摘要：为研究不同雨滴直径的降雨对耕作层团聚体的破碎及其粒径分布特征的影响,该文选取4个雨滴直径(2.67~3.79 mm)对耕层土壤(0~20 cm)团聚体进行雨滴击溅试验,每次试验各滴5 000滴,每1 000滴收集1次溅蚀团聚体。结果表明:1)所有收集次序中雨滴直径3.79 mm溅蚀量最大,累积雨滴数为2 000、3 000和4 000时,溅蚀量与雨滴直径均呈显著的指数函数关系。2)各雨滴直径的溅蚀量随粒径减小呈增大-减小-增大趋势,>2 mm粒径的溅蚀量几乎为0,1 mm粒径溅蚀量团聚体富集率值接近0,0.053~1 mm粒径团聚体富集,>1 mm粒径团聚体主要破碎成0.053~1 mm粒径团聚体,且粒级越小,富集率越高。研究可为黄土高原地区水土保持提供理论依据。

摘要：飞机高频元件制造过程中需要进行细粒度元件分类,针对元件图像类间相似度高、类内差异大,空间变换网络(Spatial Transformer Network,STN)难以捕捉不同类型元件局部辨识区域的问题,增强STN的输入样本和损失函数,提出基于增强STN的细粒度高频元件分类模型(reinforced STN,rSTN)。首先,设计样本增强,将STN的输入由原始图像替换为形态学轮廓,轮廓突出了元件结构信息,有利于捕捉元件局部辨识区域。然后,在STN交叉熵损失函数基础上加入鼓励特征类内紧凑性的中心损失,中心损失引导模型为同类元件捕捉相似局部辨识区域。最后,经过空间变换的原始图像被输入分类主干网络。实验表明,所提rSTN准确捕捉了不同类型高频元件的局部辨识区域,分类准确率由STN的0.8857提高到0.9212。

摘要：针对扣件状态检测算法适应性弱、误检率高的问题,通过平滑样本标签缓解卷积神经网络训练的过拟合问题,提出基于层次语义多项式DS融合的扣件状态分布学习。首先,以弱监督方式将图像子块卷积特征描述为高斯混合模型,通过高斯混合模型计算样本语义多项式(semantic multinomial, SMN);然后,为提高SMN对扣件样本的描述能力,对来自不同层次特征的SMN进行DS融合,获得样本状态分布,分布反映了不同标签的描述程度,实现了对单一标签的平滑。实验结果表明,将单一标签替换为状态分布进行网络训练,缩小了训练精度和验证精度的差距,误检率为1.9%,漏检率为2.3%,误检率相比于传统单标签网络降低了54%。所提算法能够缓解过拟合现象,提高网络泛化性能,实现鲁棒性的扣件状态检测。

摘要：为了提高铁路扣件检测的识别率和鲁棒性,以及扣件图像PHOG特征的有效性,提出了简单有效的枕肩定位算法,该算法首先在提取PHOG特征前,根据枕肩、扣件和背景间的位置关系去除冗余背景信息;然后,模拟人眼视觉注意机制,设计MSLBP特征采样方式,提取扣件图像的宏观纹理特征;最后,采用分层次加权融合的方法联立两类特征,并采用SVM分类器进行扣件分类识别,提出一种基于计算机视觉和PHOG-MSLBP融合特征的缺陷识别算法.将该算法应用于实验,结果表明:与使用PHOG、MSLBP单一特征相比,基于PHOG-MSLBP融合特征检测算法的平均识别率分别提高了6.3%、4.5%,且鲁棒性更强,可满足扣件缺陷自动化检测的需要.

摘要：花椒视觉采摘系统需要检测当前场景中的近景花椒。针对现有检测网络容易混淆相似外观的近景和远景花椒,难以准确检测近景花椒的问题,利用近景花椒与附近枝干的共生现象来区分近/远景花椒,提出基于多任务上下文增强的花椒检测模型。将枝干分割任务被加入目标检测网络中,用于引导全局特征同时表达花椒外观信息和枝干上下文信息;再为每个任务设计注意力模块调整全局特征,避免任务间的干扰。真实花椒数据实验结果表明:所提模型的精度相比YOLOv4、RetinaNet和SSD分别提高12.28%、17.23%和30.17%。该模型能够大幅度减少远景花椒误检,准确检测近景花椒。

摘要：针对铆钉表面缺陷纹理形态复杂多变,传统纹理特征提取方法难以获取准确纹理信息、铆钉缺陷识别率较低的问题,提出一种自适应阈值抗噪LBP的铆钉表面缺陷检测算法AT_NRLBP。首先,将铆钉图像均匀分块后提取铆钉子块;然后,基于PCA分解铆钉子块的协方差矩阵,估计子块图像的噪声水平。根据图像噪声强度计算NRLBP阈值,编码铆钉子块得到NRLBP纹理特征。最后,训练SVM单分类器分类铆钉子块,检测并标记出缺陷子块。实验结果表明,这里算法能有效地检测出铆钉表面缺陷,误检率明显降低;与其他纹理分类算法相比,这里算法在KTH-TIPS数据集上的分类准确率较高。

摘要：针对潜在狄利克雷分布(LDA)模型忽略特征单词明确性的问题,提出一种嵌入标记信息的主题模型WL_LDA。设计一种基于SIFT特征点约束单方向LBP图像的方法。运用该方法获取图像的纹理结构,对视觉单词进行标记。将标记信息嵌入到LDA中,利用单词和标记的二维直方图推导图像的主题分布。通过运用该主题分布训练分类器,完成铁路扣件的状态检测。实验结果表明,与LDA主题模型相比,各扣件在主题空间中的区分度增加4.5%~15%,与现有PCA、DF等方法相比,漏检率和误检率明显降低,具有较好的分类性能。

摘要：为有效解决传统火灾监测器误报率高的问题,提出一种结合模糊神经网络(FNN)模型和温度时序模型(TSM)的火灾预警算法,即FNN-TSM,其研究对象包括综合管廊中的3个火灾特征参数:温度,烟雾浓度和一氧化碳浓度。建立FNN模型,获得每个数据点的孤立火灾概率;建立TSM以探测特征参数的变化率,获得每个数据点的时序火灾概率;采用复合火灾决策方法,获得最终的火灾概率。实验结果表明,该算法比其它算法具有更高的火灾预警准确率和实时性。

摘要：高铁扣件的检测对于保障铁路的正常运行起着十分重要的作用。针对高铁扣件定位精度不足以及传统定位算法无法定位道岔处扣件的问题,设计一种改进的SSD(single shot detector)深度学习扣件定位算法,即Improved_SSD。首先采用ResNet101更换经典SSD深度学习模型中的VGG16,增加网络深度的同时提高特征的抓取能力;然后利用膨胀卷积扩大网络的感受野,以不增加模型额外结构的方式提高模型的鲁棒性;最后提出一种非极大加权抑制方法,进一步提高扣件的定位精度。实验结果表明:与经典SSD算法相比,本文算法对扣件定位的召回率和精度分别提高了3.4%和4.7%;与其他几种扣件定位算法相比,本文算法不仅提高了对普通轨道扣件的定位精度,而且解决了传统定位算法无法定位道岔处扣件的问题。

摘要：针对潜在狄利克雷分布（LDA）模型忽略图像结构的问题,提出一种融合图像纹理结构信息的LDA扣件检测模型TS_LDA。首先,设计一种单通道局部二值模式（LBP）方法获得图像纹理结构,将单词的纹理信息作为标注,用单词和标注的联合分布反映了图像的结构特点;然后,将标注信息嵌入LDA,由单词和标注共同推导图像主题,改进之后的主题分布考虑了图像结构;最后,以该主题分布训练分类器,检测扣件状态。相比LDA方法,正常扣件与失效扣件在TS_LDA主题空间中的区分度增加了5%~35%,平均漏检率降低了1.8%~2.4%。实验结果表明,TS_LDA能够提高扣件图像建模精度,从而更加准确地检测扣件状态。