基于语义分割算法的水库漂浮物智能识别

为了满足水库漂浮物强监管的需求，发挥水库水雨情视频监控的优势，将语义分割算法DeepLabV3+应用于水库漂浮物智能识别任务中。首先，通过多要素数据采集方法以及多种图像数据增强方式系统性整合得到水库漂浮物语义分割数据集。然后，提出改进的加权代价函数，以适应数据集中各类的总像素数量不平衡的问题。实验结果表明，通过规范采集与多种数据增强建立的数据集，以及改进的加权代价函数，提高了水库漂浮物语义分割模型的准确率。所提模型像素准确率平均值、平均交叉比分别可达到95.21%、91.03%，通过微信企业号实现的移动监管，可为水利相关部门对水库漂浮物进行及时的智能监控预警提供新的技术方案。     

应用膨胀算法提取目标的直接定位算法

为了解决被动雷达系统中的多发射源定位问题，提出了一种基于多重信号分类(MUSIC)算法和图像膨胀(IE)算法的直接定位方法。该方法结合了谱分析中的MUSIC思想，通过对接收量测协方差矩阵进行特征分析求解目标的位置。首先，在目标个数未知的前提下，利用Akaike信息准则(AIC)来确定模型阶数；然后，推导了基于MUSIC的定位代价函数；之后，利用图像膨胀算法处理得到的代价函数平面；最后，膨胀处理后的输出为目标个数及目标位置的估计值。提出的算法有效地解决了目标检测及提取的问题，能够确定多个目标的位置坐标，为后续的定位性能分析提供可能性，也保证了算法的完整性。进一步地分析了多个临近目标情况下影响目标提取性能的主要因素。     

基于时空的弱点状运动目标检测技术

如何在复杂背景下持续有效地检测目标位置,一直是研究者们需要面对的主要挑战。本文在研究红外点状移动目标特征的基础上,根据目标无纹理,无形状的特性,提出一种改进的形态学目标增强算法,并利用目标连续时空不变性检测目标。首先,建立多尺度的图像金字塔,在每层上采用改进的形态学算法快速、粗糙定位小目标。然后进一步的根据目标在时空上的位置相关性,提出基于目标运动特征分析的精确检测方法。得到精确稳定的检测结果。最后实验结果表明与经典的形态学检测算法及其他算法相比,该技术能更有效地检测弱小目标,具有更高的鲁棒性。     

基于多尺度双线性卷积神经网络的多角度下车型精细识别

针对多角度下车辆出现一定的尺度变化和形变导致很难被准确识别的问题，提出基于多尺度双线性卷积神经网络（MS-B-CNN）的车型精细识别模型。首先，对双线性卷积神经网络（B-CNN）算法进行改进，提出MS-B-CNN算法对不同卷积层的特征进行了多尺度融合，以提高特征表达能力；此外，还采用基于中心损失函数与Softmax损失函数联合学习的策略，在Softmax损失函数基础上分别对训练集每个类别在特征空间维护一个类中心，在训练过程中新增加样本时，网络会约束样本的分类中心距离，以提高多角度情况下的车型识别的能力。实验结果显示，该车型识别模型在CompCars数据集上的正确率达到了93.63%，验证了模型在多角度情况下的准确性和鲁棒性。     

《石油矿场机械》(月刊)投稿须知

<正>1.文章论点明确,论据充分,文字表达精炼,内容齐全完整,论文一般不超过6 000字(包括图、表)。2.文章撰写顺序:1文题(力求简明,一般不超过20字);2作者姓名、工作单位、通讯地址和邮编;3中文摘要(200~300字),中文关键词(3~8个);4中图分类号,文献标识码(由编辑部给出),5正文(要求层次清楚);6参考文献,7英文部分包括:文题、作者姓名、工作单位、摘要、关键词(与中文相对应)。3.正文应分条目书写,用阿拉伯数标条目,二级条目用点区分,例如:1.1,1.2,…,1.2.1,1.2.2等。文稿中公式书写正确     

拉丁藏文字转写成UNICODE藏文字的算法研究

文中对拉丁藏文字和传统藏文字结构进行了分析,建立了271个藏文字部件库和相应对照库,根据对照库和拉丁藏文字的特点,提出了拉丁藏文字转换为传统藏文字的算法,该算法简化了拉丁字母与Unicode藏文字母之间的转换过程,降低了算法复杂度。试验表明除了藏文梵文外,对现代藏文字的转换准确率达到了100%。     

基于推断策略多介质反应温度控制系统研究与实现

针对反应釜夹套多种热/冷介质温度自动控制检测硬件复杂、实现困难等问题,分析了夹套介质切换操作过程,提出了基于推断识别的夹套介质自动切换解决方案,最大程度地简化了系统硬件配置。通过记忆阀门操作推断识别夹套内当前介质,替代在线检测与分析物质成分检测系统。分析了影响压空时间的因素,关联了压空时间与压空用压缩空气压力的关系,并根据压空操作时间推断判定夹套介质压空终点,解决了传感器检测压空操作终点存在的问题。设计了基于推断识别的夹套介质自动切换控制系统,实际应用中克服了人工操作过程复杂、效率低和易出错等问题。实际应用表明,该方案介质切换的效率高、安全可靠。