基于三角自卷积窗的高精度电能计量算法

提出了一种基于三角自卷积窗的插值FFT谐波分析和电能计量算法,结合三角自卷窗的频谱特性,给出了其实现流程,建立了基波和谐波分次电能计量方法.由于三角自卷积窗具有优良的旁瓣性能,因此基于三角自卷积窗的插值FFT算法能有效减少谐波间相互干扰,提高谐波分析和电能计量准确度.仿真实验验证了本文算法的有效性和准确性.     

模糊图像复原的高阶全变差正则化模型构建

模糊图像复原是一类典型的不适定反问题.为保证复原过程的稳定性,在二阶梯度域构建了模糊图像复原的高阶全变差正则化模型.针对该模型数值求解的困难,将原问题分解成Tikhonov反卷积和高阶全变差图像去噪2个子问题,并分别对其设计高效的数值求解格式.试验结果表明,该图像复原方法在快速恢复图像细节信息时能够有效地抑制振铃效应和阶梯效应的产生.     

基于快速解卷积的稀疏时水声信道估计方法

针对传统信道估计算法的不足之处,本文提出了一种基于快速解卷积(Fast Deconvolution Method,FDM)的稀疏时变信道估计方法。FDM算法基于?1-?2范数优化模型,结合循环矩阵特征值分解方法,将大维度矩阵运算转化为可通过FFT(Fast Fourier Transform)/IFFT(Inverse Fast Fourier Transform)快速实现的向量运算,有效降低了运算复杂度。结果表明,FDM算法具有时延超分辨能力,且具有更低的信道估计旁瓣。此外,该方法在不同的正则化参数、信噪比和不同传输距离等条件下对水声信道估计具有较好的稳健性。     

基于声阵列测试和声学边界元计算的粉碎机噪声源识别

【目的】粉碎机是农产品加工领域的重要装备，但其造成的振动噪声一直影响着操作人员的身心健康，而粉碎机的减振降噪优化的关键在于噪声源的识别。【方法】以某锤片式粉碎机为研究对象，采用试验与仿真相结合的方式对其进行整机声学性能评估和主要噪声源识别。【结果】基于九点声压法的整体声学性能的评估结果表明：此粉碎机的整机声功率级超过国家规定上限110 dB(A)，因此有必要对其进行噪声源识别，以便对粉碎机进行降噪优化设计。结合声阵列测试和声学边界元计算的结果发现：粉碎机的主要噪声源为箱体，其次为汽油机、带轮罩以及齿轮罩。【结论】研究结果不仅为粉碎机的减振降噪设计提供一定的参考，还为农产品加工机械与装备的噪声源识别提供一种行之有效的方法。     

一种基于卷积神经网络的小麦病害识别方法

针对准确识别小麦常见病害的需要,提出了一种基于卷积神经网络的小麦病害识别方法。该方法首先以小麦病害图片资料为基础,利用中值滤波法、直方图阈值法等对图像进行去背景、去噪、病斑分割等预处理形成样本库,然后利用卷积神经网络构建一个具有五层结构的深度学习模型进行样本学习,并利用随机梯度下降法进行学习过程控制,最后以获取的特征集对小麦图片进行病害识别,并形成一个在线识别系统。在泰安市4样点的试验结果表明,利用该方法可以有效实现对小麦常见病害——纹枯病、条锈病、叶锈病、秆锈病、赤霉病和白粉病的识别,综合识别率可达99%以上,可以应用于实际生产管理。     

木工宽带砂光机噪声传播声压等值线图制作方法新探

为了提高现场测试的效率和数据的准确度,该文提出了一种基于噪声衰减原理而建立虚拟噪声源的方法.利用该方法,可以根据有限的实际测量数据,对实际测点周边的噪声值进行预测计算,绘制噪声传播线图,过程简便,结果一目了然.通过该方法计算的预测噪声值与实际值进行比较,验证了该方法的精度和可行性,比较客观地反映了区域噪声污染现状和噪声污染在区域内的变化情况,为砂光机等多噪声源的现场环境噪声测试提供了新方法     

基于DSP＋FPGA的DBF雷达收发校正技术实现

DBF（数字波束形成）雷达因为体制灵活而应用广泛,DBF雷达的关键技术之一是数字阵列的校正问题,数字阵列的发射通道和各接收通道间存在幅相误差,应对其进行校正。介绍了数字天线阵列和DBF的基本原理,提出了一套用DSP＋FPGA的DBF雷达收发校正实现方案,期望能对数字波束形成在雷达系统中的应用提供参考。     

基于改进全卷积神经网络的黄瓜叶部病斑分割方法

为了解决传统卷积神经网络在黄瓜叶部病斑图像分割中存在模型训练时间长、分割效果差以及分割过程中易受光照和背景影响等问题,提出了一种基于改进全卷积神经网络的黄瓜叶部病斑分割方法。首先在模型训练的初始阶段使用传统的卷积神经网络得到病斑图像的轮廓特征,在训练过程中将传统的修正性单元(RELU)激活函数替换为指数线性单元(ELU)激活函数;然后对传统的卷积神经网络得到的病斑图像轮廓特征进行二次模型训练,训练过程中使用批归一化(Batch normalization)函数稳定模型训练过程;最后将原始卷积神经网络的多项逻辑回归(Soft max)分类器更换为支持向量机(SVM)分类器,对分类器输出的像素分类结果进行反卷积操作,恢复图像分辨率,得到分割结果。使用本研究方法与改进OTSU、SVM、CRF和传统FCN等4种方法在黄瓜叶部病斑数据集上进行分割试验,结果表明本研究方法的平均像素分割准确率为80.46%,平均交并比为70.43%,具有较高的分割精度。     

远场波束形成问题的光滑过渡带设计及分析

麦克风阵列宽带波束形成的设计是一个优化问题,它在语音信号处理中的应用非常广泛.它的目标函数通常只考虑了通带区域和阻带区域,在过渡带区域不受限制.当滤波器长度比较大时,问题最优解的实际响应函数在过渡带区域出现振荡,这使得麦克风阵列系统在不确定环境下的鲁棒性非常差.本文通过对波束形成设计问题进行改进,使得当滤波器长度充分大时,实际响应函数在过渡带区域实现平稳光滑过渡,并且与原波束形成设计的性能非常接近.此外,本文给出了波束形成设计与光滑过渡带设计的性能分析,并通过数值例子验证了光滑过渡带设计的有效性.     

一种改进可形变FCN的农作物害虫检测方法

田间农作物害虫种类繁多，不同的生长阶段形态和颜色各异，在自然环境下采集的图像背景复杂，角度和尺度变化多样，从而使传统的害虫检测方法准确率较低。提出一种改进可形变全卷积神经网络(deformable fully convolution network, DFCN)的农作物害虫检测方法，该方法由编码模块和解码模块组成。编码模块在VGG16中采用了可形变卷积，能适应不同形状、位置和尺寸等几何形变的害虫图像。为了更好地保留害虫图像的纹理特征和背景特征，在编码模块中应用了混合池化，加快了网络的训练速度，提高了害虫检测的准确率；解码模块对编码的下采样层进行反卷积操作，最后应用像素级分类器获得有效的检测图像。在扩展的害虫图像数据集上与DFCN方法的分割精确度和平均交并比分别为90.43、78.16,较语义分割方法SegNet分别提高了3.27、3.72,单幅图像的识别时间为0.36 s,比SegNet加快了0.16 s。结果表明DFCN方法在害虫图像检测方面具有较高的准确率，分割速度快，可为复杂背景下农作物害虫检测提供一定的理论参考。     

CW6136车床噪声的测试分析与研究

本文是结合长沙第二机床厂产品CW6136车床的降噪试验研究,对该机床采取了各种试验测试方法,识别噪声源;并从该机床的传动、结构、设计、装配等方面分析其噪声产生原因,为新设计低噪声机床提供了可靠的理论根据。     

一种改进的多任务级联卷积神经网络人脸检测算法

人脸识别是人工智能的重要应用领域之一,人脸检测是人脸识别的关键步骤.由于姿势变化、外物遮挡以及光源方向等多方面因素的影响,人脸检测的准确率不高,并且对于多人图片,往往很难准确地识别出所有人脸.提出了一种改进的多任务级联卷积神经网络的人脸检测算法(IMTCNN):对R-Net层网络集成图片信息卷积残差模块,通过扩大特征图的感受野来获取更多人脸信息,以提升R-Net层网络对人脸目标的检测鲁棒性,并且通过加入反卷积层和最大池化层解决特征融合时维度不一致问题;对O-Net层网络集成图片信息卷积残差模块,进一步提升对多人图片的人脸检测性能,降低人脸检测过程中受外部条件影响产生的误差,同时添加2个卷积池化层使特征融合时维度一致.通过改进R-Net层和O-Net层集成图片信息卷积残差模块,扩大特征图的感受野,对图片进行人脸候选框定、选区筛选以及人脸关键点定位,最终实现人脸检测.试验结果表明,该算法速度快,准确性高,并且可以一次性检测多张人脸,为后续人脸识别打下了良好的基础.     

基于改进ShuffleNet V2模型的苹果叶部病害识别及应用

苹果生长过程中容易受到病害影响而减产,造成经济损失。大型卷积神经网络可准确识别出苹果病害,但移动设备有限的计算资源限制了该类网络在其上的具体应用。轻量级卷积神经网络可运行在移动端,并能够实现病害的实时识别,但其识别精度往往不如前者。为解决该问题,在轻量级卷积神经网络ShuffleNet V2基础上,通过调整基本残差单元结构和网络宽度,同时引入卷积块注意模块（convolutional block attention module,CBAM）,提出了改进型ShuffleNet#苹果叶部病害诊断模型。以苹果疮痂病、黑腐病、锈病、健康叶片为研究对象,收集简单和复杂背景图像各2000张,通过数据增广将其扩充至40000张,构建苹果叶部病害图像数据集,应用该数据集,对苹果叶部病害诊断模型进行训练和测试。以识别准确率、模型复杂度、平均推理时间等为判别标准,并与多个现有卷积神经网络模型进行比较。结果表明：改进后的模型能有效地识别出上述2种不同背景的4类图像,在测试集上识别准确率达到98.95%,移动端单张图像的平均推理时间为39.38ms。相较于大型的ResNet101网络,该模型在准确率上仅降低0...     

基于深度可分离卷积神经网络的农作物病害识别方法

为了满足现代化、机械化农业生产的目标,降低模型的计算量,使农作物病害分类模型更适用于资源受限制的设备,提出了一种以深度可分离卷积为主的神经网络模型。利用深度可分离卷积和卷积相结合的方法取代标准卷积,计算量可降低至标准卷积的12%左右,并且大大减少网络模型的参数量。通过进一步减少通道数、改变网络输入图片大小的等方式,获得12种参数量和计算量不同的模型。结果显示,对含有复杂背景和光照不均匀的10类农作物的27种病害样本图片进行分类,该研究提出的模型准确率为98.26%,且参数量仅904 K。     

基于卷积神经网络的草莓叶部白粉病病害识别

针对计算机视觉下草莓叶部白粉病病害的识别,提出了一种基于卷积神经网络的病害识别模型。首先,设计了3种网络深度(经过3、4和5次卷积操作)与3种卷积核(5×5、3×3,5×5、3×3混合)交叉组合共9种不同网络深度与卷积核尺寸的卷积神经网络结构;其次,分别选择了4种采样层构建方法(均值池化、最大值池化、中间值池化和混合池化);最后,进行了9组训练集与测试集不同比例的模型识别。结果表明,基于混合池化的CNN-9模型(卷积核尺寸5×5,3×3;卷积神经网络深度11)表现最好,对草莓叶部白粉病病害的正确识别率达到98.61%。该方法可较好地实现草莓叶部白粉病病害的识别,且图像预处理步骤简单,易推广,可用于草莓白粉病病害的实时监测。     

基于VGG-16卷积神经网络的水稻害虫智能识别研究

为了实现自然场景下水稻害虫实时精准被识别,构建基于VGG-16卷积神经网络的水稻害虫智能识别模型。该模型采用VGG-16卷积神经网络为核心网络结构,根据水稻害虫的个体特征和自然场景,对VGG-16网络的卷积层局部调整,优化主要模型参数,实现水稻害虫的智能识别,其识别的平均准确率是90.7%,实现对沙叶蝉、大螟、斑须蝽、点蜂缘蝽和白背飞虱的准确识别。研究结果显示,采用卷积神经网络技术可以实现自然场景下害虫图像的精准识别,代替人工辨认,提高水稻害虫防治率,实现实时、精准防治的目标。     

基于孪生多尺度空洞胶囊网络的黄瓜叶部病害检测方法

在黄瓜叶部病害检测中,传统方法简单但检测正确率低,难以处理多种多样的病害叶片图像,深度卷积网络的检测正确率高,但依赖于大量训练样本,训练时间长。本研究提出一种基于孪生多尺度空洞胶囊网络(Siamese multi-scale dilated capsule network, SMSDCNet)的黄瓜叶部病害检测方法,该方法整合了孪生网络、空洞卷积网络和胶囊网络的优势,将多尺度空洞卷积模块Inception引入胶囊网络,作为孪生网络的子网络,构建孪生多尺度空洞胶囊网络模型,提取多尺度判别特征,再进行矢量化处理,最后经动态路由算法得到具有空间位置信息的胶囊向量,进行病害检测与识别。SMSDCNet克服了深度卷积网络需要大量训练样本、训练时间长以及对旋转和仿射变换敏感的问题,并且克服了多尺度卷积网络训练参数较多的问题。在一个较小的黄瓜病害叶片图像数据集上进行试验,病害检测精度达90%以上。结果表明,该方法能够实现小训练样本集的黄瓜叶部病害检测,为训练样本有限情况下的作物病害检测提供了一种新方法。     

立木枝杈点自动识别方法

立木整枝机器人在整枝作业过程中需要实时自动识别立木枝杈点并计算出其相对空间位置关系.该文给出了一种适用于立木整枝机器人的立木枝杈点识别新方法.该方法首先使用数学形态学方法对图像进行二值化处理,然后对二值图像进行骨架化处理,最后将骨架化后的图像与一个3×3的全1矩阵构成的模板进行卷积运算;卷积结果大于给定阈值3的像素点就是枝杈点位置.实验证明,该方法能够比较准确地检测到立木图像枝杈点并计算出枝杈点的位置.      

基于全卷积神经网络的荔枝表皮缺陷提取

【目的】增强荔枝表皮缺陷提取效果,满足其品质检测分级准确性要求。【方法】采用Tensorflow框架构建基于AlexNet的全卷积神经网络AlexNet-FCN,以ReLU为激活函数,Max-pooling为下采样方法,Softmax回归分类器的损失函数作为优化目标,建立荔枝表皮缺陷提取的全卷积神经网络模型,并用批量随机梯度下降法对模型进行优化。【结果】模型收敛后在验证集上裂果交并比(IoUd)为0.83,褐变交并比(IoUb)为0.60,褐变与裂果的总体交并比(IoUa)为0.68;与利用线性SVM、朴素贝叶斯分类器缺陷提取效果相比,该模型的特征提取能力显著提高。【结论】全卷积神经网络在水果表面缺陷提取中具有良好的应用前景。     

一种改进深度卷积神经网络的海岛识别方法

受不规律潮汐的影响,现有的海岛地物类别自动识别方法存在精度低和时效性差等问题,通过改进深度卷积神经网络提出了一种基于遥感影像的海岛快速识别方法:(1)在深度卷积神经网络的卷积层中增设1×1的卷积核作为瓶颈单元,对多波段的遥感影像进行降维;(2)在池化层引入了重采样方法,基于灰度值对海量的遥感影像进行特征压缩。以300景Landsat-8遥感影像为源数据,分别采用CNN、RCNN和本文改进的深度卷积神经网络对遥感影像中的海岛进行识别,实验结果表明:(1)改进的深度卷积神经网络降低了海岛识别的计算耗时,其计算耗时仅为CNN的4.56%和RCNN的5.60%;(2)改进的深度卷积神经网络较CNN和RCNN提高了海岛识别的精度,识别精度分别为96.0%、93.3%和95.0%。结果说明,改进的深度卷积神经网络适用于面向遥感影像的海岛自动识别。