基于深度卷积神经网络的SAR图像舰船小目标检测

针对合成孔径雷达(SAR)图像舰船目标背景复杂的特点,提出一种基于改进YOLOv3的SAR图像舰船小目标检测算法。首先,通过分析残差网络的设计原理,针对不同场景下舰船目标的特点,重新设计底层残差单元;其次,改进特征金字塔的网络结构,解决感受野与定位之间的矛盾问题,提高了小尺度舰船的检测效果;最后,通过引入平衡因子,优化损失函数中的小目标权重。实验结果显示,相比原始YOLOv3方法,所提方法在舰船目标公开数据集上F1值提高6.3%,同时,较快的检测速度使得所提算法可用于实时目标检测。     

基于背景色彩识别的磨粒图像分割方法

针对铁谱图像背景色彩相对单一的特点,设计了1种基于背景色彩识别的磨粒图像分割方法,采用该方法对轴尖-宝石轴承的润滑油铁谱图像进行图像分割,并用所得磨粒覆盖面积推算轴尖磨损量.通过大量磨粒图像分割实践表明,所设计的方法具有精度高、计算速度快及适应性强等优点.定量磨损分析表明,该摩擦副的磨损进程极为缓慢.     

基于Mask R-CNN网络的磨损颗粒智能识别与应用

针对设备磨损故障诊断中磨粒识别技术难度高、工作主观经验影响大等问题,采用深度学习技术开展了磨粒智能识别的研究,提出了基于Mask R-CNN卷积神经网络的磨粒数字化表征方法. 该方法利用迁移学习训练基于Mask R-CNN网络的磨粒识别模型对图像中磨粒进行识别和实例分割,然后使用Suzuki85算法、迭代算法、等比例计算方法计算出磨粒的真实尺寸,解决了磨粒分析中难定量分析的问题. 结果表明:基于Mask R-CNN网络(采用R-101-FPN骨干网络)训练的磨粒识别模型可以对图像中多个异常磨损颗粒进行识别,综合准确率和召回率达到当前图像识别领域的主流水平. 辅以上述Suzuki85等算法,成功实现磨粒图像的定量评价分析,对促进设备故障诊断技术的自动化发展和工业应用具有一定的实际应用价值.      

改进Yolov4的车辆弱目标检测算法

针对交通场景中存在的小目标和遮挡目标等弱目标漏检、错检、检测速度慢等问题，提出一种改进Yolov4的车辆弱目标检测算法。首先设计像素重组残差模块（PS-R），通过超分辨率的方式将多个目标的中心点分散到不同网格中，保留更多的遮挡目标；其次设计特征增强注意力模块（FEAB），充分利用高层特征的语义信息和浅层特征的细粒度信息，提升弱目标检测性能；然后根据道路车辆的目标特点，k-means++结合遗传算法对车辆数据集的真实标注框进行聚类，生成更符合车辆目标的先验框；最后使用深度可分离卷积替换网络特征融合模块（PANet）中的常规卷积，提升检测速度。在车辆数据集KITTI和UA-DETRAC上进行实验验证，改进后的Yolov4算法比原始Yolov4算法精度分别提高了1.9%和2.4%，检测速度达到了61.4 fps。     

基于LSTM模型的飞行器智能制导技术研究

人工智能技术的突破性进展为飞行器再入制导技术的研究提供了新的技术途径, 本文针对预测校正制导中两方面的问题: 一是纵向“预测环节”积分计算量大和“校正环节”割线法迭代求解难以满足实时性的问题, 二是纵向制导和横向制导都需要对动力学方程进行积分, 存在明显的冗余计算问题, 提出基于长短期记忆网络(long short-term memory, LSTM) 的飞行器智能制导技术. 一方面, 在纵向制导中不需要对动力学方程进行积分来预测待飞射程, 即去除“预测环节”; 另一方面, 不再基于割线法迭代求解倾侧角的幅值, 即去除倾侧角的“校正环节”, 大大减少积分计算量, 提高计算速度. 利用深度学习在神经网络映射能力和实时性方面的双重天然优势, 基于再入飞行器的实时状态信息, 采用LSTM模型实时生成倾侧角指令. 同时, 将纵向和横向制导环节的制导周期统一为一个周期, 进一步确保制导系统满足在线制导的实时性要求. 蒙特·卡罗仿真分析表明, 本文所提的方法在飞行器再入初始状态和气动参数拉偏情况下具有精度和速度上的优势.      

基于深度学习与运动状态识别的车辆惯性导航方法

微机电惯性测量单元（MEMS IMU）因成本低、体积小以及功耗低等优势受到广泛关注,但由于MEMS IMU误差大且复杂,基于MEMS IMU的捷联惯性导航系统精度还远远不能满足移动机器人、无人驾驶等各个领域的广泛需求。针对此问题,提出了一种基于深度学习与运动状态识别的车辆导航方法。首先,针对MEMS IMU误差具有非线性、时变性的特点,基于改进后的膨胀卷积网络对MEMS IMU陀螺仪漂移进行标定补偿。其次,利用时间卷积神经网络动态检测车辆的运动状态,并将特定运动状态的约束信息作为观测量,基于不变扩展卡尔曼滤波进行信息融合。所提出方法在公开数据集进行了验证,与未对陀螺误差进行标定补偿的基于深度学习的运动状态检测与约束方法进行了比较,所提出方法将车辆水平位置的绝对轨迹误差和相对轨迹误差平均值分别降低了30.9%和24.7%,证明了所提出方法的有效性。     

基于尾流时程目标识别的流场参数选择研究

浸入流场中的固体壁面会形成高度复杂且具有一定特征的尾流流场, 利用尾流所包含的信息对物体的外形特征进行识别具有重要的应用价值. 然而, 在较高雷诺数情况下尾流流场形态及其时序特征复杂, 难以通过传统的数学物理方法对流场信号进行特征的识别与提取. 本文提出了基于尾流时程数据深度学习的流场特征提取与分析方法, 实现了基于一点的物理量时程进行流场中物体外形的识别; 同时, 对流场中不同物理参数时程的识别精度与识别结果进行分析与研究, 得到适用于目标识别的最优物理量参数. 通过对圆柱和方柱的尾流数据研究结果表明, 本文提出的基于卷积神经网络的模型具有好的训练收敛性和高的预测精度, 能够识别并提取得到时程数据中包含的流场特征, 采用流场横向速度时程作为物体外形识别信号的模型准确率高. 证明了本方法用于浸入流场中物体外形识别的可行性, 是一种目标识别的高精度方法.      

基于BP神经网络的V9-Cr4-Mo3高速钢冷轧辊磨损模型

利用自制轧辊模拟磨损试验机测试了6种不同碳含量的V9Cr4Mo3高速钢轧辊的磨损性能,利用BP神经网络建立了磨损量与碳含量和磨损时间的非线性关系模型．结果表明：良好训练的BP网络模型可以有效预测不同碳含量的V9Cr4Mo3高速钢轧辊的磨损性能．结果表明：碳含量约为2．58％时,高速钢基体组织主要为高硬度和高韧性的板条马氏体,可以有效抵御轧制过程中的疲劳和显微切削,耐磨性最佳;当碳含量过低时,高速钢基体为低硬度的铁素体,显微切削为轧辊的主要磨损机制,而碳含量过高时,其基体主要为韧性较差的片状马氏体,轧辊以疲劳磨损为主,二者均导致轧辊耐磨性下降．     

基于深度学习和近场动力学的层合板冲击工况识别

在冲击荷载作用下复合材料会产生断裂和分层等损伤。基于损伤数据对冲击工况进行识别，对改善复合材料的设计和确保其安全使用具有重要意义。基于此，本文提出一种基于深度学习和近场动力学（PD）理论的层合板冲击工况识别方法。首先使用改进的表面修正系数PD理论建立复合材料层合板刚体冲击损伤演化分析PD模型，PD模型数值模拟结果结合噪声数据增强技术构建层合板的冲击工况数据库；基于深度学习-卷积神经网络（CNN），对不同工况下的冲击损伤演化数据进行训练，实现对未知冲击工况的识别。结果显示，对于钢球冲击速度和角度的识别准确率均高于90%。     

基于U-net神经网络算法和改进的细化算法的水坝混凝土裂缝测量

以水坝裂缝的视觉识别与计算为目标,融合U-net神经网络算法和改进图像细化算法,提出大坝裂缝识别和宽度计算的方法.首先,采用U-net处理1500张水坝裂缝图像样本,得到裂缝预分割模型;接着,采用改进的细化算法提取裂缝骨架分割模型;最后,结合预分割结果和骨架分割模型得到水坝裂缝的准确信息.结果表明,使用U-net神经网...     

基于多头自注意力机制和Bi-GRU的人体动作识别算法

目前基于惯性传感器的人体动作识别技术具有自主、可靠等优点,但现有人体动作识别算法结构复杂、参数量大、识别精度低。针对以上问题,提出了一种基于多头自注意力机制和双向门控循环单元（Bi-GRU）的人体动作识别算法。该算法首先通过多头自注意力机制无视时间间隔地计算数据之间关联特征,再将关联特征与原始数据拼接,输入到深度Bi-GRU网络中提取顺序特征,最终通过Softmax层识别人体动作。采用YESENSE公司开发的YIS360-V姿态仪搭建了人体动作识别算法验证平台,在此基础上建立训练-测试数据集并进行了实验验证。实验结果表明,所提算法较传统Bi-GRU算法,参数量由40695个减少到18337个,识别准确率由93.36%提升至95.26%。     

基于深度强化学习算法的颗粒材料应力?应变关系数据驱动模拟研究

颗粒材料的宏观力学行为受颗粒组分等材料参数, 孔隙率、配位数等状态参数的影响, 同时又具备复杂的加载路径和加载历史相关性, 建立包含多个内变量以及各变量间相互关联的颗粒材料本构模型是一个重要的科学难题. 不同于传统的基于屈服面、流动法则和硬化函数框架下的唯象本构模型, 本文基于颗粒物质力学的研究基础, 以颗粒材料平均孔隙率、细观组构参数和弹性刚度参数作为内变量, 结合深度学习方法建立以有向图表征的数据本构模型. 有向图中以不同的链接网络表示不同的内变量信息流动方向, 各个内变量间的映射关系采用循环神经网络来建立, 将各个神经网络相互组合, 形成包含不同内变量且具有不同预测能力的本构模型. 该本构模型的建立过程等价于在众多可能的内变量链接关系空间中寻找最能描述实际材料宏观应力应变行为的优化问题. 因此, 可将有向图本构模型的建立过程看作“马尔可夫决策过程”, 采用深度强化学习算法构建有向图的内变量链接组合优化过程, 具体采用AlphaGo Zero算法自动寻找最优的颗粒材料数据驱动本构模型建模路径. 研究结果表明, 采用有向图和深度强化学习算法可建立起完全依靠“数据驱动”的颗粒材料应力?应变关系. 此外, 本方法提供了一种将不同理论模型从数据角度统一起来, 且基于人工智能算法发展更优模型的研究思路, 可为相似问题的研究提供借鉴.      

基于深度学习和细观力学的颗粒材料本构关系研究

颗粒材料的本构关系对岩土工程等众多领域至关重要. 不同于传统的唯象本构理论, 本文基于机器学习模型探索了一种细观力学理论指导下的数据驱动型颗粒材料本构关系预测方法. 根据Vogit均质化假设, 建立了小应变条件下颗粒材料应力?应变解析关系, 此关系唯一地确定了一组与颗粒材料本构行为相关的细观组构变量. 这些变量与反应颗粒材料宏观性质的主应力和主应变信息通过一系列离散元三轴压缩数值试验获得. 考虑到细观组构变量为内变量, 不能直接作为本构模型的输入. 本文基于有向图方法将颗粒材料微观结构信息隐式地包含在应力?应变的预测当中, 并采用门控循环单元(GRU)循环神经网络作为基础深度学习模型描述有向图中结点之间的映射关系. 通过将有向图从目标节点沿源节点展开, 整个应力?应变预测模型可由两个神经网络分别训练并组装而成. 将训练后的深度学习模型在全新的数据集上进行测试, 结果表明该训练策略能有效捕捉到颗粒材料在常规三轴任意加卸载, 等中主应力系数b的真三轴加载, 和等平均有效应力p的真三轴加卸载等复杂多轴加载工况下的应力?应变响应关系, 模型具有良好的内插和外推预测能力. 考虑到深度学习模型捕捉颗粒材料力学响应的能力及其开放式学习的特点, 充分结合数据驱动方法和理论本构模型可能是颗粒材料本构研究的一个重要方向.