摘要：从多源、多维、多模态的风电数据中挖掘风能、风电的因果关联,以及多风电场间的时空关联,是提高风电功率预测精度的有效途径。文中提出了一种基于数据驱动的混合深度学习模型。首先,在数据预处理环节,将风电场满功率输出、风速溢出的场景,视为风电功率预测的异常、故障状态,并提出数据清洗方法以加强风速和风电的相关性。然后,针对气象信息与风电的因果关联,设计多通道卷积挖掘其耦合关系;针对相邻风电场间的时空关联,设计多尺度卷积挖掘不同时空尺度下的风电特征,并通过1×1卷积层对不同尺度的时空特征赋权、融合和降维。最后,将融合特征输入门控循环网络挖掘时序关联,输出多风电场风电功率的预测结果,以真实数据集验证了所提模型的有效性。

摘要：无人机已经被广泛应用到各个领域,目标检测成为无人机视觉领域关键技术之一。针对无人机图像中场景复杂、尺度多变、小目标丰富等问题,提出了一种基于多尺度深度学习的自适应航拍目标检测算法。首先,构建自适应特征提取网络MSDarkNet-53,引入多尺度卷积方式,采用不同类型卷积核对不同尺寸目标进行运算,有效扩大感受野。其次,结合注意力机制的优点设计卷积模块,自适应优化特征权重,增强有效特征,抑制无效特征,得到表征能力更强的特征。最后,构建基于多尺度特征融合的预测网络,根据小目标的特点,选取多层级特征映射融合成高分辨率特征图,在单一尺度上进行目标分类和边界框回归。实验表明:本文算法提升了无人机图像的目标检测精度,具有良好的鲁棒性。

摘要：准确辨识水培芥蓝花蕾特征是区分其成熟度,实现及时采收的关键。该研究针对自然环境下不同品种与成熟度的水培芥蓝花蕾外形与尺度差异大、花蕾颜色与茎叶相近等问题,提出一种注意力与多尺度特征融合的Faster R-CNN水培芥蓝花蕾分类检测模型。采用InceptionV3的前37层作为基础特征提取网络,在其ReductionA、InceptionA和InceptionB模块后分别嵌入SENet模块,将基础特征提取网络的第2组至第4组卷积特征图通过FPN特征金字塔网络层分别进行叠加后作为特征图输出,依据花蕾目标框尺寸统计结果在各FPN特征图上设计不同锚点尺寸。对绿宝芥蓝、香港白花芥蓝及两个品种的混合数据集测试的平均精度均值mAP最高为96.5%,最低为95.9%,表明模型能实现不同品种水培芥蓝高准确率检测。消融试验结果表明,基础特征提取网络引入SENet或FPN模块对不同成熟度花蕾的检测准确率均有提升作用,同时融合SENet模块和FPN模块对未成熟花蕾检测的平均准确率AP为92.3%,对成熟花蕾检测的AP为98.2%,对过成熟花蕾检测的AP为97.9%,不同成熟度花蕾检测的平均准确率均值mAP为96.1%,表明模型设计合理,能充分发挥各模块的优势。相比VGG16、ResNet50、ResNet101和InceptionV3网络,模型对不同成熟度花蕾检测的mAP分别提高了10.8%、8.3%、6.9%和12.7%,检测性能具有较大提升。在召回率为80%时,模型对不同成熟度水培芥蓝花蕾检测的准确率均能保持在90%以上,具有较高的鲁棒性。该研究结果可为确定水培芥蓝采收期提供依据。

摘要：基于运动想象的脑机接口技术能够建立大脑与外界之间的联系,逐渐成为人机混合增强智能的重要应用,并广泛应用于医学康复治疗等领域.由于脑电信号具有非线性、非平稳和低信噪比等特点,使得准确的分类运动想象脑电信号具有很大挑战.为此,提出一种新颖的多尺度特征提取与挤压激励模型对运动想象脑电信号进行高精度分类.首先,基于多尺度卷积模块自动提取原始脑电信号的时域、频域和时频域特征;然后,使用残差模块和挤压激励模块分别进行特征的融合和选择;最后,利用全连接网络层进行运动想象脑电信号的分类.实验在2个公开的脑机接口竞赛数据集上进行分析,结果表明该模型与现有先进模型相比,有效地提升了运动想象脑电信号的识别效果,在2个数据集上分别取得了78.0%和82.5%的平均准确度,该模型可以在脑电通道较少的情况下有效地分类脑电信号且无需手动设计特征,具有较高的应用价值.

摘要：针对YOLOv4目标检测网络结构复杂,参数量以及计算量大等问题,提出了一种轻量化目标检测算法(YOLOv4-GC)。首先,使用ghostnet结构替换原始YOLOv4的主干网络,降低了获取冗余特征图像的计算量,在SPP与PANet模块中使用深度可分离卷积,使模型的计算量和参数量比原始YOLOv4分别降低82%和80%;再结合PyConv多尺度卷积设计出Py-PANet金字塔结构,提高了模型对于图像特征的提取和融合能力。在Pascal VOC数据集上的实验结果表明,在保证模型精度的情况下模型的参数量和计算量相比原始有明显降低。

摘要：本文提出的断层自动识别方法HCA能够有效改善这一现状。HCA利用混合卷积进行非连续特征提取,然后使用通道注意力机制捕捉断层证据,最后通过ASPP模块进一步提取地震图像的多尺度特征用于断层结果输出。在设计实验中本模型的准确率为0.9502,高于其他模型,能够用于实际地震解释节省时间和人力成本。

摘要：针对几何校正过程中多源遥感影像同名点匹配率低的问题,提出一种基于相位一致性相关的遥感影像配准方法。该方法首先使用多尺度Harris提取出不受高斯平滑影响、位置稳定的角点,而后以金字塔分层映射为搜索策略,在参考影像上预测可能包含同名点的子区域,通过计算该子区域与待匹配点领域的相位一致性,同时引入相关系数作为相似性度量获取同名点对,最终实现不同光谱影像间的配准。实验表明,该方法的误匹配率较低,精度和稳定性高于传统原始影像灰度相关及同类配准方法,适用于不同传感器或不同光谱通道间影像的匹配。

摘要：为避免复杂环境和物体不均等因素影响,造成提取的线结构光中心不完整、无效或者断裂问题,提出一种多尺度卷积并行的方式,利用端到端深度学习方法提取线结构光中心。用第一个网络进行目标检测,用于提取感兴趣的图像特征区域,检测到线结构光。因为第一个网络中加入解码层和编码层,即使在复杂的背景环境中,也可以提取线结构光的面积。使用第二个网络和稀疏算法得到单像素的线结构光中心。通过不断优化算法定义的损失函数值,得到平滑、完整的中心线。实验结果表明,该方法速度快,有效排除了环境干扰,在复杂环境中提取的线结构光中心线完整。

摘要：针对现有利用单一信号进行野外车辆识别准确率不高而且容易受到噪声干扰的问题,选取声音和震动信号为目标信号,设计了一种并行神经网络模型来实现野外车辆识别。首先对两种信号进行特征提取得到各自的频谱图。神经网络选取轻量级网络MobileNet V1,同时使用多尺度卷积对网络改进,多尺度卷积可以提取频谱图中隐含的空间特征;然后用改进的并行网络分别训练这两种频谱图,把训练得到的特征图耦合在一起,实现两种信号特征级上的融合;最后利用Softmax层识别分类。实验结果表明,所提出的融合声音震动信号野外车辆识别方法相对于传统方法有更高的识别率和更强的鲁棒性。