基于核优化密度聚类的绿色苹果分割算法

苹果的可见光谱目标的高效、精准识别是实现果园测产或机器自动采摘作业的关键,由于绿色目标果实与枝叶背景颜色较为相近,因此绿色苹果的识别成为新的挑战。再由于果园实际复杂环境因素影响,如光照、阴雨、枝叶遮挡、目标重叠等情况,现有的目标果实识别方案难以满足测产或自动采摘的实时、精准作业需求。为更好地实现果园自然环境中绿色目标果实识别问题,提出一种新的核密度估计优化的聚类分割算法（kernel density clustering, KDC）。新算法首先利用简单的迭代聚类（simple linear iterative cluster, SLIC）算法将目标图像分割成不规则块,集结小区域内近似像素点组成超像素区域,计算单元由像素点转变为超像素区域,有效降低数据复杂度,且SLIC算法简化图像数据时可有效避免目标果实轮廓模糊;基于超像素构造R-B区域均值和G-B区域均值的二维特征分量,建立针对聚类分析的青苹果颜色特征空间。然后借助密度峰值聚类中心计算绿色苹果图像每个数据点的局部密度和局部差异度,为解决分割边界模糊问题,在计算过程中利用核密度估计计算局部密度,确保局部密度在不同复杂场景中的清晰准确表达,以更精准找出被低密度区域分割的高密度区域,实现任意形状的聚类。最后以局部密度和距离构造寻找聚类中心的决策图,该研究采用双排序算法实现聚类中心的自动选择,完成目标果实的高效分割。新算法通过SLIC算法获得图像的超像素区域表示,数据点的局部密度通过核密度估计得到,大幅降低算法的计算量,实现目标图像的高效、精准分割。为更好地验证新算法性能,实验采集多光照、阴雨等环境下的遮挡、重叠等复杂目标图像,以分割效率、分割有效性、假阳性、假阴性等指标进行评价,通过对比k-means聚类算法、meanshift聚类算法、FCM算法和DPCA算法,该研究提出的新算法分割性能均最优。     

基于优化残差网络的复杂纹理表面缺陷检测

产品表面缺陷检测是工业自动化生产的重要环节,准确率是评价自动检测系统可靠性的主要指标。基于复杂纹理表面缺陷检测的特殊性以及对检测方法的实时性、通用性等要求,提出了优化骨干网络并使用迁移学习特征映射构建复杂纹理表面缺陷的检测方法。该方法通过优化残差网络模型并建立仿真数据集的方式进行迁移学习,以解决实际情况中复杂纹理表面产品数据集样本数量少、数据集制作困难、相似问题难以互相兼容等问题。实验结果表明,提出的方法可以准确地检测随机复杂纹理的人造木质板材表面缺陷,平均准确率可达99.6%。现有实验条件下单张人造木质板材的检测时间为305 ms,可以满足在线检测的实时性要求。研究结果可为基于深度学习的复杂纹理表面缺陷检测提供新的思路与理论参考。     

复杂环境下运动目标偏振成像检测方法研究

针对低对比度、低信噪比等复杂环境下运动目标检测失检率较高的问题,提出了基于稳定性主成分寻踪的运动目标偏振成像检测方法。首先将预处理后的连续帧偏振图像组合成一个矩阵,依据帧间图像信息相关性,建立了稳定性主成分寻踪数学模型,将该矩阵分解成低秩、稀疏,噪声三部分,其中稀疏矩阵包含了帧间目标信息;再以低秩矩阵核范数与稀疏矩阵1范数的和为目标函数,利用增广拉格朗日乘子法求得目标函数值最小时的稀疏矩阵;最后采用马尔科夫随机场滤除稀疏矩阵中的噪声。实验结果表明,该方法对复杂环境有很好的适应能力,且检测准确率优于其他算法。     

复杂环境下运动目标偏振成像检测方法研究

针对低对比度、低信噪比等复杂环境下运动目标检测失检率较高的问题,提出了基于稳定性主成分寻踪的运动目标偏振成像检测方法。首先将预处理后的连续帧偏振图像组合成一个矩阵,依据帧间图像信息相关性,建立了稳定性主成分寻踪数学模型,将该矩阵分解成低秩、稀疏,噪声三部分,其中稀疏矩阵包含了帧间目标信息;再以低秩矩阵核范数与稀疏矩阵1范数的和为目标函数,利用增广拉格朗日乘子法求得目标函数值最小时的稀疏矩阵;最后采用马尔科夫随机场滤除稀疏矩阵中的噪声。实验结果表明,该方法对复杂环境有很好的适应能力,且检测准确率优于其他算法。     

复杂背景下红外图像弱小目标检测

红外弱小目标检测是安防监控、侦察探测、精确制导等领域的关键技术。为了提高复杂背景条件下红外弱小目标检测的准确性和实时性,提出了一种基于深度学习的红外弱小目标检测算法YOLO-FCSP。根据红外图像中弱小目标的特点,在YOLO检测框架的基础上,通过减少下采样次数,结合跨阶段局部模块、Focus结构和空间金字塔池化结构设计了特征提取网络。借鉴多路径聚合的思路优化特征融合网络,同时调整检测输出层数量,通过信息复用提高特征利用效率。实验结果表明,本文提出的算法在检测红外弱小目标时具有较高的准确率和检测速度,精度和召回率分别为91.9%和94.6%,平均准确率(AP)值达到92.6%,检测速度达到170 f/s,满足实际应用中实时检测的需求。     

物联网环境下的差异网络数据库异常数据检测

当前的物联网环境下,各个智能网络的数据库的使用没有统一标准,不同生产商的数据库中的异常数据标准也不同,这就使得传统的以模式识别为基础的网络数据库异常检测方法在进行异常阀值设置时,无法形成统一标准,数据库数据量庞大且存在无序性,无法保证检测的准确性和检测效率。提出基于混沌特征分析算法的物联网环境下的差异网络数据库异常数据检测方法。依据混沌特征分析相关理论构建物联网环境下的差异网络数据库模型,构建一种异常数据的偏差函数,对不同数据库下的异常数据进行偏差统计,通过对偏差函数的统计结果进行最小值求解,根据求解描述最小化的阀值请求,实现物联网环境下的差异网络数据库异常数据的检测。实验结果表明,利用改进算法进行异常数据检测,能够提高检测的有效性与准确性。     

大数据环境下网络非法入侵检测系统设计

大数据环境下,非法入侵检测是保证计算机安全的重要手段。通过非法入侵检测,保证计算机免遭网络中木马病毒等的攻击,因此对大数据环境下网络非法入侵检测进行系统设计是必要的。目前大多数网络非法入侵检测系统是通过归纳当前网络非法入侵检测系统存在的优缺点,指出网络非法入侵检测系统存在的问题,确定其发展方向。但这种方法存在系统结构复杂,不利于维护和使用的问题。为此,提出一种基于PB神经网络的大数据环境下网络非法入侵检测系统设计方法,首先在分析大数据环境下网络非法入侵检测系统功能的基础上,对系统的模块进行设计,并分析各模块所实现的功能,在此基础上,对大数据环境下网络非法入侵检测系统的性能指标、采样芯片、USB接口控制芯片、FPGA、电源管理芯片等硬件进行设计选型,完成系统的硬件设计,并且通过PB神经网络算法提高大数据环境下网络非法入侵检测系统检测的准确性,并给出基于BP神经网络算法的入侵检测实现过程,从而实现大数据环境下网络非法入侵检测系统设计。实验证明,所提方法设计的大数据环境下网络非法入侵检测系统运行速度较快,能够及时准确对网络非法入侵行为进行检测,推动该领域的研究发展。     

分布式网络异常攻击检测模型仿真分析

针对传统的异常攻击检测方法主要以异常攻击行为规则与网络数据隶属度大小进行判别,只能针对已知异常攻击进行检测,对新型异常攻击,检测算法率低,计算数据量大的问题。提出一种新的分布式网络异常攻击检测方式,通过对分布式网络内数据进行迭代聚类将正常和异常数据进行分类,建立矩阵映射模型进行数据矩阵对比,初步对异常攻击数据进行判断。在矩阵中建立粒子密度函数,通过粒子密度变化计算其异常攻击概率,最后对其数据进行加权和波滤确定数据异常攻击特征,建立攻击检测模型。仿真实验表明,优化的分布式网络异常攻击检测模型提高了异常数据攻击检测的自适应性,在网络信号受到攻击信号干扰情况下,仍然能够准确检测出带有攻击特征的小网络异常数据。有效提高了分布式网络的检测正确率,加快了检测速度和稳定性。     

复杂背景下目标检测的级联分类器算法研究

目标检测与跟踪一直是图像处理与计算机视觉领域的热门研究方向之一,其对军事上的成像制导、跟踪军事目标等以及民事方面的安防监控、智能人机交互等方面均有着重要的研究价值.将特征匹配问题看成是一种更普遍的二分类问题,将这种难解的高维计算变成二分类问题,使计算复杂度大大减小,这类方法以大数定律和贝叶斯法则为理论依据,本文提出一种非树形结构的分类器,并从理论上推导出其实现公式,将1bitBP特征应用到分类器中,同时采用计算量由小到大的三个分类器进行级联从而实现鲁棒精确的目标检测.从实验结果来看,本文算法能够对目标的尺度变化、旋转、部分遮挡、形变、模糊、背景变化等复杂情况有较好鲁棒性,并且检测精度相对较高,而本文算法的计算复杂度低、计算量小,有较高的应用价值.     

复杂网络演化模型分析

根据复杂网络的的发展分别分析了目前复杂网络中最主要的几种网络模型,包括规则网络、随机网络、小世界网络、无标度网络和加权网络模型,并提出了进一步研究的一些方向。     

基于中红外光谱技术检测茶叶中非法添加滑石粉的研究

研究傅里叶变化红外透射光谱(FTIR)结合化学计量学方法检测茶叶中非法添加滑石粉的可行性。首先获取掺杂量不同的滑石粉(0.00, 0.15, 0.25, 0.35, 0.50, 0.65, 0.75, 0.85, 1.00, 1.10, 1.25, 1.50 mg·g-1)210个茶叶样本光谱。为了突显出光谱中的细微变化,采用Savitzky-Golay(SG) 平滑、标准化和标准正态变量(SNV)三种方法对原始光谱进行预处理。其中,处理效果最好的是SNV方法。随后探究光谱与掺杂量之间的定量关系,采用反向间隔偏最小二乘法(biPLS)和连续投影算法(SPA)的结合进行特征波数的选择,最终选出来5个特征波数。并利用偏最小二乘回归算法(PLS)和最小二乘支持向量机算法(LS-SVM)建立基于这5个特征波数的回归模型。其中LS-SVM模型具有更高的相关系数(R_P=0.921)和更小的均方根误差(RMSEP=0.131),所以该模型具有更好的稳定性及更高的预测能力。综上所述,红外光谱技术可以定量地检测出茶叶中非法添加的滑石粉。     

基于荧光光谱信息的绿色植物探测研究

针对农作物病、虫、草害化学防治时对靶变量施药以减少农药使用量、提高农药利用率的需求,本文研究了基于荧光光谱信息和主动光源方法在不同环境下探测绿色植物的方法.通过白色、蓝色和红色L ED主动光源照射样本,采集了白天室内自然光照、白天太阳直射、白天无太阳直射和夜晚黑暗环境四种场景下的绿色植物和非绿色植物样本光谱.首先基于多...     

基于共聚焦拉曼光谱技术检测茶叶中非法添加美术绿的研究

利用共聚焦拉曼光谱技术对茶叶中非法添加的重金属染料——美术绿进行检测研究。首先通过特定的浓缩方法,获取了五个浓度水平美术绿茶汤样本的拉曼光谱。通过比对标准品拉曼光谱,对混有美术绿的样本光谱进行了定性分析。并找到了能够用于定性鉴别茶叶中美术绿的4个主要拉曼特征波数,分别为1 341,1 451,1 527和1 593 cm-1。对原始拉曼光谱进行预处理后,融合反向间隔偏最小二乘(biPLS)、竞争性自适应重加权算法(CARS)和连续投影算法(SPA)对拉曼光谱中美术绿的特征波段进行深入挖掘,最终优选出了14个特征波数。基于这14个特征波数分别建立了偏最小二乘(PLS)回归模型和最小二乘支持向量机(LS-SVM)模型,结果表明,两类模型均具有好的稳健性和很高的预测能力,模型的建模集、验证集和预测集的决定系数(R2)均超过了0.9,证明了所提取出来的特征波数的有效性。与偏最小二乘回归模型相比,基于LS-SVM的非线性定量检测模型的效果更佳,预测集决定系数(R2)达到0.964,均方根误差(RMSE)为0.535。以上研究结果表明,共聚焦拉曼技术结合特定的样品处理方法及化学计量学方法,可以实现茶叶中非法添加美术绿的定量检测。该研究为茶叶中非法添加美术绿这一食品安全问题的有效监管提供了帮助。     

基于改进谱聚类的重叠绿苹果识别方法

水果的可见光谱目标识别是实现农业自动化采摘至关重要的一步。在水果识别的过程中,由于重叠和遮挡的影响使得目标识别困难,识别率不高。本文针对自然环境中果实重叠的识别问题,利用谱聚类算法对图像进行分割,然后使用随机霍夫变换实现果实的识别和定位。针对传统算法运算复杂度高,运算速度慢的问题,本文提出了基于均值漂移和稀疏矩阵原理的改进谱聚类算法。首先使用均值漂移算法对图像进行预分割,均值漂移是一种用于密度梯度的无参估计法。该算法实质是一种迭代,先计算出偏移量,根据偏移量移动点,如此反复,直到偏移量为零即收敛到一点为止。利用均值漂移算法除去大多数的背景像素,为减少谱聚类算法的计算量做准备。然后提取预分割图像的有用信息即图像中像素对之间相似度的描述,将提取的图像特征信息映射到稀疏矩阵中,并使用K-means算法将其分类。得到最终的分类结果,实现对预处理图像的再次分割。然后恢复图像分割区域的颜色,使用彩色向量梯度提取边缘轮廓,对得到的轮廓图像使用随机霍夫变换,并在检测过程中设置半径参数的范围从而进一步加快算法的运行速度。经过检测可以得到目标的圆心坐标和半径,从而实现重叠绿苹果的识别。降低了谱聚类的数据处理量,提高了算法的运行速度。经过试验分析和算法对比,该算法得到较高的重合度95.41%,较低的误差率4.59%和误检率3.05%。     

基于模糊分割的移动自组织网络故障检测算法

针对现有移动自组织网络故障检测算法精度较低、延时较大的问题,提出了一种基于模糊分割的检测算法ANFD(Ad hoc Networks Fault Detection)。ANFD算法以网络数据包与检测消息作为检测工具,通过模糊分割方法对接收到的信息进行处理,最终通过时频域方法进行故障分割,实施最终的故障识别。仿真试验证明,ANFD算法较之其他算法具有较高的故障检测精度、较短的响应延迟,并且具有较低的消息复杂度和内存消耗。     

Overlapping Community Detection Based on Membership Degree Propagation

A community in a complex network refers to a group of nodes that are densely connected internally but with only sparse connections to the outside. Overlapping community structures are ubiquitous in real-world networks, where each node belongs to at least one community. Therefore, overlapping community detection is an important topic in complex network research. This paper proposes an overlapping community detection algorithm based on membership degree propagation that is driven by both global and local information of the node community. In the method, we introduce a concept of membership degree, which not only stores the label information, but also the degrees of the node belonging to the labels. Then the conventional label propagation process could be extended to membership degree propagation, with the results mapped directly to the overlapping community division. Therefore, it obtains the partition result and overlapping node identification simultaneously and greatly reduces the computational time. The proposed algorithm was applied to a synthetic Lancichinetti–Fortunato–Radicchi (LFR) dataset and nine real-world datasets and compared with other up-to-date algorithms. The experimental results show that our proposed algorithm is effective and outperforms the comparison methods on most datasets. Our proposed method significantly improved the accuracy and speed of the overlapping node prediction. It can also substantially alleviate the computational complexity of community structure detection in general.     

基于光谱空间变换的遥感图像目标探测方法研究

针对遥感图像在频率域中的表征,提出了一种基于光谱空间变换的遥感图像目标探测方法。该方法首先利用傅里叶变换,将遥感图像从空域转变到频率域;然后利用频谱能量楔状采样和谐波叠置等手段,将不同频谱能量所表征的目标特征信息分解到不同的高、低频段中,由此获取对应目标特征在频率域中的探测标志;最后结合在频谱能量上具有方向和频带选择性的匹配Gabor滤波器,实现了居民楼地物目标的有效探测。试验结果表明,文章所提出的方法能够较好地探测遥感图像的目标信息,并且具有特定方向上目标检测的能力。     

一种基于无监督主动学习的苹果品质光谱无损检测模型构建方法

利用光谱技术实现农产品、食品品质无损检测的实质是建立样本光谱信息与样本品质参数之间的机器学习模型。为了获得具有良好泛化性能的机器学习模型,通常需要大量的标记样本,然而,获取样本的光谱信息相对容易,但标注样本品质参数的过程往往涉及到大量的时间和经济成本,并且具有破坏性。主动学习是一种减少训练集有标记样本数量的方法,通过选择最有价值的样本进行标记,而不是随机选择。因此,主动学习能够控制向训练集添加哪些样本,模型不再是被动地接受用于建模的样本。在分类任务中已经提出较多关于主动学习的算法,但回归任务中的研究却相对较少,且现有的用于回归任务的主动学习算法大多是有监督的,即需要少量有标记样本训练初始模型。本文提出了一种基于无监督主动学习方法的训练样本选择策略。该方法首先通过层次凝聚聚类对无标记（标准值）光谱数据集进行多样性划分,获得不同的聚类簇;然后通过局部线性重建算法在每个聚类簇中选择最具代表性的样本构成训练样本集,最后基于训练集构建模型。利用两个年份三个品种苹果的近红外光谱数据,构建了其可溶性固形物含量和硬度的偏最小二乘预测模型,用于验证所提出方法的有效性。实验结果表明：所提出的方法要优于已有的样本选择策略,可以有效地提高模型精度,减少在模型训练中的破坏性理化实验。同时,与随机采样（RS）、Kennard-Stone算法（KS）、光谱-理化值共生距离算法（SPXY）这三种光谱领域常用的样本选择算法相比,该研究所提出的方法表现出了最佳的性能, 基于所提出的无监督主动学习算法选取200个样本作为训练集所建立的可溶性固形物含量预测模型的预测均方根误差相对于其他三种算法降低了2.0%~13.2%,硬度预测模型的预测均方根误差相对降低了1.2%~15.7%。     

基于中心点的遥感图像多方向舰船目标检测

针对目前基于深度学习的舰船目标斜框检测方法存在计算量大、效率低的问题,提出一种基于目标中心点的单阶段检测模型.由于舰船中心点不受舰船分布方向影响,模型主要思想是以目标中心点检测为基础,回归中心点处目标斜框的尺度和方向.首先设计特征提取网络,将卷积神经网络细节信息丰富的底层特征与语义信息丰富的高层特征融合起来形成特征图;然后将特征图输入到三个检测分支,分别预测目标中心点、中心点偏移值以及斜框的尺度与方向;设计组合损失函数对网络进行训练,并改进非极大值抑制算法以适应目标斜框检测的需要.在公开的SAR图像舰船目标检测数据集与光学遥感图像上进行了实验,实验结果表明,测试集平均准确率达0.906,检测精度与速度均优于其它检测模型,充分验证了所提算法的有效性.