基于AOD-Net和SSD的雾天车辆和行人检测

为了提高智能汽车在恶劣天气下的环境感知能力,提出一种针对雾天环境下车辆和行人的检测方法。将AOD-Net去雾算法与SSD目标检测算法相结合,实现了城市交通雾天环境下的车辆和行人检测。利用去雾处理后的雾天图片和原始带雾图片分别进行目标检测模型训练,并在不同雾浓度等级的交通环境下进行车辆和行人检测,结果显示:AOD-Net与SSD网络相结合得到的检测mAP值可达75.8%,比SSD算法的m AP值高4.1%,表明AOD-Net与SSD网络相结合的算法能更加有效地检测带雾图片中的车辆和行人。     

基于改进型SSD算法的目标车辆检测研究

车辆目标检测中,原始SSD(Single Shot Multi Box Detector)算法区域候选框尺度分布与特定的车辆数据集存在着偏差、冗余,导致检测准确度低,且相互重叠的目标检测较弱。重新设计了SSD算法的区域候选框,使其更符合特定数据集的分布,并在SSD算法的损失函数基础上增加排斥损失提高对重叠目标检测。实验对比原始SSD网络和改进型SSD网络。结果表明:在检测的类别置信度为0. 6条件下,改进型SSD网络检测的mAP值为91. 79%,重叠目标检测的mAP为86. 36%,相比于原始SSD算法分别提高了4. 3%和3%。     

基于超分辨率模型与YOLO V4的织物疵点检测

针对工业条件限制下采集的印花布数据集图像分辨率低、检测效果差等问题，课题组提出基于超分辨率模型SRGAN与YOLO V4网络的织物疵点检测方法，并对SRGAN算法进行改进。课题组首先使用改进的SRGAN算法对原数据集进行超分辨率重构，提高图像分辨率；然后将重构图翻转变化与原图共同作为数据集输入YOLO V4进行网络训练；最后通过YOLO V4网络检测印花布表面疵点。实验结果表明：该方法可提高低分辨率织物图疵点检测效果，准确率高达90.29%，比超分辨率重构前提升了13.19%，能实现实时定位疵点的准确位置并输出疵点类别。     

基于改进型SSD的多类汽车车身冲压件识别算法

智能机器人在汽车生产制造中有着重要意义,准确地识别抓取任务中的目标是基于视觉引导的汽车车身冲压件抓取系统的基础。针对传统工件识别算法人工提取特征困难、通用性差、识别率不高且易受环境因素影响等问题,首先采用深度学习SSD网络模型对10类汽车车身冲压件进行识别。在此基础上,为了提高工件识别准确率,改善工件相互遮挡情况下识别差的问题,提出一种改进的SSD算法,引入残差网络,采用Resnet-50替换原SSD的基础网络VGG-16。实验结果表明:原始的SSD网络在自制的工件数据集评估集上的平均准确率均值m AP为92. 3%,改进后的SSD网络检测的平均准确率均值m AP为98. 3%,比原始的SSD网络提高了6%,基于Resnet-50改进的SSD模型具有更高的识别准确率、更好的遮挡识别效果以及更强的泛化性能。     

基于改进的TCM-KNNDoS检测算法

由于实现方式简单、攻击形式多样、威胁范围广、不易防御和区分,拒绝服务(DoS)攻击已经成为网络的最主要安全威胁之一。该文提出了一种ITCM-KNN算法,在此基础上建立了DoS检测框架。使用标准数据集KDD Cup 1999进行算法验证和分析实验。采用基于信息增益算法选择了5个特征,在保证高检测效果的同时减少了特征的维数。该算法不需要对攻击进行学习和建模,使用少量的正常样本作为训练集,提高了检测性能。实验结果表明,改进的TCM-KNN算法检测率高于SVM等算法,达到99.99%。     

一种改进YOLOv3的绝缘子检测方法

针对无人机巡检图像中绝缘子识别精度不高的问题,提出了一种基于YOLOv3的目标检测方法。该方法通过将YOLOv3主干网络16倍下采样单元中原始卷积层替换成扩张率为2的空洞卷积层,增大了卷积层感受野,卷积网络在保证分辨率的同时融合了更多的目标信息,有效提高了检测网络的识别精度。此外,考虑到输电线路中绝缘子具有细长型特点,方法对k-means聚类算法中距离度量公式也进行相应改进,聚类出更适合绝缘子特征的anchor框尺寸。实验结果表明:在保证实时性的前提下,改进后的YOLOv3网络结构与经典的YOLOv3网络结构相比较,其目标检测召回率从80.3%提高到89.1%,识别精度从83.9%提高到91.8%,可为后续的绝缘子故障识别提供技术支持。     

基于改进Yolo v5的织物缺陷检测方法

针对纺织品表面缺陷检测算法速度低、泛化性能差及鲁棒性弱等问题，课题组提出了一种基于改进Yolo v5的织物表面缺陷检测方法。在Yolo v5骨干网络的基础上增加了卷积注意力模块，增强目标检测网络对特征图中重要信息提取并弱化无关特征；针对网络特征融合阶段特征尺度不一致造成的冲突问题，引入自适应空间特征融合的方法；在训练过程中使用迁移学习加快训练速度。实验结果表明：与未改进的Yolo v5算法相比，所提出的检测框架能够有效提高网络精度达98.8%，检测速度达83 帧/s。该检测方法能满足实际工业要求。     

基于风险数据挖掘追踪技术的网络入侵检测研究

网络入侵检测是通过分析网络流量行为来识别网络中恶意活动的过程,针对网络入侵检测面临的海量数据入侵检测的挑战,提出了一种新的基于KDD CUP 99数据集的特征选择算法,将基于滤波器和包装器的方法相结合,选择合适的特征进行网络检测入侵。首先,基于训练数据的一般特征对特征进行评价,不依赖于任何挖掘算法;然后,采用互信息萤火虫算法(MIFA)作为基于包装器的特征选择策略进行特征提取,进一步基于C4. 5分类器和基于贝叶斯网络(BN)的分类器,结合KDD CUP 99数据集对得到的特征进行分类;最后,将提出的方法与已有的工作进行比较。实验结果表明:10个特征足够检测入侵,并提高了检测精度和假阳性率。     

基于YOLO-GT网络的零售商品目标检测方法

提出改进的YOLO-GT深度学习网络,实现基于嵌入式平台的零售商品数据集RPC的图像目标检测。YOLO-GT网络以YOLOv3-Tiny网络为基础,采用线性扩展优化用于特征提取的卷积层,并将深度学习网络浅层信息与深层信息融合使得网络成为三尺度预测网络,提高网络对小目标商品的识别能力。YOLO-GT采用Mish函数优化了网络激活函数,并重新利用FCM聚类算法生成多个新的先验框。利用RPC零售商品数据集在嵌入式平台Jetson nano核心板上实验,YOLO-GT网络对于每张图片的平均检测速度为342.67 ms/张,平均检测准确率(m AP)为97.21%,与YOLOv3-Tiny相比,检测速度提升了57.81%,m AP提升了1.84%,并降低了小目标漏检率,能够满足使用要求。     

基于节点影响力的标签传播社区检测算法

针对标签传播社区检测算法(LPA)存在随机性、结果不稳定的问题,提出一种基于节点影响力的标签传播社区检测算法(KLPA)。新的算法在标签初始化时,通过k-shell分解方法评价网络中的节点影响力,选取网络中部分k-shell值较大的节点组成种子节点集并分配给每个种子不同的标签。其次在标签传播过程中,根据标签传播能力对LPA算法的节点标签更新策略进行改进。在真实网络数据集上的实验表明:KLPA算法在不提高复杂度的情况下,改进了算法的稳定性,提高了社区检测的质量,并且减少了算法迭代次数。     

基于优化YOLOv3算法的违章车辆检测方法

对YOLOv3算法模型进行改进,增加多个尺度检测,提高模型对小目标物体的检测能力,并增加聚类算法生成的anchors的数量,提高目标检测的准确率。在真实交通卡口数据集上进行测试,改进后的YOLOv3算法的m AP达到了92.53%,帧频为44.58 FPS,满足实时检测的需求。实验结果表明:优化后的YOLOv3算法在违章车辆检测中的性能优于原始的方法,并且检测速度能够保持实时性。     

融合跨阶段局部网络和空间金字塔池化的Yolov3目标检测算法

实际的检测任务中往往存在复杂的环境与背景,容易造成边界框的定位不够准确、对各尺度的目标检测精度不高等情况。为了进一步提高Yolov3的检测精度,本文在原算法的基础上提出一种融合跨阶段局部网络和空间金字塔池化的Yolov3目标检测算法。首先,将主干网络融合跨阶段局部网络CSPNet来提高网络的学习能力;其次,引入一种改进的空间金字塔池化结构增强网络的局部区域特征;最后,在损失函数中融入focal loss解决正负样本不均衡带来的问题。实验表明:改进的Yolov3算法在检测性能上优于原算法。     

基于数据驱动的车身不确定性优化方法

为了解决无人承载式车身在复杂工况下由于非线性耦合导致目标函数求解困难的问题,提出基于数据驱动和多目标遗传算法相协同的不确定性优化方法。数据集以车身各结构面的特征尺寸作为输入参数,以车身满载扭转工况最大等效应力、自由模态基频频率和车身侧倾工况的最大等效应力作为输出参数。通过灵敏度分析法分析车身的特征尺寸和优化结果的相关程度。基于支持向量机对数据集进行分类,从种群中筛选出符合期望的个体。基于改进的遗传算法的种群重组方法,使寻优算法在解空间范围内进行全局搜索,获得Pareto最优解。结果表明:被优化的特征尺寸总体减小,且车身优化后最大扭转应力下降8.53%,最大侧倾应力下降4.65%。     

基于YOLOv4网络的违章行为检测算法

为了对数量庞大的车辆进行有效管理,使用违章行为检测算法对违章行为进行检测,从而能够更好地通过处罚、警示等手段促使驾驶人遵守交通法规,减少交通事故的发生。针对传统违章检测算法的准确率低、适应环境能力差等问题,使用基于深度学习的违章检测算法,提高违章检测算法的检测效率、准确率,增强其环境适应能力。针对驾驶人在行驶过程中使用手持电话这一违章行为,使用YOLOv4网络在交通卡口数据集下进行目标检测,检测的m AP可达91.59%,帧频为38.41 FPS,准确率较高且可以达到实时检测的要求,并根据设计的违章判据,能够准确地判断当前所检测的车辆驾驶人在行驶过程中拨打手持电话的违章行为。     

改进的CornerNet-Saccade车辆检测算法

针对现有的CornerNet-Saccade算法在车辆检测任务中存在明显的误检和漏检现象,提出了一种改进的CornerNet-Saccade算法。首先通过加深堆叠沙漏网络结构,增强车辆高级特征提取能力;其次,增加更小尺度的attention maps以改善小目标车辆的检测能力,引入Dense Block模型和瓶颈残差单元降低堆叠沙漏网络参数的复杂度,保证层与层之间的最大信息流;最后,通过Sigmoid激活函数得到最终的检测结果。在KITTI数据库和自制数据库上对改进算法进行了仿真实验,平均精确率分别达92.56%和95.21%,检测速度分别达40 FPS和49FPS,同时在自制数据库上对原CornerNet-Saccade算法和改进算法进行了仿真实验,精确率和召回率相比原算法分别提高了3.8%和8.5%。结果表明:此改进的CornerNet-Saccade算法在车辆检测任务中具有明显优势。     

信道与能耗感知的农田WSN机会路由优化方法

在农田无线传感器网络监测应用中,由于环境遮挡与作物生长引起的信号多尺度效应造成网络链路质量不稳定,进而影响数据汇集性能。针对该情况,同时考虑到农田WSN的能量受限问题,提出了一种农田信道和能耗感知的机会路由优化方法。基于农田信道模型估计链路连通概率,建立节点机会转发能耗预测模型,根据不同机会转发路径的中继概率得出其转发能耗期望,在候选转发集构建与排序时同时考虑路径期望能耗和节点剩余能量,以提高节点间、路径间的能量均衡性能。通过仿真实验将改进机会路由算法与LCOR、IOP、IPOR-OE算法进行对比,结果显示:网络生命周期CECOR算法的网络生命周期约为LCOR的2.2倍、IPOROE的5.2倍、IOP的8.7倍,最大能耗均方差分别是LCOR的3/4、IPOR-OE和IOP的1/2。从结果可以看出,改进算法延长了网络生命周期,提高了网络节点间能耗均衡性能,有助于实现农田监测网络的长时间稳定工作,实现了预期研究目标。     

基于辐射源信号特征信息的JPDA无源跟踪算法

提出一种基于信号特征信息的改进联合概率数据互联算法,该算法不仅利用目标状态空间信息同时利用了目标特征信息计算互联概率。在航迹交叉和近距离情况下,传统算法出现目标航迹丢失,而改进算法可正常工作。通过计算机仿真证明了改进算法的有效性。     

卷积神经网络在SAR目标识别中的应用

针对SAR目标识别问题,提出了基于卷积神经网络的SAR目标识别方法,并在此基础上对算法进行改进,提出CNN-SVM模型。将传统卷积神经网络的soft-max分类器替换为支持向量机,并对卷积神经网络提取的特征进行分类。首先对样本做剪裁、去噪处理,然后通过加噪、去噪等方法对样本进行扩充。通过对MSTAR数据集进行仿真发现:传统的卷积神经网络和改进后的卷积神经网络对3类目标的最佳识别正确率分别为97.5%和99.4%,证明了所提算法的有效性。     

基于多节点姿态信息融合的行人步长估计算法

针对单节点行人惯性定位算法中步长计算精度较低的问题,提出了一种基于多节点运动姿态信息融合的行人步长估计算法。首先,根据行走时足部节点Z轴加速度与X轴角速度的波峰、波谷值变化特征检测行人的步态;其次,通过腿部4个节点X轴角速度的波峰及波谷值变化特征,对足跟着地动作的识别进行约束;最后,结合行人双腿长度信息、步态检测结果及腿部俯仰角信息解算得到行人步长。实验数据表明,该步长估计算法能与身体多个部位的运动信息相结合,行人步长平均估计精度可达98.9%。     

低光照彩色图像增强算法研究

为了提高低照度条件下彩色图像增强效果,在经典Retinex理论基础上作出改进,有效改善传统Retinex算法存在光晕现象等缺陷。首先利用双边滤波器取代高斯滤波器获得反射分量;经滤波后的图像采用引导滤波处理,突出图像边缘信息,同时针对光照分量进行自适应伽马校正;为了进一步增强低光照图像中边缘细节特征,对图像的亮度分量采用混合空间增强法,最后重构图像。实验结果表明:所提方法能提高低照度彩色图像的色彩饱和度,同时增强图像边缘细节特征。