高效高精度光照自适应的 ORB 特征匹配算法

针对非均匀光照下ORB图像特征检测算法存在特征点过于聚集、匹配准确率不高等问题,提出了一种高效高精度光照自适应的ORB图像特征匹配算法。利用自适应阈值提取待测图像的oFAST特征点,通过优化的四叉树分解法均匀分配,进一步提高了低照度或高曝光区域特征点的数量,随后,根据汉明距离进行特征匹配,使用改进的RANSAC算法剔除误匹配,提高ORB算法中特征点的匹配准确率。实验结果表明,针对具有明显光照变化的数据集,相较于ORB、MA、Y-ORB及S-ORB算法,本文算法的平均特征分布均匀度提高13.1%,特征提取时间节省26.3%,综合评价指标提升18.5%,可高效完成复杂场景变化下的特征匹配,对目标识别和三维重建等领域具有较强的应用价值。     

改进型A*算法的可重构机器人路径规划研究

路径规划是保证可重构机器人快速完成任务的关键技术之一。为提高可重构机器人的行驶效率，缩短行驶路径，首先，提出一种基于Bresenham直线算法思想的改进型A*路径规划算法，实现可重构机器人路径点数消减、拐点消除，提高路径平滑度。在此基础上，考虑可重构机器人本身体积以及机器人可重构的特性，建立可重构机器人构型库，讨论了可重构机器人体积与周围障碍物的关系，减少机器人行走过程中与障碍物的碰撞几率。利用MATLAB仿真平台对改进型A*路径规划算法进行仿真实验，验证了算法的有效性，可应用于复杂环境的机器人路径规划；分析了机器人重构后路径规划问题，利用可重构特性可缩短机器人运行路程，体现了可重构机器人的优越性。     

基于改进PSO-BP算法的机器人目标位姿识别方法

机器人作业环境复杂,物料分布具有随机性,导致机器人目标位姿的辨识和定位精度低,实时性差,为此提出一种基于改进粒子群算法-BP神经网络(PSO-BP)的机器人目标位姿识别方法。采用改进的中值滤波算法对目标图像预处理,构建多尺度灰度差异算子以及局部图像熵算子,将两者点积运算获取加权局部熵,抑制目标图像中的噪声。通过多视图几何中间帧的关联特征信息,提取机器人目标位姿特征。在BP神经网络训练阶段通过改进的PSO算法优化处理,采用优化后的BP神经网络算法对提取的特征展开训练和识别,最终实现机器人目标位姿识别。实验结果表明,当机器人目标测试样本数量为55个时,所提方法的亮度方差为0.305,当像素识别误差为1.5%时,所提方法获取的机器人目标位姿识别误差为0.11,所提方法能够在像素识别误差下准确识别机器人目标,获取高精度的机器人目标位姿识别结果。     

基于特征耦合泛化的流量异常检测方法

针对现有流量异常检测模型中稀疏特征易被特征选择算法忽略的问题,提出一种基于特征耦合泛化(FCG)的流量异常检测方法。首先,采用DBSCAN密度聚类算法去除数据中的离群点,降低异常点对后续FCG算法的影响。其次,使用最大相关最小冗余(mRMR)算法对数据特征进行排序,选择对分类最具影响力的特征生成FCG算法中的类别区分特征(CDF),以增强分类能力。利用K最近邻(KNN)算法填补CDF中的缺失值,保持数据完整性。然后,将数据按照攻击类别分组,分别使用mRMR算法对特征进行排序,挑选每种攻击类别数据中具有实例区分能力的稀疏特征作为FCG算法中的实例区分特征(EDF)。利用两种特征在异常检测数据中的耦合程度和EDF的上层概念将EDF转化成更泛化的特征。最后,将经过处理的数据输入基于贝叶斯优化(Bayesian optimization, BO)参数的随机森林(RF)模型进行分类识别。通过在NSL-KDD数据集上进行仿真实验,准确率达到了91.79%,验证了所提方法具有较好的检测性能。     

基于特征融合与深度学习的非侵入式负荷辨识算法

针对使用单一设备特征进行负荷辨识存在的局限性,提出了一种基于特征融合与深度学习的非侵入式负荷辨识算法。通过分析设备的高频采样数据提取了V-I轨迹图像特征与功率数值特征。利用人工神经网络的高级特征提取能力,实现了V-I轨迹图像特征与功率数值特征的融合。最后以复合特征作为设备新的特征训练反向传播(BP)神经网络进行非侵入式负荷辨识。使用PLAID数据集对算法辨识效果进行了验证,并对比了不同分类算法对特征融合的有效性与负荷辨识能力。结果表明,该算法利用不同特征之间的互补性,克服了使用V-I轨迹特征无法反映设备功率大小的缺点,从而提高了V-I轨迹特征的负荷辨识能力,并且在嵌入式设备中的运算速度为毫秒级。     

基于特征融合的自适应多尺度无锚框目标检测算法

为了提高 CenterNet 无锚框目标检测网络的目标检测能力,提出一种基于注意力特征融合和多尺度特征提取网络的改 进 CenterNet 目标检测网络。 首先,为了提升网络对多尺度目标的表达能力,设计了自适应多尺度特征提取网络,利用空洞卷积 对特征图进行重采样获取多尺度特征信息,并在空间维度上进行融合;其次,为了更好地融合语义和尺度不一致的特征,提出了 一种基于通道局部注意力的特征融合模块,自适应地学习浅层特征和深层特征之间的融合权重,保留不同感受域的关键特征信 息。 最后,通过在 VOC 2007 测试集上对本文算法进行验证,实验结果表明,最终算法的检测精度达到 80. 94%,相较于基线算法 CenterNet 提升了 3. 82%,有效提升了无锚框目标检测算法的最终性能     

基于四叉树的SIFT与K-D树融合的图像匹配研究

为了解决SIFT算法在立体视觉中耗时长、误匹配度高以及提取的特征点扎堆的问题,提出一种基于四叉树的SIFT与K-D树融合的快速特征匹配算法.该方法采用一种结合了自适应阈值的快速特征点提取算法提取关键点,由于所提取的关键点具有扎堆现象,故提出一种四叉树结构并将其应用到图像匹配中.利用改进的K-D树与随机一致性算法进行关键点的粗匹配与提纯.实验证明,该改进算法的平均匹配速率相比SIFT算法提高了3.35倍,匹配正确率由86.18％提高到97.53％,同时该改进算法比SIFT算法在视角、模糊、光照以及尺度变化方面更具有优越性,所以该算法能够满足高匹配率、实时性好且特征点均匀化的要求.     

多级自适应尺度的U型视网膜血管分割算法

针对视网膜血管细小和尺度变化复杂的特点,提出一种多级自适应尺度的U型视网膜血管分割算法。首先以编码-解码结构为基础引入残差模块,加强通道特征传播能力。其次在网络底部嵌入多尺度特征提取模块,旨在调整感受野有效地提取多尺度特征。同时在跳跃连接部分增加改进的自适应特征融合模块,促进相邻层次特征之间的有效融合,以提取更多的细小血管特征。最后在解码部分设置侧输出的多级注意结构对多层次特征进行自适应细化。实验结果表明,该算法在DRIVE、STARE和CHASEDB1数据集上准确率分别达到0.9645、0.9694和0.9671,灵敏度分别达到0.8417、0.8465和0.8545,AUC分别达到0.9866、0.9908和0.9877,整体性优于现有算法。     

利用遗传支持向量机进行电压暂降信号识别

针对传统电力信号识别算法中特征选取的随意性,提出了一种基于遗传支持向量机(GA-SVM)的电压暂降信号识别方法。首先通过S变换时频分析法提取该信号识别需要的可能特征集,然后利用遗传算法的全局搜索特性得到优秀特征,最后通过多分类支持向量机实现暂降信号识别并验证选取特征的有效性。仿真结果证明,该方法能快速、有效识别出电压暂降信号类型。     

融合 CNN 和 Transformer 的机器人室内场景识别

为了提高机器人在复杂的室内环境中场景识别的准确率,本文提出一种融合卷积神经网络(convolutional neural network, CNN)和视觉Transformer结构的机器人室内场景识别模型。本文模型利用CNN提取场景局部特征,然后使用视觉Transformer结构捕捉特征中远距离依赖关系,其中提出的视觉Transformer结构包括3个部分,分别是特征编码结构(Attention Embedding)、Encoder结构和一个将高层语义特征转化成像素级特征的结构(Attention Project)。本文研究的机器人场景识别模型利用CNN提高视觉Transformer局部细节特征的描述能力,同时通过视觉Transformer帮助CNN构建远距离特征的依赖关系,从而能够有效的表征和利用机器人工作场景图像的视觉特征。最后,通过机器人在实际工作环境中采集的数据集和开源的COLD数据集进行实验,验证了本文研究模型的有效性,场景识别精度更高。     

基于时序特征选择与改进MSPCA算法的电网暂态稳定态势智能评估

在充分利用电网海量历史运行数据及大量仿真分析数据评估暂态稳定态势过程中,恰当的选择与稳定特征以及提取非正常态势关键影响特征是实现电网暂态稳定态势评估的基础。文中提出了一种基于时序特征选择的暂态稳定态势智能评估方法。给出了基于未来运行点的邻域样本在线生成方法及稳定态势等级描述,选择输电断面作为主要特征;基于时序邻域信息度量算法,依据累积贡献率对特征降序排列,并采用基于邻域互信息的计算并伴随基于SVM的特征子集搜索实现冗余特征的剔除,形成稳定特征子集;在应用电网稳定特征子集进行态势评估场景中,采用改进的多尺度主元分析法对稳定相关信息进行提取,通过特征贡献率排序实现非正常态势关键影响特征识别。结合IEEE 39节点算例系统,仿真结果验证了文中所提方法的有效性。     

局部二进制特征描述算法综述

为引起更多机器人视觉领域的研究者对局部二进制特征描述算法进行探索和讨论,并推动局部二进制特征描述算法在图像匹配、目标识别和机器人导航等领域的应用,系统的综述局部二进制特征描述算法的发展过程以及研究进展。首先简要概述浮点型的特征描述算法,并指出研究局部二进制描述算法的必要性;然后详细的介绍基于手动设置的经典二进制描述算法及其改进方案,深入分析基于优化学习的二进制特征描述算法的优势和缺陷;最后对局部二进制特征描述算法存在的问题进行讨论,强调将当前深度学习理论与局部二进制特征描述原理相结合的重要性,同时随着深度学习理论的引入,局部二进制特征描述算法必然会更加适合机器人系统开展反恐防爆、核电安全、太空探索等特殊环境下的图像匹配和目标识别任务。     

基于改进YOLOX的地下排水管道缺陷识别算法

CCTV检测技术在地下排水管道缺陷检测被广泛应用,但CCTV收集的缺陷图像需要依赖专业的检测人员进行检测识别,结果具有一定主观性且耗费大量时间。为了实现地下排水管道缺陷检测识别自动化,提出了一种基于改进YOLOX的地下排水管道缺陷识别方法。首先针对数据集过少的问题,通过StyleGAN2对原始图像进行预处理,生成多缺陷图像。其次,为了提高检测精度,对YOLOX的特征融合层进行改进,借鉴空洞空间卷积池化金字塔思想并引入SE注意力机制解决顶层特征仅包含单尺度特征且不与其它特征图进行融合的问题,同时设计了一种基于权重的特征融合模块,解决不同特征层融合带来的特征混叠问题。最后,将YOLOX边界损失函数改为CIOU,提高目标检测框回归的效率。实验结果表明,所提的算法能够很好对沉积、渗漏、树根入侵、裂缝和错口5种缺陷进行识别,mAP达到68.76%,相比原始YOLOX算法提升了1.62%。     

灰度纹理与油气特征融合的油纸绝缘老化状态评估

针对单一局部放电特征辨析老化信息量存在精度不足的问题,提出一种基于局部放电灰度纹理特征与油气特征的D-S证据融合识别方法,对油纸绝缘老化状态进行分析。首先,通过试验构造人工油纸绝缘内部气隙模型,模拟变压器内部实际运行环境,采集油纸绝缘7个老化层级的局部放电信号及油中气体含量,提取各老化层级的灰度纹理特征、统计特征及油气特征,利用支持向量机进行识别。将灰度纹理特征和油气特征的识别结果输入到D-S证据融合框架中进一步识别分析,识别结果与单一特征及其他两两特征融合结果比较。试验结果表明：基于灰度纹理特征与油气特征的D-S证据融合方法对油纸绝缘老化状态的识别效果更佳。     

基于振动和电流信号多域特征联合的高压断路器储能状态辨识方法

为实现高压断路器的储能状态辨识,提出了一种基于伴随振动和电流信号多域特征提取的储能状态辨识方法。对振动信号进行倒频谱分析提取频域周期分量特征来体现电机周期性转动轨迹的基频和高频特性;采用相空间重构理论经关联积分法获取相空间域关联维数与Kolmogorov熵,定量评估储能过程随机运动的复杂程度;计算电机电流持续时间、起始电流值及偏度时域特征,与振动信号特征构建多域联合特征向量;通过支持向量机算法实现断路器储能状态辨识。实验结果表明,基于振动和电流信号多域联合特征的辨识算法准确率达到97%,有效地提高了断路器储能典型工况的识别准确率。     

灰度纹理与油气特征融合的油纸绝缘老化状态评估

针对单一局部放电特征辨析老化信息量存在精度不足的问题,提出一种基于局部放电灰度纹理特征与油气特征的D-S证据融合识别方法,对油纸绝缘老化状态进行分析。首先,通过试验构造人工油纸绝缘内部气隙模型,模拟变压器内部实际运行环境,采集油纸绝缘7个老化层级的局部放电信号及油中气体含量,提取各老化层级的灰度纹理特征、统计特征及油气特征,利用支持向量机进行识别。将灰度纹理特征和油气特征的识别结果输入到D-S证据融合框架中进一步识别分析,识别结果与单一特征及其他两两特征融合结果比较。试验结果表明：基于灰度纹理特征与油气特征的D-S证据融合方法对油纸绝缘老化状态的识别效果更佳。     

一种强噪声背景下地铁车轮轴承故障信号的特征提取方法

针对地铁车轮轴承的声学法故障诊断中背景噪音大、难以提取出有效故障特征的问题,提出了一种在强噪声背景下故障特征提取的方法。对声音信号进行短时傅里叶变换(short-time Fourier transform,STFT)得到时频图,时频图中的条纹就是故障特征;沿条纹方向将图像各个点的信号强度相加,得到时频图对应的信号强度叠加折线图来展示故障特征,并且提出一种基于峰值高度的自适应循环降噪算法对信号强度叠加折线图进行降噪,得到该折线图的评价指标为有效峰值数目;最后提出一种自适应滑动窗口检测法来截取时频图中条纹分布的区域,以此来得到最优的故障特征展现效果。实验结果表明,所提出的方法可以从采集的音频信号中提取出来明显有效的故障特征。     

一种电能质量多扰动分类中特征组合优化方法

针对电能质量扰动分类中冗余特征量造成分类器训练困难、分类准确率下降的问题,提出一种基于改进遗传算法的特征组合优化方法。该方法对信号进行小波变换,提取各层的改进小波能量熵作为原始特征,并构造一种基于欧氏距离的适应度函数,采用改进的自适应遗传算法对原始特征进行筛选和优化组合,形成用于电能质量扰动分类的最优特征组合。分别采用二分类-支持向量机法(Binary-SVM)、多标签径向基神经网络(ML-RBF)和多标签K近邻法(ML-KNN)对不同噪声情况下的电能质量单一扰动和混合扰动进行分类,仿真结果验证了所提特征组合优化方法能有效提高分类器的训练速度和分类准确率。     

基于深度学习的钢筋绑扎机器人目标识别定位

为了解决钢筋绑扎机器人对绑扎点识别准确率低,定位精度差的问题,提出一种基于深度学习的钢筋绑扎机器人目标识别与定位方法。首先采用YOLOv4算法对绑扎点目标框识别和裁剪,完成绑扎点初始定位;其次设计轮廓角点选取方法,利用角点计算绑扎点的图像坐标;之后通过融入CBAM注意力机制改进Monodepth算法的特征提取部分,解码部分引入路径增强PAN结构,以提高模型的特征提取能力,进一步提高立体匹配精度;最后通过双目立体视觉定位技术获得绑扎点深度信息,并由坐标变换求解钢筋绑扎机器人手眼坐标系映射关系,从而实现对绑扎点的精确识别和定位。实验结果表明：该方法针对绑扎点目标框的识别准确率达到了99.75%,每秒传输帧数达到54.65;在空间中的定位精度最大误差为11.6mm。可较好地识别定位绑扎点位置,为自动绑扎工作提供有力支持。     

基于双通道混合网络融合支持向量机的电容层析成像流型辨识

针对两相流流型辨识精度低的问题,提出一种基于双通道混合网络融合支持向量机的流型辨识算法。通过多尺度卷积核对电容向量进行多尺度特征提取丰富特征层信息,利用压缩激励网络(squeeze-and-excitation networks,SENet)关注卷积核通道上重要特征张量,调整各通道的重要占比,此外引入多头自注意力机制对电容向量的深度特征进行学习。将带有SENet的多尺度卷积通道与多头自注意力通道进行特征融合形成双通道辨识模型,最后将双通道模型有效捕捉到的电容向量特征的特征送入支持向量机中进行训练并测试。仿真实验结果表明,相比于BP神经网络、SVM、1DCNN算法,所提算法在流型辨识中的平均辨识率显著提升,高达98.6%。