课程文献中心 更多>>

关键词： 疲劳驾驶检测   深度学习   多模态融合  

摘要： 文章设计了一种基于深度学习的视觉-生理多模态疲劳驾驶检测系统。该系统通过改进的卷积神经网络(CNN)和注意力机制，提取驾驶员面部特征；结合心电图(ECG)、脑电图(EEG)和肌电图(EMG)数据，捕捉生理信号特征；使用多模态融合策略，综合分析视觉和生理特征，实现高效、准确的疲劳状态识别。实验结果表明，该系统在不同驾驶场景下表现优异，为提高道路交通安全提供了技术支持。

关键词： 序列推荐   变分自动编码器   对抗网络   自注意力机制  

摘要： 序列推荐算法能够从用户的历史互动中捕捉用户的动态兴趣,在推荐系统中发挥着至关重要的作用。虽然基于深度学习的序列推荐算法取得了良好的进展,但是现有算法通常依赖于序列预测任务来优化大量的参数,面对稀疏数据时,很难学习到高质量的用户表示。基于变分自动编码器(Variational Autoencoder,VAE)的生成模型能够有效解决序列推荐算法面临的数据稀疏问题,在序列推荐中显出独特的优势,变分自动编码器因其能强大的生成能力,在序列推荐中被广泛应用,但现有基于变分自动编码器的序列推荐算法依然面临如下挑战。首先,大多算法不具有捕捉用户序列长期和局部依赖的能力,只关注于捕捉用户的单一兴趣,未考虑用户多方面的兴趣,严重影响了模型的推荐性能。其次,现有的基于变分自动编码器的序列推荐模型忽略了降噪处理,导致现有模型的鲁棒性较差。再次,变分自动编码器学习模型的核心是相似性度量,其主要通过重建误差目标提供训练信号。然而,变分自动编码器的重构趋向生成非真实的输出,这会使得模型的生成样本质量较低,从而影响推荐的准确率。 为了解决上述挑战,本文提出两个基于VAE的序列推荐算法: (1)基于降噪多头注意力VAE的序列推荐(DAVAE),该算法将多头自注意力机制引入变分自动编码器进行序列推荐,不仅能捕捉用户的不确定性也能捕捉用户序列长期和局部的依赖,提高了推荐性能。多头注意力机制同时能够对用户多个感兴趣的视图对用户偏好进行建模,将其引入编码器和解码器中,捕获用户多个兴趣点,而不是单一兴趣点。其次该模型在原始数据加入一些噪声,用来对模型降噪处理,避免了数据噪声对推荐性能的影响,加强模型的鲁棒性。最后通过在两个不同类型的数据集上进行充分验证,验证该模型的推荐性能优于现有的基线模型。 (2)基于Wasserstein对抗VAE的序列推荐(WAVAE),该算法将变分自动编码器和生成对抗网络结合起来进行序列推荐,通过对抗性训练提高生成样本的质量,减少重建损失,使变分自动编码器重构趋向于真实,提高推荐精度。其次为了避免对抗性网络梯度的消失,使用Wasserstein损失训练来辅助对抗性网络,确保生成器和判别器处于平衡状态,保证模型的能够正常训练。然后为了控制生成的内容,将原始样本与标签连接起来,输入到编码器中,使生成的样本更逼真。最后在三个数据集上对上述提出的模型做了一系列实验和参数分析,通过充分的实验证明该模型在序列推荐的有效性。

关键词： 结构健康监测   损伤识别   卷积自动编码器   极端梯度提升树   机器学习  

摘要： 为了提升桥梁损伤检测的准确性和效率，提出了一种新的数据驱动损伤识别方法.首先采用卷积自动编码器(CAE)通过数据重构方式从桥梁结构加速度信号中提取关键特征，然后通过极端梯度提升树(XGBoost)对特征数据进行分析，从而实现高精度和高泛化能力的损伤识别.将所提方法用于一座三跨连续梁的数值模拟研究，并在一座斜拉桥缩尺模型上进行了试验验证.数值模拟结果表明，三跨连续梁6种单损伤工况的识别误差均在2.9%以内，4种双损伤工况的识别误差均在3.1%以内.试验验证结果表明，斜拉桥单根拉索的索力减小20%时，该方法仅通过主梁上的传感器即可准确识别不同位置的拉索损伤，在各个损伤案例中均达到了95.8%以上的识别精度.所提方法在不同的损伤场景下均具有较高的识别精度和泛化能力.

关键词： FPGA   火灾检测   烟雾检测   图像去雾   金字塔融合  

摘要： 火灾具有突发性和高破坏性,对社会经济发展和个人生命安全构成威胁,同时会对建筑物、设备和环境等造成危害。智能化消防系统正逐步融入多个应用场景,本文聚焦于边远场景,其泛指因基础设施不足和空间限制等因素导致的布局布线困难,难以进行有线视频传输的区域,例如隧道、地下煤矿、老旧小区等场景。所以设计了基于FPGA的火灾检测系统,实现端到端的图像采集与检测。同时,由于无线传输对网络带宽需求较高,因此本文系统只有检测到火灾发生时,使用Wi-Fi模块通过以太网传输视频帧数据至上位机,以此减少网络需求,优化无线传输。 首先将采集到的视频数据进行直方图均衡与双边滤波得到高质量的视频图像;然后通过分析火灾的图像特征进行特征点提取,构建火焰与烟雾检测系统;火焰特征包括颜色模型、圆形度、扩散特性与整体移动性,在烟雾检测中提出基于暗通道的烟雾检测,对烟雾颜色模型与暗通道烟雾检测进行像素点融合,以此计算其扩散特性;最后对火焰与烟雾提取的特征值进行融合判断提高准确率。本文提出建立去雾融合模块,使用金字塔融合算法,该模块在火灾发生后自动触发,以确保视频去雾处理后的图像不失真,且能够保留现场图像的细节,这样可以为着火点的提取提供更优质的视觉特征,便于管理者对视频图像进行确认。 对系统整体进行调试,分别对FPGA摄像头驱动、图像采集、DDR3控制、以太网传输模块进行仿真波形验证,然后搭建并上板固化代码。实现图像的实时采集,完成图像预处理、火焰检测、烟雾检测与图像去雾融合算法的FPGA实现。经过对实验过程和结果分析,火灾检测中火焰识别与烟雾检测平均准确率分别达到98.5%与99.08%,具有较好的实时性与准确性,对火灾探测技术有着重要的发展意义。

关键词： 分布式光纤传感   目标检测   管道安全  

摘要： 油气管道在我国经济发展和社会生活中占据重要地位,我国90%以上的天然气和70%的原油都依赖管道运输。管道发生泄漏会造成环境污染,经济损失,严重威胁社会生命安全。然而传统的管道安全检测技术无法满足行业的需求,存在着误报多、漏报多、实时性差的缺陷。分布式光纤传感技术是一种新型传感技术,具有本质安全,防雷防爆,抗电磁干扰,适应各种环境,不易损坏、寿命长等众多优势。通过在管道沿线部署光缆实时感知沿线振动信号,并且利用目标检测技术对管道安全事件信号进行定位和识别,从而可实现对油气管道长距离、无盲点、低成本的实时监测。但是现有的目标检测技术在对长距离管道安全的事件检测中,存在着定位和分类准确度低的问题,这也导致管道安全监测系统的误报率和漏报率偏高,可能会造成难以挽回的损失。因此本文通过对现有YOLOv7模型改进,提出了一种能准确定位和识别管道安全事件、并能够满足实时性要求的目标检测算法。具体研究内容如下: (1)概述了本课题的研究背景与意义,通过对光纤传感管道安全监测领域进行调研,总结了基于分布式光纤传感的管道安全监测信号识别研究现状,对不同人工智能算法识别事件信号的优劣势做了详细阐述。并探讨了光的散射原理,对基于相位敏感光时域反射技术的分布式光纤振动传感系统的原理、构造、性能指标和目标检测技术做了详细介绍。 (2)搭建了基于分布式光纤传感的管道安全监测模拟系统,采集了电钻钻孔、锯磨管道、敲击管道、人员行走、挖掘和管道泄漏六类典型管道安全事件的时空信号数据,并对这些数据进行了信号去噪、差分平均、数据切分、数据增强等预处理操作,建立了管道安全事件时空信号数据库。 (3)针对当前目标检测算法对分布式光纤振动传感系统采集到的长距离时空信号数据定位识别精度低的问题,提出一种YOLOv7-SPD-CBAM-DyHead目标检测模型。在原有YOLOv7模型的基础上,通过使用SPD-Conv(Space to Depth Conv)替代部分跨步卷积和池化操作,最大保留所有的特征信息,减少特征丢失,提升对小目标的检测效果。引入CBAM空间注意力机制,使模型有效地识别和细化特征,提高对分布式光纤振动传感二维时空信号的识别精度,同时引入了具备尺度感知、空间感知以及任务感知能力的目标检测头Dynamic Head增强网络对关键特征的利用,提高对二维时空数据中管道安全事件目标的检测精度。并设计了实验对模型的效果进行了评估。实验结果表明YOLOv7-SPD-CBAM-DyHead目标检测模型对于管道安全监测场景下的电钻钻孔、锯磨管道、敲击管道、人员行走、挖掘、管道泄漏事件的检测平均精度均值(mAP@0.5)分别可以达到99.3%,99.8%,99.8%,99.7%,99.9%,99.7%,检测六类事件的平均精度均值可以达到99.7%,与YOLOv5、YOLOv7等目标检测模型相比展示出了最优的性能。 (4)在山东省石油天然气股份有限公司位于淄博市的天然气管道现场进行现场试验测试,来验证算法的可靠性。并在现场对人员挖掘、机械挖掘、人员行走、管道泄漏四种事件类型进行了100组现场测试,测试结果表明系统对于四类事件的检测成功率可达到97%,也证明提出的算法能够有效地定位和识别事件,实现长距离的管道安全监测。

关键词： 车辆行人检测系统   域适应   图像去雾   目标检测   生成对抗网络  

摘要： 随着人工智能技术的快速发展,智慧交通逐渐成为城市交通管控的重要组成部分。目标检测作为其中的关键技术之一,在交通流量实时监测、自动驾驶、视频监控等领域具有极大的应用价值。然而,在雾天环境下,能见度降低、噪声增加等问题造成图像质量下降,目标检测算法的精度受到较大影响。基于上述背景,本文从图像去雾、域适应学习等角度提出两种深度学习算法,并设计一种雾天车辆行人检测系统,具体工作内容如下: (1)为提高目标检测算法在雾天环境的检测精度,结合基于物理模型和基于学习的去雾方法优势,提出一种基于FSID(Fast Single Image Dehazing)和生成对抗网络的去雾算法。该算法采用FSID对雾天图像预处理;使用跨层通道激励结构代替普通的残差连接;通过预训练模型Res Net50将特征映射至不同尺度空间;基于优化的透射图和大气散射模型重建雾天图像并与原输入雾天图像进行相似度比较。进行相关实验并与其他先进算法对比,本文算法具有更佳的去雾性能,对雾天图像去雾处理有效提高了目标检测精度。 (2)为解决先去雾后检测的两阶段方法运行效率低和雾天数据标注成本高、耗时长等问题,提出一种基于平均教师框架的域适应目标检测算法。该算法使用CUT(Contrastive Unpaired Translation)方法实现中间域数据转换,基于类源域数据产生伪标签辅助学生模型训练;使用自适应阈值筛选、处理伪标签,提高目标域数据的标签质量;对检测网络YOLOv5s进行Rep VGG结构重参数化,提升模型的推理速度。使用多个数据集实验并与其他先进算法对比,结果表明本文算法具有较优的检测精度和实时性。 (3)基于提出的域适应目标检测算法,设计一种雾天车辆行人检测系统。首先使用Qt Designer设计系统界面,其次基于Python和Py Qt5完成系统各模块功能设计,包括注册登录、图像显示、算法检测、记录存储四个部分,最后对系统的各个模块测试,验证了系统的有效性和鲁棒性。