刀具破损在线检测系统的研究

本文论述了一种比较先进的使用切削力遥测系统对刀具的破损进行检测的方法。并给出了可将刀具破损状态与其它切削工况区分开来的可自动调整滤波频率的数字滤波算法原理及其实现。     

刀具破损在线检测系统的研究

本文论述了一种比较先进的使用切削力遥测系统对刀具的破损进行检测的方法,并给出了可将刀具被损状态与其它切削工况区分开来的可自动调整滤波频率的数字滤波算法原理及其实现。     

基于轻量化神经网络的石窟壁画破损检测方法

针对石窟壁画脱落与破损检测过程中存在检测精度低、实时性差的问题,提出了基于轻量化神经网络和多重注意力机制的石窟壁画破损检测方法。首先,引入Ghost Conv完成轻量化特征提取,降低模型复杂度;其次,加入双重注意力机制增加特征提取的倾向性,加快模型收敛速度;最后,使用加权双向特征金字塔拼接方式高效融合特征信息,通过复合缩放完成预测。实验结果表明：改进后的算法网络层数减少了34.40%。参数量和浮点运算量分别降低了62.98%和68.77%,模型体积压缩了62.78%。检测精度高达64.7%,实时检测速度从63.60帧/s提升至97.56帧/s,提高了约53.39%。     

切割刀具图像边缘破损检测方法仿真

采用目前方法对切割刀具边缘进行破损检测时,没有对刀具图像进行增强处理,导致方法存在图像对比度低、适用性能差和检测精度低的问题.提出基于直方图均衡化的切割刀具边缘破损检测方法,利用天然橡胶刀具图像的灰度中值,在分割直方图等面积原则的基础上进行灰度直方图分割处理,均衡化处理分割处理后的各子灰度直方图,完成天然橡胶刀具图像的...     

基于Raman技术的辛烷值在线检测系统应用

针对传统分析技术的不足,设计了基于拉曼分析技术的辛烷值在线检测系统.根据光栅型和傅立叶变换型光谱仪各自特点,选用光栅型拉曼光谱仪应用于辛烷值在线检测.在具体算法实现过程中,分别采用PCA和PLS两种方法建立关联分析模型,用于辛烷值的快速测定,指导实际的调和过程.实践证明:该系统具有检测速度快、检测费用低、检测结果可靠、经济效益高等特点.     

基于图像测量的香烟滤棒在线检测系统

作者对香烟滤棒的生产过程进行了研究,并提出了一种采用图像测量技术对香烟滤棒的圆周长、圆度误差进行实时检测的技术。本文通过结合笔者开发的香烟滤棒在线检测系统对图像测量软件的开发进行阐述,并通过滤棒生产中的应用验证了系统的有效性、可行性。     

接触式高压漆膜在线检测系统

介绍了一种接触式高压漆膜在线检测系统,系统由PC机控制多路终端检测设备。终端检测设备对每条生产线上的漆包线进行在线检测,并把检测的结果反馈到PC机上。有了这个接触式高压漆膜在线检测系统,生产线上连续生产出来的漆包线的质量将得到保证。     

基于统计特征的在线检测系统实时光线校正算法

提供一种快速可实用的光线校正算法,使采集图像的亮度稳定在一定范围之内,并对采集图像的局部不均匀明暗变化进行校正,使其在统计意义上与模板保持一致。     

CCD线材直径自动在线检测系统

介绍一种线材直径自动在线检测系统，利用线阵CCD图像传感器作为几何尺寸敏感器件，用单片机对CCD输出信号进行处理并显示。系统可用于对线材直径、厚度等几何尺寸进行动态在线测量。     

基于LabVIEW的卷烟主流烟气中CO在线检测系统

针对使用非色散红外法对卷烟主流烟气中CO检测所导致的操作不便、无法实现在线逐口检测的缺陷,设计了一套基于LabVIEW采用TDLAS(tunable diode laser absorption spectroscopy)技术对卷烟主流烟气中CO进行在线检测的系统.硬件结构主要包括一台用于卷烟逐口抽吸的吸烟机,以及用于气体浓度检测的TDLAS控制器.通过对TDLAS控制器中锁相放大器输出的二次谐波信号进行采集和处理,计算出逐口抽吸得到的主流烟气中CO浓度.逐口抽吸的体积一定,进而可以计算出逐口抽吸的主流烟气中CO含量.通过实验结果证明,系统能够有效对卷烟主流烟气中CO进行在线逐口检测,且运行稳定可靠.     

基于双重注意力的入侵检测系统

在当今互联网飞速发展的时代,人们在网络中信息交互的次数日益增多,使得网络安全显得尤为重要。文章以增强模型检测异常流量的能力为研究目的,提出一种基于注意力机制的胶囊网络模型。在特征提取阶段和动态路由阶段分别融入注意力机制,增强了模型提取关键特征的能力,提升了在入侵检测任务中的准确率。在NSL-KDD数据集和CICDS2017数据集进行实验,结果表明文章所提模型在泛化能力方面高于其他模型,在CICIDS2017的测试集上,准确率达97.56%;在NSL-KDD的测试集上,准确率可达95.88%。相较于其他传统常用的入侵检测模型,效率有显著提升。     

通道-空间联合注意力机制的显著性检测模型

针对显著性区域突出不均匀和边缘不清晰导致显著性检测鲁棒性差等问题,提出了一种通道-空间联合注意力机制的显著性检测模型.改进了一种通道注意力机制,将特征图中的像素概率值逐像素相加以更好的获取通道中层间信息的关联性;在通道注意力机制的基础上并行融入了空间注意力机制,对特征图的空间信息进行加权获得目标突出的显著性区域;将通道...     

基于神经网络的学习状态检测

对在线学习者注意力状态检测的方法大多基于眼睛闭合频率、头部偏转等特征,此类方法能够应对大多数情况,但针对学习者正视屏幕且视线落点处于屏幕上时出现的发呆、分神状态无法作出检测。针对此问题,提出了一种基于RNN的眼动分析算法RNN-EMA(RNN-EyeMovementAnalysis),该算法通过对序列眼动向量分析,预测学生学习行为,完成当前学习状态检测。实验表明,RNN-EMA算法能够对学习状态作出有效检测,且对比同类方法效果有所提升。     

基于序列到序列模型的事件识别

事件识别是以事件为单位进行信息抽取的起点,对后续各个子任务都意义重大。针对事件识别任务,该文提出了一种融入文档信息的序列到序列方法,一方面借助神经网络减少了特征工程产生的人工依赖,另一方面借助注意力机制将局部的词、实体与全局的文档中事件的共现等信息统一建模。在LDC2017E02语料上实验结果表明,该方法能有效提高事件识别的性能。     

基于全局-时频注意力网络的语音伪造检测

语音伪造检测是近年的一个研究热点,受到了广泛关注.目前,卷积神经网及其变种的提出,使其在语音伪造检测任务中取得了不错进展.然而,目前仍存在2方面问题：1)当前工作假设送入卷积神经网络的特征图的每一维对结果的影响是相同的,忽视了每一维上特征图的不同位置强调的信息是不一样的.2)此外,前人工作大多关注特征图的局部信息,没有利用全局视图中特征图之间的关系.为了解决以上挑战,引入全局-时频注意力框架,分别对通道维度和时频维度做了注意力变换.具体而言,引入了2个并行的注意力模块:1)时频注意力模块;2)全局注意力模块.对于时频注意力模块,可以通过使用加权求和在所有时频特征图上聚合特征来进行更新.对于全局注意力模块,借鉴了SE-Net的思想,通过参数为每个特征通道生成权重.通过这种办法,可以得到特征通道上响应的全局分布.在ASVspoof2019 LA公开数据集上进行了一系列实验,结果显示所提的模型取得不错的效果,最佳模型的等错误率达到4.12%,刷新了单个模型的最好成绩.     

基于支持向量机的显著性建筑物检测

提出了一种针对自然图像中显著性建筑物的检测方法.首先,采用自底向上的注意力机制,对图像进行Haar小波分解,对得到的HL,LH分量进行平方求和,得到增强图像,然后对该增强图像在垂直方向上进行侧投影,基于得到的投影曲线进行多层阈值分割,找到显著性建筑物候选区域.进而,利用Sobel算子进行水平边缘与垂直边缘的检测,并统计较长的水平边缘与垂直边缘的数目,组成特征矢量.最后利用线性支持向量机对特征进行分类.实验证明了所提算法的有效性.     

基于YOLOX的车辆检测

车辆检测是智能交通系统重要的一个研究方向.针对监控视角下的车辆检测问题,提出了一种改进YOLOX算法的车辆检测方法.使用网络深度更小的YOLOX＿S模型,对网络结构改进.使用GHOST深度可分离卷积模块代替部分传统卷积,在保证模型检测精度的同时减少模型参数;将CBAM注意力模块融合到特征提取网络中,并添加特征增强结构,加强特征提取网络获得的特征图语义信息,增强提取网络对目标的检测能力;通过使用CIoU＿loss优化损失函数,提高模型边界框的定位精度.测试实验结果表明,改进后的网络识别准确率提升了2.01%,达到95.45%,证明了改进方法的可行性.     

基于分类的自适应失效检测系统

虚拟化环境中的实例失效往往会造成巨大的经济损失. 描述了一种面向虚拟化环境的失效检测系统设计与实现. 考虑了虚拟化环境的层次依赖性, 采用一种层次失效检测模型对不同层次的实例失效进行了分类, 提高了实例失效恢复的准确性; 通过自适应性动态周期失效检测机制均衡了虚拟机检测器的CPU资源消耗和时效性. 该系统在OnceCloud^[1]平台中进行了实现与实例验证.     

基于YOLOv5的靠船排场景下安全措施检测

跳板在海上平台作业现场扮演着重要角色.未搭设跳板对作业现场造成了极大的安全隐患.为消除此隐患,提出一种靠船排场景下的跳板搭设检测方法.本方法分为3个部分:首先利用目标检测算法定位并标注目标;之后对标注目标区域进行边缘检测,提取其外接边缘;最终制定特定安全措施判别算法识别作业现场违规动作.本方法为解决小目标等检测问题,对YOLOv5进行改进,在特征提取以及特征融合时引入注意力模块,将均值平均精度由53.1%提高至54.5%的同时模型更加轻量化;为解决检测边缘粗犷问题,对边缘检测网络PiDiNet损失函数进行改进,相较于原网络,误检率由8.9%下降至5.4%.经过验证,利用该方法可以在有效时间内,检测出跳板是否正确搭设,准确率为91.5%.