基于纳米粒子的光纤LSPR传感器用于检测超级电容器电极表面电荷状态

随着环境问题日益严重,具有环保清洁特质的超级电容器等新能量存储设备得到广泛关注.因此,对于实时灵活地评估能量存储器件的运行机理和充电状态(State of charge,SOC)仍然具有挑战性.电化学分析法是研究电极反应机理和电极过程动力学的重要方法,但有时不能实时在线监测内部电极的表面电荷状态.透射电子显微镜和X-射线衍射仪等检测设备由于体积庞大和价格昂贵等原因,限制了对超级电容器的原位监测的发展.提出了一种灵活便携的光纤局域表面等离子体共振(Local surface plasmon resonance,LSPR)探针,用于超级电容器内部电极的电荷量实时在线分析.将负载金纳米粒子的反射式光纤LSPR传感器贴合超级电容器电极表面,结果表明,此结构可以灵敏地监测超级电容器充放电过程中的电极表面电荷状态;通过与传统电化学工作站的结果比较,该方法得到的电荷状态与实际电荷量具有良好的线性关系,有效拓展了光纤传感器在能量检测领域的研究与应用.     

基于改进欧几里得聚类的激光雷达障碍物检测

针对传统的欧氏聚类算法无法同时对近处和远处的障碍物点云进行精准检测和分割,容易造成错检和漏检的情况,提出一种欧氏聚类算法的改进方法,可以根据点云与激光雷达之间的距离动态地选择阈值,从而快速且准确地完成聚类.实验表明:该方法能同时对近处和远处的障碍物点云进行快速且准确的聚类.     

基于规则分组的DFA正则表达式匹配算法

模式匹配因误报率低和漏报率低被入侵检测所采用.在使用正则表达式构造DFA时,因状态爆炸导致匹配算法需要较多的存储空间和运行时间,算法效率低下,采用规则分组后,可以在一定程度上抑制状态爆炸问题.根据缓存中的历史记录对正则表达式进行分组,既能利用规则分组减少状态总数,抑制状态爆炸,又能减少因每次重新构建DFA所带来的开销,提高了匹配效率,有利于提高入侵检测的实时性、准确性和高效性.     

基于改进K-means算法的工件表面缺陷分割算法研究

工件表面缺陷的存在影响工件产品的质量以及工件的安全使用,传统的工件表面缺陷检测由人工完成,工作量大且易受到检测人员主观因素的影响,很难保证检测的效率与精度.本文提出了一种基于改进的K-means算法的工件表面缺陷分割算法,将自适应人类学习优化算法应用到K-means聚类算法中,使自适应人类学习优化算法初始化K-means聚类算法的聚类中心,最后将改进的K-means聚类算法结合形态学进行工件表面缺陷的检测.实验表明,该算法能够较理想的分割出工件表面的缺陷,具有分割精度高、实用价值较好的特性.     

自适应跌倒前实时检测方法

为了能利用单一传感器在跌倒撞击前实时检测出跌倒即将发生,结合支持向量机(SVM)和阈值法设计了一种自适应跌倒前实时检测方法.实验结果表明,该方法能在跌倒撞击前实时检测出跌倒即将发生,且比人工阈值法和SVM方法有更长的间隔时间,比SVM方法有更高的召回率和特异度.     

基于中心点和双重注意力机制的无人机高分辨率图像小目标检测算法

无人机拍摄的图像具有分辨率高、视野大以及目标小的特点，而现有的目标检测方法对小目标特征的提取能力不足。为此，首先采用以中心点表示目标的检测网络CenterNet，引入可变形双重注意力机制，以提高对小目标的特征表达能力；然后针对原始非极大值抑制难以处理嵌套型冗余框的问题，在冗余检测剔除过程中提出了广义非极大值抑制方法；最后引入LegoNet卷积单元，减少了卷积参数，实现了精度与速度的平衡。实验主要采用的验证数据集为VisDrone2019和UAV_OUC，UAV_OUC数据集相比于VisDrone2019，其图片具有更高的分辨率。相比于CenterNet，所提出的方法在数据集UAV_OUC和VisDrone2019上的检测精度大约分别提高了10%和2%。     

基于EMD能量占比的海面漂浮小目标特征检测

针对传统的时频分析方法对海杂波分析有限的问题，提出一种基于经验模态分解(empirical mode decomposition, EMD)能量占比的海面漂浮小目标特征检测方法。首先，采用EMD将接收回波分为独立不同尺度的若干个固有模态(intrinsic mode function, IMF)分量，实现对接收回波的频率从高频到低频的分解。然后，分别建立IMF分量与接收回波数据的相关系数，并利用平均均值-标准差之比作为筛选IMF分量的准则，自动筛选出能量较大且波动平稳的低阶IMF分量。最后，提取IMF分量在原始信号中的平均能量占比作为特征，利用蒙特卡罗方法设置门限，进行海面目标异常检测。实测数据的结果显示，所提算法的性能优于对比算法。     

目标边缘特征增强检测算法

针对分组角点检测网络在目标检测过程中,由于目标尺寸过小或同类目标空间距离较小而导致检测失效的问题,提出一种边缘特征增强的CornerNet目标检测算法OEC。该算法通过分离特征的高低频信息提取更多的高频信息,增强目标的边缘轮廓特征,解决关键点定位不准确的问题,提高目标的框定效果,进一步提升检测精度。仿真结果表明,该算法对行人、车辆等目标检测效果均有提高,在COCO数据集上的检测结果与CornerNet相比,mAP提高0.9%,可应用于无人驾驶与智能机器人等场景。