摘要：针对遥感图像中目标排列密集且方向不相同,导致现有检测算法难以准确定位实例目标的问题,提出了一种遥感图像密集小目标全方位精准检测算法。首先,为提升特征提取能力,在主干网络的残差结构中引入Meta-ACON激活函数,自适应地学习信道特征的重要性;其次,提出一种加强连接特征金字塔网络,重新设计了用于深浅层特征融合的侧向连接部分,并在同层次特征图输入与输出之间添加了跳跃连接,丰富特征语义信息;再次,引入角度预测分支,使用环形平滑标签方法将角度回归问题转化为分类问题,在实现目标框旋转的同时解决了旋转框边界突变的问题;最后,设计针对旋转检测框的后处理方法(Rotate-Soft-NMS),通过抑制检测框的置信度去除相邻的重复旋转检测框。在DOTA数据集上的实验结果表明:该算法的平均精度均值达到76.15%,相比于基准模型YOLOv5m提升了5.22%,与其他先进算法相比取得了最好的检测结果。本文算法对复杂遥感场景的目标具有更优的检测效果。

摘要：在电子点火器应用中,为解决传统方案中LDO效率低、DC-DC需要外挂电容、电感的问题,提出了一种自适应恒定平均电压输出电路。电路输出为PWM波,当电源电压变化时,通过自动调整PWM波的占空比实现了恒定的平均电压输出。通过改变外接采样电阻的比值可以调整输出的平均电压大小。电路为开环控制,不需要考虑闭环稳定性问题,其控制简单可行,具有与DC-DC相比拟的高效率,但无外围电感、电容,便于集成和小型化应用。电路采用0.18μm BCD工艺设计,仿真和测试结果表明,在电源电压3.2~4.2 V下,实现了输出平均电压恒定,误差小于±1%;通过改变采样电阻比值,实现了输出平均电压在1.5~3.6 V之间连续可调。

摘要：为了增强棉田图像的垄线特征、纹理清晰度以及棉田与垄线之间的对比度,以提高农机视觉导航图像的分割准确率与泛化能力,本文提出了一种多目标图像增强算法——混沌混合精英白鲸优化算法(Chaotic hybrid elite beluga whale optimization, CHEBWO)。该算法在AMSRCR算法和直方图均衡化的基础上设计了新的图像加权融合模型,并针对图像评价,设计了一种新的多目标加权评价函数。实验结果表明,与基于Retinex图像增强算法(如SSR、MSR、MSRCR、MSRCP)以及基于直方图均衡化增强算法(如HE、AHE、CLAHE)进行对比,CHEBWO算法在PSNR、AG、SD、IE、SSIM等指标上平均提高了6.18、42.38、40.41、0.89和0.22。因此,本文提出的棉田图像增强算法在增强棉田图像对比度、清晰度以及保持垄线纹理方面具有显著优势,有助于提高语义分割模型的性能和准确性。

摘要：随着我国畜牧业的快速发展,牛只养殖由分散性养殖逐渐向精准化养殖转变。针对分散养殖中农户无法对每头牛只健康状况给予足够关注的问题,通过分析牛只行为模式结合视觉方向特征,设计了综合管理方法来准确识别和跟踪牛只行为。首先,采用改进YOLO v8算法对牛只进行目标监测,其中,在Backbone和Neck端使用C2f-faster结构,增强模型特征提取能力;引入上采样算子CARAFE,拓宽感受视野进行数据特征融合;针对牛只幼仔检测加入BiFormer注意力机制,以识别牛只小面积特征;更换动态目标检测头DyHead,融合尺度、空间和任务感知;然后,使用Focal SIoU函数,解决正负样本分配不均衡和CIoU局限性的问题。最后,将YOLO v8检测到的行为类别信息引入BoTSORT算法中,实现在复杂场景下牛只多目标行为识别跟踪。实验结果表明,提出的FBCD-YOLO v8n(FasterNet、BiFormer、CARAFE、DyHead)模型在牛只行为数据集上,相比较YOLO v5n、YOLO v7tiny和原YOLO v8n模型的mAP@0.5分别提升3.4、3.1、2.4个百分点,尤其牛只回舔行为识别平均精度提高7.4个百分点。跟踪方面,BoTSORT算法的MOTA为96.1%,MOTP为78.6%,IDF1为98.0%,HOTA为78.9%;与ByteTrack、StrongSORT算法比,MOTA和IDF1显著提升,跟踪效果良好。研究表明,在牛舍养殖环境下,本研究构建的多目标牛只行为识别跟踪系统,可有效帮助农户监测牛只行为,为牛只的自动化精准养殖提供技术支持。

摘要：针对列车高精度定位问题,该文提出基于改进自适应交互多模型(IMM)的高速列车高精度组合定位方法。首先,根据列车定位需求和各传感器特点,设计了卫星接收器、轮轴测速传感器、测速雷达以及单轴陀螺仪4种传感器的组合定位方案。然后,针对IMM融合滤波算法因先验信息不准导致固定参数设置不当的问题,引入Sage-Husa自适应滤波和转移概率矩阵(TPM)自适应更新集成为自适应IMM算法。针对多模型切换的滞后问题,利用子模型似然函数值能快速反映模型变化趋势的特点,将似然函数值设为判定标志,并引入判定窗对TPM矩阵元素进行修正,有效提升了模型的切换速度。最后,基于改进自适应IMM算法对4种传感器定位信息进行融合滤波,实现高速列车的高精度组合定位。仿真结果表明:改进后的算法相比其他自适应IMM算法提升定位精度1.6%~14.7%,并且能通过提高模型间切换速度来有效降低位置误差峰值,同时具备较好的抗噪性能。

摘要：网络功能虚拟化环境下,为满足用户不同需求并提高资源利用效率,将虚拟网络功能映射与调度联合考虑。首先,通过构建网络低时延、虚拟机资源高利用及能量低损耗的多目标优化模型,设计了一种强化学习(RL)联合第三代非支配排序遗传算法(NSGAⅢ)的优化方法RL-NSGAⅢ;然后,采用两段式初始化技术求得高质量初始解,利用强化学习的优势自适应调节交叉变异参数,以保持种群多样性;最后,基于参考点的第三代非支配排序遗传算法,将虚拟网络功能映射至虚拟机并进行调度服务,得到多目标优化策略。仿真结果表明:相较于已有的NSGAⅢ、NSGAⅡ和MOPSO算法,采用RL-NSGAⅢ算法计算得到的时延降低了17%~28%,节点负荷提高了9%~19%,能量损耗降低了12%~26%,表明所提算法在提高网络速率和降低网络运营支出上的有效性。

摘要：为了快速、精确地分割用户感兴趣的前景目标,获得高质量且低成本的标注分割数据,提出一种基于双阶段特征融合与Transformer编码的交互式图像分割算法.首先采用轻量化Transformer骨干网络对输入图像提取多尺度特征编码,更好地利用上下文信息;然后使用点击交互的方式引入主观先验知识,依次通过初级与加强阶段将交互特征融入Transformer网络;最后结合空洞卷积、注意力机制和多层感知机对骨干网络获取的特征图解码.实验结果表明,所提算法在GrabCut,Berkeley和DAVIS数据集上的mNoC@90%值分别达到2.18,4.04和7.39,优于其他对比算法;且算法的时间与空间复杂度低于f-BRS-B,对交互点击位置及点击类型的扰动变化具有较好的稳定性,说明该算法能够快速、精确与稳定地分割用户感兴趣目标,提升用户交互的使用体验感.

摘要：及时定位海面溢油事故发生地并监测海面溢油信息对海洋污染治理和海洋生态环境保护有重要意义。激光诱导荧光(LIF)可搭载于无人机构建LIF雷达系统并应用于海洋环境监测。LIF雷达系统以大气为传输信道,大气湍流会导致信号衰落。双向反射再辐射分布函数(BRRDF)利用受激辐射荧光光子的权重、位置和方向描述物质的荧光特性,为LIF探测海面溢油提供理论指导。基于大气湍流理论和蒙特卡罗方法模拟海面溢油的受激辐射荧光过程,建立光子传输模型进行海面溢油BRRDF的仿真研究。仿真分析不同湍流强度下,光强闪烁、光束漂移、光束扩展效应对海面溢油BRRDF的影响。仿真结果表明,海面溢油受激辐射荧光信号具有各向同性,其强度与激发光的强度成正比。光束漂移效应对荧光漂移范围影响微弱,可以忽略;在弱大气湍流下(湍流强度参数σ_(R)^(2)<1),BRRDF所表征的荧光信号强度集中在2×10^(-5)~5×10^(-5)范围内,荧光光斑半径由1mm扩展至5mm,LIF雷达系统可以正常进行探测工作;大气湍流强度到达中等后(σ_(R)^(2)≈1),荧光信号强度在10^(-5)~10^(-4)范围内波动,荧光光斑半径扩展至15mm,此时大气湍流的不利影响无法忽视,LIF雷达系统探测到的荧光信号不够稳定,最终导致光谱不理想。在实际探测中,可通过适当提高探测器性能参数来增强系统的抗湍流能力。强大气湍流下(σ_(R)^(2)=25),出现光斑破裂现象,荧光信号分散并衰落至某一阈值之下,LIF雷达系统无法探测到荧光信号。文中的分析与提出的可行的研究建议,为LIF探测海面溢油相关研究提供参考依据,对LIF雷达系统设计具有一定的参考价值。

摘要：联邦学习是一种不通过中心化的数据训练就能获得机器学习模型的系统,源数据不出本地,降低了隐私泄露的风险,同时本地也获得优化训练模型。但是由于各节点之间的身份、行为、环境等不同,导致不平衡的数据分布可能引起模型在不同设备上的表现出现较大偏差,从而形成数据异构问题。针对上述问题,提出了基于节点优化的数据共享模型参数聚类算法,将聚类和数据共享同时应用到联邦学习系统中,该方法既能够有效地减少数据异构对联邦学习的影响,也加快了本地模型收敛的速度。同时,设计了一种评估全局共享模型收敛程度的方法,用于判断节点聚类的时机。最后,采用数据集EMNIST、CIFAR-10进行了实验和性能分析,验证了共享比例大小对各个节点收敛速度、准确率的影响,并进一步分析了当聚类与数据共享同时应用到联邦学习前后各个节点的准确率。实验结果表明,当引入数据共享后各节点的收敛速度以及准确率都有所提升,而当聚类与数据共享同时引入到联邦学习训练后,与FedAvg算法对比,其准确度提高10%~15%,表明了该方法针对联邦学习数据异构问题上有着良好的效果。

摘要：随着深度学习技术在工业领域的大量部署,应用于运输、装卸、包装、分拣等环节的自动化系统成为仓储物流行业的研究热点。针对机器人箱体拆垛场景提出一个点云中心预测-聚类网络(center prediction-clustering network,CPCN),对箱体垛进行实例分割,并计算每个箱体的上表面中心坐标。CPCN在传统的语义-实例联合分割结构的基础上,为实例分割分支设计了中心预测模块和中心强化模块。中心预测模块帮助定位实例中心以避免中心点分割错误,中心强化模块令属于同一实例的点在特征空间中向中心聚集,二者有效增强了实例特征的辨识能力。在实例特征处理部分设计的中心-实例聚类方法直接对实例特征进行距离度量来计算实例标签,大幅减少了计算时间。在箱体数据集上进行的实验表明,与现有方法相比CPCN在实例分割任务中的平均精确率最低提高了0.7个百分点,最高提高了17.2个百分点,预测实例中心的准确率达到94.4%,中心偏移量低至13.70 mm,且推理速度快于同类型的联合分割网络,对于箱体拆垛任务更有针对性,具有良好的应用价值。