习的水面漂浮物识别算法设计

针对小型水域漂浮物识别困难问题,提出一种基于深度学习的目标识别方法,采用改进的YOLOv5s目标识别算法识别水面漂浮物．首先,根据水面漂浮物形状的特点,采用改进K-means算法,对先验框重新聚类,其次加入SE注意力机制模块,然后将α-IOU应用于YOLOv5s网络上．实验结果表明,对比标准的YOLOv5s算法,改进的YOLOv5s算法在查准率和平均精度均值方面分别提升了2%和4%,验证了算法的有效性,该方法能克服水面环境的影响,有效识别水面的漂浮物．     

基于改进核相关滤波算法的目标跟踪

针对核相关滤波算法仅使用一种特征表达进行目标追踪,使其在一些场景中跟踪效果不佳的问题,提出了一种多特征融合的核相关滤波跟踪方法。采用31维的方向梯度直方图特征、58维的局部二值模式特征和1维的灰度特征进行融合。该算法选择在特征层进行特征融合,先将方向梯度特征和局部二值模式特征并联融合,再将融合后的特征串联融合灰度特征,形成新的特征表达。在OTB(Object Tracking Benchmark)数据集上进行了测试,结果表明,该算法具有更好的跟踪效果。     

基于粒子滤波和自适应模型的目标跟踪算法

为了提高粒子滤波的性能,使用集合卡尔曼滤波对建议分布进行改进,同时提出了用于视频跟踪的自适应融合模型．使用集合卡尔曼滤波结合当前的观测信息构造建议分布,结合当前观测信息对每一个粒子进行集合分析,得到新的建议分布,依据新的建议分布对粒子进行采样,同时在跟踪过程中将颜色特征模型和形状特征模型进行融合,并进行自适应更新．实验结果证明：相对于传统粒子滤波和扩展卡尔曼粒子滤波,使用新的建议分布可以更有效地降低均方根误差,同时自适应融合模型的稳定性要高于使用单一颜色模型．使用新的建议分布和融合模型,可以有效提高粒子滤波的准确性和稳定性．     

基于相关滤波的目标跟踪方法

精度和速度一直是跟踪领域的矛盾。相比而言,基于深度学习方法的模型精度更好,但基于相关滤波(可以用FFT加速)的模型速度快很多。算法KCF、DSST、Staple、SiamFC、ECO、CCOT等在VOT2016数据库上的跟踪性能对比结果显示,在跟踪准确率这方面,深度学习优于相关滤波跟踪算法,而在鲁棒性方面,相关滤波算法则占有优势,且其速度也一直领先。将深度卷积特征和相关滤波相结合,可以兼顾两者的优势,使相应算法表现出更好性能。未来应着重考虑发挥CNN在目标跟踪领域的作用,以其同时提高算法的实时性和训练的便捷性。跟踪和检测是分不开的,跟踪能够保证速度上的需要,而检测能够有效地修正跟踪的累计误差。不同的应用场合对跟踪的成功率、准确度和鲁棒性要求也不一样,达到实际的跟踪要求仍然需要更好的算法实现。     

基于多特征融合的粒子滤波自适应目标跟踪算法

为解决用单一特征无法保持在复杂环境下跟踪的鲁棒性以及粒子数量增多导致的算法效率低下的问题,选择多个特征融合的策略来保证跟踪的持续稳定,并自适应地调整每个特征的权值来适应环境的变化;为提高算法的实时性,采用自适应的粒子数量。实验结果表明:本文算法有效地解决了目标旋转、目标遮挡以及背景混淆等诸多问题,具有较高的鲁棒性。     

自适应特征融合的核相关滤波目标跟踪算法研究

在核相关滤波目标跟踪算法中,为了克服采用单一特征导致的特征表达不足,以及采用线性插值模型更新策略造成模型漂移的问题,提出了一种自适应特征融合和模型更新的核相关滤波目标跟踪算法. 首先使用主成分分析法对方向梯度直方图特征和颜色名特征进行降维,以提高算法的运行速度; 其次计算两种特征的响应图,用所得响应图的峰值与平均峰值相关能量值的乘积来计算响应图权重,实现响应图的加权融合,从而获得目标位置; 最后根据两帧间颜色名特征的相似度调整模型更新速率. 在OTB-50数据集上的实验结果分析表明,该算法跟踪性能优于其他算法,能够提高处理速度.     

核粒子滤波目标跟踪算法

针对粒子滤波的退化问题以及使用单一特征跟踪鲁棒性不高的缺点,提出了一种基于多特征融合的核粒子滤波目标跟踪方法.首先在核粒子滤波中提出新的权值更新方法,然后将颜色和纹理特征在核粒子滤波方法框架下进行融合实现鲁棒跟踪.对颜色和纹理特征的计算分别采用空间直方图和积分直方图的计算方法,这2种计算方法有效地克服了2种特征自身存在的缺点.该算法提高了采样效率,解决了粒子滤波的计算量大和粒子退化问题.最后应用本文算法在复杂背景和严重遮挡等情况下的目标序列上进行了测试,实验表明该算法不仅能准确地跟踪目标,而且能很好地处理目标遮挡等问题.     

机动目标跟踪的改进自适应滤波算法研究

为了更好地实现机动目标跟踪,在标准自适应滤波算法(Adaptive Filtering algo-rithm,简称AF)的基础上,提出了改进的自适应滤波算法(Improved Adaptive Filtering al-gorithm,简称IAF)。该算法将机动目标的系统误差做为随机噪声,并对加速度方差进行自适应调整。改进的自适应滤波算法具有计算简单、跟踪精度高等优点。     

基于核相关滤波的TLD跟踪算法的研究

对TLD跟踪算法进行改进,以提高在跟踪目标发生尺度变化或被遮挡时的跟踪性能. 首先使用KCF跟踪器替代TLD算法中原有的中值光流跟踪器,并在特征提取时增加目标的Lab颜色特征,在寻找目标位置时引入尺度估计,在模型更新阶段引入跟踪状态判别机制,通过设定跟踪器中输出响应最大值阈值、APCE阈值及检测器中随机蕨分类器阈值来判断跟踪器跟踪结果的可靠性,改善跟踪器在尺度变化、出现遮挡、光照变化等情况下的跟踪效果. 针对TLD算法中的检测器,为了减少大量无意义的窗口,提升算法在存在遮挡时的精确性,在检测之前使用Kalman滤波预估出目标位置,在预估位置周围使用改进的级联分类器更精准地定位目标,改进的级联分类器的前两级仍采用方差分类器和随机蕨分类器,第三级则采用改进的KCF跟踪器. 在OTB-50数据集上的实验结果分析表明,该算法跟踪性能优于其他算法,能够满足实时性.     

基于多模式多特征融合粒子滤波视频目标跟踪

本文研究了目标的多特征融合跟踪问题.提出了衡量各特征质量的标量方法,利用粒子权值平方和来表示各特征信息的粒子退化程度,并以此值作为各特征信息质量状况的衡量.该方法能根据跟踪的实际情况判定各分信息粒子质量,并在此基础上提出了多模式融合策略,该策略能依据各分信息的质量变换各融合模式达到跟踪过程中各模式的最优组合.实验结果表明:在对复杂背景视频目标的跟踪中,该算法具有强的鲁棒性,较高的识别精度.     

基于BP神经网络的新疆平原地区水面蒸发量预测模型研究

利用新疆地矿局昌吉地下水均衡试验场1997—2000年非冻结期20 m2水面蒸发池的蒸发量数据,基于BP神经网络,建立新疆平原地区水面蒸发量的预测模型,结果表明:模型构建简单,误差较小,且所需资料易于获得.     

基于BP神经网络的新疆平原地区水面蒸发量预测模型研究

利用新疆地矿局昌吉地下水均衡试验场1997-2000年非冻结期20m^2水面蒸发池的蒸发量数据，基于BP神经网络，建立新疆平原地区水面蒸发量的预测模型，结果表明：模型构建简单，误差较小，且所需资料易于获得．     

基于地表水与地下水耦合模型的溪泉湖湿地数值模拟的应用研究

通过建立溪泉湖水源地地表水与地下水联合运用的耦合模型,借助于QUAL2K软件计算地表河流控制断面的入水浓度.采用MT3D模型,基于Visual MODFLOW有限差技术,分析了沈阳市沈北新区溪泉湖湿地构建储备水源地10 a后地下水环境的动态变化.水位模拟结果显示:2020年构建储备水源地处形成漏斗,水源地构建后的地下水水位降落漏斗处地下水等水位线比构建前下降2.5 m,与2009年初始水位相比大幅度下降,既满足水源地供水效益,又解决了周边水库蓄水造成的浸没问题.水质模拟结果显示:周边水库地下水水质较好,没有对水源地水质造成影响,但辽河支流的水质不容乐观,对水源地水质造成严重威胁.因此,为保障水源地水质安全,对溪泉湖地表水体进行污染防治势在必行.     

基于等分法和迭代算法的磨料射流速度模型

针对前混合磨料射流磨料速度模型中存在的磨料受力考虑不全,无法体现磨料加速度、阻力系数以及雷诺数等关键参数的变化等问题,以固液两相流理论为基础,建立了磨料在高压管路、喷嘴内的速度模型,并基于等分法和迭代算法的数值求解方法,求解了磨料速度模型。计算结果与参考文献的平均百分比误差在5%之内,验证了该算法。同时利用该速度模型得到了磨料在高压管路和喷嘴内的速度、加速度、阻力系数以及雷诺数的变化规律：(1)高压管路内,磨料速度随磨料运动距离的增加逐渐增大,最后无限接近于水的速度;磨料加速度和雷诺数随磨料运动距离的增加逐渐减小,最后会趋于零;而阻力系数则随磨料运动距离的增加逐渐增大。(2)喷嘴收敛段内,磨料速度随磨料运动距离的增加逐渐增大;磨料加速度、阻力系数以及雷诺数随磨料运动距离的增加有一个先减小后增加的过程。(3)喷嘴直线段内,磨料速度随磨料运动距离的增加逐渐增大;磨料的加速度、雷诺数和阻力系数随着磨料运动距离的增加逐渐减小。     

基于网络层次分析的水下多目标跟踪排序方法

水下多目标跟踪排序是水下航行器多目标跟踪中需解决的技术难点.目前用于水下多目标跟踪排序的方法都假设各个决策因素相互独立,而实际上水下多目标跟踪决策的因素之间存在着相互影响.文章根据这一特点,建立了水下多目标跟踪排序的决策指标集和相应的ANP决策模型,提出了基于ANP的水下多目标跟踪排序方法.该方法将水下多目标跟踪排序的决策指标集纳入网络层次结构模型,并通过模型解算得到优化的多目标跟踪决策,具有排序结果比现有方法更加合理、稳健的特点.仿真结果表明该方法是解决水下多目标跟踪排序与决策问题的有效方法.     

多元算法融合模型的CFRP约束型钢混凝土柱承载力预测

为准确预测多影响因素下碳纤维增强复合材料(CFRP)约束型钢混凝土柱(SRCC)的轴压承载力,提出了一种基于随机森林(RF)、分类提升(Catboost)、极端梯度提升(XGBoost)、梯度提升回归树(GBRT)的多元算法融合预测模型。首先采用合成少数类过采样技术(SMOTE)算法对原始数据集进行扩充,开展了10种传统机器学习和集成学习模型试验,筛选出决定系数R²均大于0.92的RF、Catboost、XGBoost、GBRT的4种集成学习模型,用随机搜索优化其超参数,然后融合形成了RF-Catboost-XGBoost-GBRT预测模型,对CFRP约束SRCC的承载力进行预测。结果表明,两种数据集下RF-Catboost-XGBoost-GBRT模型的预测性能最好,原始数据集经SMOTE算法处理后,5种预测模型R²平均提高20.43%,其中RF-Catboost-XGBoost-GBRT模型的R²达到了0.942,预测值误差均在±10%以内。     

基于有限元的高压水射流切割水泥砼路面的仿真研究

根据水泥混凝土材料的内部微结构,运用损伤力学知识,建立了水泥混凝土损伤模型。利用有限元方法对受高压水射流作用的损伤模型进行等效应力仿真分析,再结合混凝土的破坏准则得出该模型破坏所需的泵压力。实验证明该泵压力下的高压水射流完全可以切割旧水泥混凝土路面,从而表明了水射流切割方法的有效性。     

基于表界面理论的沥青路面水损坏模型研究

沥青混合料水损坏是沥青路面主要破坏形式之一。基于表界面理论,推导出沥青在矿料表面的粘附模型和水损坏模型;通过柱状灯芯技术和插板法,测得2种矿料和2种沥青的表面能参数指标;带入模型分析得出,沥青在矿料表面的粘附趋势以及发生水损坏的趋势;讨论了沥青和矿料的表面能参数对粘附及水损坏的过程的影响;最后分析了石灰石与沥青抗水损坏能力强的根本原因。