基于注意力机制和特征聚合的车道线检测

车道线检测的可靠性和稳定性对智能驾驶系统来说至关重要.由于车道线容易受到光线、遮挡、老化等复杂情况的干扰,导致传统的语义分割网络无法准确的学习到车道线的细节特征.为解决该问题,本文首先在编码网络部分引入CA坐标注意力机制,进一步增强网络对车道线提取能力,然后,在特征聚合网络引入金字塔空洞卷积模块与RESA模块并联来增强模型的感受野,以丰富和提取全局的空间特征信息,最后经过解码网络将融合后的特征图上采样到原图大小,并预测每个车道的位置和概率分布.实验证明,文中提出的算法在CULane数据集上有较高准确率,多路面综合准确率达到76.2%,并通过实车测试表明,该算法检测帧率为30 fps,可以在复杂交通场景下进行实时检测,具有较高的泛化性和鲁棒性.     

亮度增强的多尺度垃圾检测

垃圾检测能减少资源浪费、缓解环境污染,对环境保护具有重要意义.针对现有方法在图像昏暗和物体细小情况下存在误识别、漏检的问题,本文提出了一种亮度增强的多尺度垃圾检测方法.首先在亮度增强模块中,利用跳跃连接增强各层级垃圾图像特征的关联性,解决了昏暗条件下的垃圾误识别问题.然后在多尺度垃圾检测模块中,使用密集连接将不同尺度特征进行融合,提高了对细小垃圾特征的学习能力,解决了细小垃圾存在的漏检问题.本文方法在自制数据集和公共数据集上的mAP达到了96.62%和93.81%.实验结果表明,该方法解决了图像昏暗和物体细小情况下的误识别、漏检问题,优于现有的YOLOv4等主流方法.     

图像识别的仓库装配智能车

本文介绍了基于图像采集和图像识别技术的智能装配车的基本设计原理,系统硬件组成和控制算法。在此基础上设计了可以实现自主运载、自主循迹、自主识别,且具有更高的灵活性、后期可维护性、功能可扩展性、更快的运作速度、高精度控制等优点,使得装配的效率将大大提高,并且降低错误装配造成的返工成本,该系统具有广泛的应用前景。     

基于ARM的机载火控雷达元器件自动化检测技术研究

为解决传统技术针对机载火控雷达元器件检测吞吐率低的问题,设计基于ARM的机载火控雷达元器件自动化检测技术。确定机载火控雷达元器件自动化检测特征,基于ARM响应曲线拟合机载火控雷达元器件检测数据,表达其自动化检测特征属性值,以此实现机载火控雷达元器件自动化检测。设计实例分析,结果表明,设计检测技术检测吞吐率均在3reqs/s以上,对比传统手段具有明显的优势,能够解决传统检测技术检测吞吐率低的问题。     

一种智能变电站继保自动化检测方法

在智能变电站的运行过程中,继电保护自动化检测是一项需要重点研究的内容。为实现智能变电站中继电保护自动化检测效果的良好保障,本文特对一种继电保护自动化检测方法进行分析。希望通过本次的分析,可以为继电保护自动化检测以及智能变电站的良好运行提供科学参考。     

基于DeepLabV3与GAN的雷达时频混叠多信号智能检测与分离

针对当前雷达信号智能检测研究中存在信号数量受限、样式单一、不便于后续处理等问题,本文提出了一种基于DeepLabV3与GAN的雷达时频混叠多信号智能检测与分离方法。首先对接收信号的时域数据通过时频变换得到二维的时频数据,利用DeepLabV3对多信号重叠的时频数据进行检测并且实现信号的分离,对于信号的重叠部分利用GAN对时域信号进行估计重构。实验结果表明,该方法在信噪比（SNR）为-3 dB时,检测平均交并比（mIoU）能够达到了85%以上,在SNR为6 dB时,分离后的信号与原信号相关系数高于0.85。      

基于多尺度特征选择性融合的遥感图像检测算法北大核心CSCD

遥感图像的检测在监察自然环境、军事、国土安全等方面具有极其广阔的应用前景,而遥感图像具有背景复杂、目标面积小、特征提取困难等缺点,进行检测时容易产生小目标漏检问题。本文提出一种基于多尺度特征选择性融合的遥感图像检测算法。所提算法采用改进的Resnet50作为主干网络,将Resnet50第一个卷积替换成动态卷积,并将其ConvBlock模块中的卷积替换成金字塔卷积,提高特征提取能力。同时,为了避免遗漏底层信息,在动态卷积层后加入所提有效空间通道注意力机制模块。最后,选取基于上下文信息的不同尺度特征进行融合,提高了模型对目标物体的定位能力。实验结果表明,本文算法在保证速度的同时提高了对遥感图像的检测精度,在遥感图像公开数据集RSOD和NWPUVHR-10上平均精度均值(mean average precision,mAP)分别达到91.88%和90.23%,检测速度达到33 FPS。     

抛锚状态下的船载地波雷达目标自适应检测方法

船载地波雷达可利用船载平台机动灵活的特点,扩展地波雷达探测范围,但也会由于平台的运动,影响目标探测性能. 针对船载平台抛锚运动引起艏向变化和目标回波展宽范围不规则导致目标检测性能下降的问题,提出了一种适用于平台抛锚状态时的船载地波雷达目标自适应检测方法. 首先,从平台抛锚时船载地波雷达的目标回波特性和检测背景统计特性两个方面来分析目标检测中的难题. 然后,基于理论仿真与实测数据的分析结果,提出目标自适应检测方法. 该方法先通过前端数据的预处理消除艏向变化带来的影响,再将处理结果进行检测背景的自适应选取并作统计特性转化处理,经过恒虚警率检测后得到检测结果. 最后,利用实测数据对本文提出的方法进行验证. 结果表明:本文提出的船载地波雷达目标自适应检测方法能够有效解决船载平台抛锚时的目标检测难题,可显著提高抛锚状态下船载地波雷达的目标探测能力.     

基于速率修正PSO和核基ELM的云数据库恶意行为识别方法

众所周知云数据库已在各行各业广泛应用并且发挥着不可替代的作用。但正是云数据库的可扩展、分布式以及虚拟化的特性,导致了云数据库面对恶意行为时表现出明显的脆弱性。因此为了提高云数据库的安全性,针对恶意行为的智能检测开展相关研究是至关重要的。本文对粒子群优化算法进行了改进并与核极限学习机相结合,提出了一种基于改进粒子群优化和核极限学习机的恶意行为识别模型（KE-VP）,通过分析云数据库上的网络流量来检测是否存在恶意行为并将恶意行为准确分类为具体的攻击类型。通过实验分析,我们发现KE-VP与现有方案具备更好的检测精度和检测效率。