课程文献中心 更多>>

关键词： 图像融合   无人机   目标识别   双光融合  

摘要： 随着无人机产业快速发展,无人机对地目标检测系统在军事、民用和商业领域应用广泛,在无人机上搭载的图像识别也得到了广泛的应用。可见光图像具有丰富的纹理和高空间分辨率,但恶劣条件下成像质量会下降,相比之下,红外图像不受光照条件的影响,适合全天候工作,但图像本身缺乏细节,无法充分反映场景信息。因此,仅依靠一种图像类型执行视觉任务存在很大的局限,尤其对于依赖视觉信息的无人机任务而言,将红外图像与可见光图像进行有效的配准和融合,既可以保留了可见光图像的色彩、纹理和边缘信息,也突出了红外目标相对于背景的亮度,从而显著提高无人机目标检测的识别能力。 本研究旨在通过采用先进的红外与可见光图像融合技术,结合改进的目标检测网络,设计一种复杂环境下无人机对地目标检测系统。本文的主要工作内容如下: 图像采集与图像预处理:首先搭建双源图像采集平台,然后对图像预处理的理论基础进行了解释说明,对红外和可见光图像进行图像预处理,其次分别介绍了Laplace算法的实现步骤以及公式,最后对预处理效果图展示及目标识别性能对比。 基于边缘特征的改进ORB算法:提出了一种创新的配准方法,即利用ORB和Canny边缘检测相结合的融合配准方法,完成对可见光图像和红外图像的配准,通过提取边缘图像上的特征点进行图像匹配,从而提高了匹配的精度。 基于双对抗学习的双光融合生成对抗网络(Tar DAL):将Tar DAL在双光融合中的进行应用,通过对融合前后进行主观客观评估,并进行融合算法图像评价对比试验,从而验证了融合图像的质量得到了显著提升,为目标识别任务提供了更好的准备条件。 基于改进YOLOv5s的图像识别方法:研究改进了一种YOLOv5s-GN-CB图像识别方法,该方法可以提高无人机对地等多类目标识别效率的目的。本文对YOLOv5s的主要改进包括以下三个方面:将Ghost引入到YOLOv5s主干网络中,并将NWD loss损失函数融入至Ghost中;添加注意力机制CA;添加加权双向特征金字塔Bi FPN。经实验验证,改进的YOLOv5s-GN-CB检测模型分别对融合可见光图像、红外图像和融合图像进行测试,数据集下目标识别平均精度均值(m AP@0.5)分别达到、93.38%、94.85%、95.1%,FPS提高至75.188帧/s。相较于YOLOv5原始模型对融合图像的平均精度均值(90.9%)和FPS分别提高了4.2%和12.02%。这一显著提升证明了我们提出的红外-可见光融合技术在目标检测任务中的有效性。 系统设计与效果验证:主要针对复杂环境下无人机对地目标检测对速度和性能要求较高的需求,采用基于边缘特征的ORB算法、基于Tar DAL的红外与可见光图像融合算法、改进的YOLOv5s-GN-CB目标检测算法,构建了一套基于红外-可见光图像融合的目标检测系统。首先,阐述了一下系统总体方案,包括系统组成和系统工作原理。然后对系统所需硬件进行选型,并展示无人机整体构造,选型包括:红外相机、可见光相机、无人机、机载电脑、地面工作站。其次,针对本文算法开发系统软件,设计软件的功能和模块。最后,通过可视化软件进行图像融合及目标检测实验,并展示系统运行结果。实验结果表明,基于红外与可见光图像融合技术的无人机对地目标检测系统能够满足的复杂环境下无人机对地目标检测需求。

关键词： 电子鼻   血液感染检测   机器学习  

摘要： 血液感染(Bloodstream infection,BSI)是当前世界公共卫生问题之一,随着静脉置管等侵入性操作和广谱抗生素及免疫抑制剂等药物的广泛应用,血液感染的发生率和严重程度逐年升高。特别是在疫情笼罩下的过去几年,血液感染的延误诊断、不恰当的感染控制措施、过度的免疫抑制疗法以及有创介入治疗的使用是之前院内血液感染特别是新冠患者继发性血液感染患病率和死亡率高的主要原因。另外,败血症具有独特的临床过程,对时间的把握至关重要,在早期阶段通过尽早诊断和及时与适当的临床管理,可以高度顺应治疗。因此,早期快速地识别血液感染类型并建立针对性的治疗方法是成功治愈血液感染的关键。 目前,血培养被认为是诊断血液感染的金标准,但是该技术检测周期较长(视病原微生物种类不同有所差异,但至少2天以上),而血液感染患者往往病程紧急,如脓毒症和脓毒症休克患者往往需要数小时甚至几分钟内采取针对性治疗措施,其次,该技术对于生长缓慢、细胞内生长以及难以培养的微生物和病原体敏感性较低,甚至产生假阴性结果。因此,临床上为应对紧急病情,医生往往不得不根据自身经验对血液感染患者进行广谱抗菌治疗,这将进一步降低血培养的敏感性。为克服这些不足,近年来一些用于早期识别血液感染病原体的分子诊断技术逐渐涌现并实现了商业化,对传统血培养技术进行了补充,如PCR技术、荧光原位杂交(FISH)和基因测序以及全基因测序技术等,但是这些技术价格昂贵、流程复杂、技术要求高、检测时间长。随着无创医学诊断和治疗技术的不断进步,呼气分析是最有可能替代无创和便携式健康诊断的方法。电子鼻与传统分析仪器相比,具有采集样本方便、检测速度快等优点,随着新型传感器技术、微加工技术的提高以及信号处理方法的不断完善,电子鼻将会具有更加广阔的应用前景。 为研究基于呼气分析快速检测血液感染患者的可行性。本文开展了如下工作: (1)以呼气诊断技术为核心,研制了一套基于呼出气体进行呼气指纹谱检测及血液感染相关患者快速筛查的电子鼻。完成了对硬件和下位机两方面的设计:从血液感染检测标志物的确定、传感器的选择、气室的设计到硬件电路成型;从气路控制、稳定检测到传感器响应的采集存储,使电子鼻能够应用于实际临床样本的检测;(2)以呼气诊断这种无创的样本采集特点,设计了较为合理的临床样本采样流程,把自搭建的电子鼻系统用于血液感染组和对照健康组的呼气样本采集,共完成20例样本采集,通过对采集的样本进行分析,验证了电子鼻的性能;(3)基于机器学习的血液感染患者与健康对照组的呼气指纹谱分类。对指纹谱预处理后,提取筛选特征,构建特征数据集,利用三种常用机器学习分类模型开展训练,以F1分数、灵敏度、特异性、ROC曲线等四个指标完成评价。实验结果显示,KPCA-SVM的组合下对血液感染二分类问题诊断效果极好,平均准确率最高达94%。 本文研究验证自搭建的电子鼻系统能够采集到带有确诊血液感染患者与健康对照组特征的呼气样本的指纹谱的可行性;两者指纹谱含有足够多的特征,在去基线、滤波和特征提取后能够被正确分类,建立能够区分血液感染患者与健康对照组的分析诊断模型。

关键词： 分布式光纤传感   模式识别   机器学习   特征融合  

摘要： 传统的安防系统主要依赖于视觉侦察、红外线照射和电子围栏等手段来监控入侵行为,但这些传统的防卫应对策略却有着较弱的抗电磁干扰能力、检测范围小、维护费用较高等问题。而光纤分布式传感技术凭借经济性和连续性等特点,已经广泛应用于长距离管线、边境线及周界安防监测等领域。然而,目前的安防入侵检测系统仍然存在着识别精度低、误报率高等问题。为了解决这一挑战,本论文开展分布式光纤传感入侵信号的模式识别研究,并提出一种高效、快速且准确识别多种入侵事件的深度学习算法。具体研究内容如下: (1)首先概述研究的背景与意义,通过对光纤传感周界安防领域进行深入调研,全面总结了特征提取和模式识别的最新进展。随后,详细探讨光的散射原理,对干涉仪和基于光时域反射仪方案进行了比较,并详细介绍了基于φ-OTDR的DAS系统的传感原理、系统结构以及主要性能参数,为进一步的DAS系统模式识别研究提供了理论基础。 (2)搭建分布式光纤传感周界安防系统,采集无威胁背景、敲击、攀爬、电钻、下雨、大风等六类典型安防事件的数据,建立DAS光纤信号数据库。对这些数据进行归一化、分帧、去噪等预处理操作,有效消除了内部和外部环境背景的干扰。 (3)研究光纤传感入侵信号的识别方法,针对DAS系统采集到的高采样率长序列信号数据识别精度低的问题,提出一种基于特征融合的CDIL-CBAM-Bi LSTM网络模型。模型采用改进后的循环扩张卷积神经网络(CDIL-CNN)从每个信号节点处提取详细的时间结构信息,然后以特征融合的方式结合双向长短时记忆网络(Bi-LSTM)对数据进行更深层次的挖掘。此外,为了提升信号的特征提取能力,我们设计了卷积块注意力模块(CBAM)来优化模型的性能。为了提升模型的识别效果,通过实验对比选择了合适的Adam优化算法和Leaky Re LU激活函数。基于5040个训练样本和2160个测试样本的实验结果表明,所提出的模型对周界安防情景下的无威胁背景、敲击、攀爬、电钻、下雨和大风六种真实扰动事件的识别精度分别达到:100%、98%、100%、99%、95%、100%,平均识别精度可以达到99%以上,且识别时间小于2毫秒。此外,与CNN-CBAM-LSTM、AF-CNN、1-D CNN+Dense Net等其他光纤传感领域模式识别方法相比,本文提出的方法实现了较高的识别精度,并且可以推广到其他领域,例如管道安全监测等。 (4)在周界安防试验现场,针对现场实际情况,开展基于分布式光纤传感技术的周界安防信号识别应用,采用挂网和地埋的方式敷设光缆,采集包括滚石、攀爬、人走、挖掘、抛物和无人机入侵等六类现场事件数据,并对这些数据进行预处理,制作数据集。实验结果表明,本文提出的方法可以有效地识别入侵事件,实现了长距离周界安全监测。

关键词： 无线传感器网络   数据聚合   拓扑结构   切片混合   数据传输  

摘要： 无线传感器网络(Wireless Sensor Networks,WSNs)是由众多分布在不同空间位置的传感器节点自组织成的分布式计算机网络结构。由于传感器节点的能量、计算能力、存储空间等条件的限制,在收集数据时存在网络负载不均衡、节点死亡速度过快、数据易丢失等问题,而数据聚合是解决上述相关问题的重要方式之一。目前的数据聚合算法,大多考虑传感器节点初始能量大小一致的场景,然而在实际的生产应用过程中,节点的初始能量存在很大差异,这会严重影响数据聚合算法的效率。为解决这一问题,论文对节点异能的无线传感器网络数据聚合算法进行研究,主要进行以下工作: (1)提出一种基于树状拓扑的无线传感器网络数据聚合算法(Data Aggregation with Different Initial Energy,DADIE)。算法主要包含以下内容:构建聚合树时,DADIE算法将数据接收端视为聚合树的根节点,从根节点开始,将网络中的节点根据距离因子和能量因子加入聚合树;数据传输前,在传输节点之间建立安全信道并对聚合树的叶子节点进行切片混合操作,以提高数据私密性;数据传输时,由叶子节点开始将数据沿聚合树传输到接收端。经仿真对比实验验证,在处理节点初始能量不同的WSNs数据收集问题时,DADIE算法较对比算法在通信开销及能量、数据私密性和节点死亡速率上表现出更好的性能。 (2)提出一种基于簇状拓扑的无线传感器网络数据聚合算法(LEACH-BET)。该算法在LEACH算法的基础上进行优化,算法主要包含以下内容:LEACH-BET算法在每轮数据收集前计算当前轮次最佳簇头数量,根据节点能量因子及密度因子与最佳簇头数量构造阈值计算方式,利用阈值计算公式进行簇头选择;其余节点根据能量因子、距离因子及密度因子选择簇头节点;数据传输时,将网络中的节点进行分层,簇头节点数据以多跳方式进行数据传输,簇头节点根据能量、距离及簇内节点数量等因子选择下一跳。经仿真对比实验验证,在处理节点初始能量不同的WSNs收集数据问题时,LEACHBET算法较对比算法在能量消耗、节点死亡速率低和数据传输量上表现出更好的性能。