考虑反射强度的全自动运行列车障碍物检测算法研究

针对轨道交通全自动运行列车轨行区障碍物检测问题,提出了一种基于激光雷达的且考虑激光反射强度的障碍物检测算法.该算法使用欧式聚类法对点云进行聚类,并结合了自适应的反射强度阈值处理以及体素滤波器、聚类半径差异化等方法,提升算法的障碍物检测速度与精度.实验表明该算法具有良好的检测性能.     

基于YOLOv5s-FCS的钢材表面缺陷检测

针对传统钢材表面缺陷检测方法易出现误检、漏检和部分缺陷种类检测精度低等问题,本文设计了一种钢材表面缺陷网络YOLOv5s-FCS。首先本文引用了FReLU激活函数构建了卷积模块CBF,有效增强了网络的空间解析能力,优化了网络检测精度;其次,本文将坐标注意力机制嵌入到网络的neck部分来增强网络特征融合的能力,从而使网络能够提取更加丰富的特征信息;最后,将YOLOv5s的损失函数替换为SIoU loss,提高了预测框的回归精度。通过在NEU-DET数据集上进行消融实验、可视化对比实验,结果表明,YOLOv5s-FCS网络的mAP值达到了0.747,相较于原YOLOv5s网络提高了8.3%,相较于YOLOv3网络提高了11.8%,相较于YOLOXs网络提高了4.2%,相较于YOLOv6s提高了1.4%,验证了该方法的可行性、有效性。     

非约束环境下的实时人脸检测方法

在不受限制的场景下,人脸检测大多部署在移动端或者边缘设备上,这些设备计算能力低且内存较小.使用无锚检测思想,基于CenterNet无锚检测器,提出以人脸为点的检测方法.不需要人工预先设置锚框,也不需要使用非极大值抑制来后处理,模型变得简单且高效.模型的骨干网络使用改进的ShuffleNetV2,轻量级网络保证了模型参数...     

基于深度学习的轻量级道路障碍检测算法

道路障碍检测是智慧交通和无人驾驶的重要组成部分。针对道路障碍检算法的参数量过大、占用内存过多、难以在内存和算力有限的设备中使用等问题,本文提出一种轻量级的道路障碍检测算法。在YOLO v4的基础上,使用MobilenetV3作为模型的主干网络,减少模型参数,提高检测速度;改进模型中的PAN结构,将主干网络中更浅层的特征图提取融合,改善小目标检测不佳的问题;在特征融合部分加入ECA注意力机制提升网络整体精度;提出一个新的DBR模块,使网络整体相比之前更加轻便。使用改进后的模型在自制数据集中进行检测,与Mobilenetv3-YOLO v4相比,精度提升5.24%,参数量降低35.5%,F达43.8,满足实时应用的技术要求,表明模型可以嵌入到小型移动设备,达到良好的实时效果。     

还原增感浓度对AgCl光电子衰减的影响

还原增感是三大化学增感类型之一.近10年来,还原增感的机理以及过程的控制,越来越受到感光科学工作者的关切和注意.主要利用微波介电检测技术,测得自由光电子与浅束缚光电子衰减行为随还原增感浓度的变化.实验发现:还原增感浓度低时,增感中心起空穴陷阱作用;还原增感浓度高时,增感中心起深电子陷阱作用.根据光电子衰减行为随增感浓度的变化得到了最佳增感浓度.     

小波变换及其在语音信号处理中的应用

人们为了了解自然界的规律,或是为了解决工程中的一些问题,需要对各种各样的信号进行分析,在小波变换出现以前,应用最广泛的是傅立叶变换.但是在利用傅立叶变换分析信号时,存在着某些缺陷.小波变换基于海森堡测不准原理解决了局部时间信号分析的难题,发展了信号分析的方法,成为了当代信号分析的主要工具之一.由于语音信号的复杂性,以及在某些方面与小波变换的相似性,使小波变换在语音信号处理有着很广泛的应用.本文对小波变换及其在语音信号处理中的应用进行了简要的综述.     

高斯-拉普拉斯边缘检测算子的扩展研究

针对经典的高斯-拉普拉斯（LOG）边缘检测算子是各向同性的,对各个角度方向的图像边缘检测的力度是相同的特性,对经典LOG边缘检测算子引入了角度信息参量进行推导,使以圆为对称的经典的LOG边缘检测算子变成为以椭圆对称,并且可以在坐标轴旋转任意角度的边缘检测算子,增强了其边缘检测的功能,使之能对不同角度方向的边缘更加有效地进行检测．经过在Matlab里对同一幅图像进行比较实验,对于图像中不同角度的边缘均能相应地进行提取．扩展后的LOG算子,不仅增强了边缘检测算法功能,而且完全保留了经典LOG算子原有的优点．     

基于联合卡尔曼滤波器的燃料电池传感器故障检测与容错研究

介绍了基于多传感器信息融合技术的联合卡尔曼滤波器的结构和算法,并将此方法运用于燃料电池发动机多传感器的复杂系统中．理论分析与仿真结果表明,该联合卡尔曼滤波器设计合理,其融合算法具有全局最优性,能够有效地对燃料电池发动机传感器的故障进行检测,改善了系统的容错能力和复原能力,提高了系统运行的稳定性．     

基于LMKL和OC-ELM的航空电子部件故障检测方法

针对航空电子部件故障样本获取困难以及检测准确率不高的问题,提出基于局部多核学习(localized multiple kernel learning, LMKL)和一类超限学习机(one-class extreme learning machine, OC-ELM)的故障检测方法。仅运用正常状态的小样本数据,给出了LMK-OC-ELM的数学表达形式,并在不同的门模型下推导了LMK-OC-ELM中局部核权重的优化方法;在获取局部核权重的基础上,定义了离线故障检测所需的统计检验量与阈值,以便工程实现。将所提方法应用于某型接收机,结果表明,在训练时间可控的前提下,与4种常见的一类分类(one-class classification, OCC)算法相比,所提方法可均衡地提高召回率、查准率和特异度,以LMK-OC-ELM-sig为代表,其在F1、曲线下方面积(area under curve, AUC)、G-mean和准确率4个指标上,比最近提出的局部多核异常检测(localized multiple kernel anomaly detection, LMKAD)方法分别提高了1.60%、1.57%、1.53%和2.23%。