课程文献中心 更多>>

关键词： 掘进机   轨迹规划   截割能耗   欠挖面积   灰狼优化  

摘要： 巷道断面成形是煤矿掘进过程的重要工序，现有的巷道断面成形轨迹多为人工操作进行往复式截割，制约了煤矿掘进工作面智能化的发展。为此，本文针对掘进机截割轨迹规划未考虑煤岩特征、优化目标单一的问题，提出了一种基于改进灰狼优化（Grey Wolf Optimizer,GWO）算法的掘进机截割轨迹规划方法。将截割断面环境根据夹矸位置分为4种，对相应断面进行栅格化并建立栅格地图，采用二值膨胀法对不规则夹矸进行膨胀化处理，并利用改进的GWO算法实现了4种断面环境的轨迹规划。改进GWO算法部分中，首先对算法的收敛因子进行了改进，使其具有更强的寻优能力和更快的收敛速度；然后采用精英反向学习的方法对种群进行初始化，以维持种群多样性；最后基于粒子群思想更新了位置方程，从而提升算法的收敛性能。实验结果表明：相较于传统GWO算法，改进GWO算法收敛速度更快、收敛性更好；在4种仿真实验场景下，改进GWO算法相比传统GWO算法规划出的轨迹截割路径长度更短、欠挖面积更小、转向次数更少，在轨迹跟踪控制时更容易实现高精度、高效率地控制，保证了巷道成形质量。最后通过实验平台掘进机样机进行断面截割试验，结果表明，改进GWO算法规划出的截割轨迹既能提高截割效率，也满足巷道断面成形的质量要求。

关键词： 荣昌猪   全基因组测序   基因型填充   遗传结构   选择信号  

摘要： 旨在基于填充序列数据，通过选择信号分析挖掘荣昌猪重要经济性状相关的候选基因，探究其在人工和自然选择过程中的受选择情况。本研究选取591头荣昌猪进行猪50K基因分型，随机选取其中120头进行全基因组测序，以全基因组重测序数据为填充参考模板对50K基因数据进行填充，基于填充序列数据开展遗传结构、Tajima’D和CLR分析。基因型填充后，基因型填充正确率为0.942，质控后保留了8 823 367个高质量SNPs（填充正确率为1.00）。遗传结构分析显示，荣昌猪群体不存在明显的群体分层，且绝大部分个体间遗传距离>0.1，分子亲缘系数<0.1。CLR检验筛选到226个潜在受选择区域，基因注释发现与繁殖、生长、胴体等性状相关的候选基因（CDK9、SLC2A8、IGF1R、GSK3B等基因）。利用Tajima’D检验检测到225个潜在受选择区域，基因注释发现与毛长度（CFAP299）、毛色或耳聋（MITF、ZNF532）、脂肪沉积（GSK3B）、繁殖（FOXP1）等性状相关的基因。进一步整合不同方法分析结果，发现11个相同的潜在受选择区域和123个候选基因，包括MITF、ZNF532、GSK3B等与耳聋和白化病、繁殖等经济性状相关的基因，并且发现1条显著的GO term和KEGG pathway（P<0.05）与黑色素生成、视觉发育等通路相关。本研究根据富集分析结果和基因分子生物学功能，筛选出MITF、ZNF532、GSK3B、FOXP1、SLC2A8、CDK9、IGF1R、TBC1D4等8个重要候选基因可能参与调控荣昌猪毛色、耳聋、脂肪沉积、繁殖性能、生长性能等经济性状。该结果从全基因组水平探究了荣昌猪的遗传结构和选择信号特征，筛选出的重要候选基因为后续荣昌猪保种育种和特色性状的遗传机制解析提供了重要的理论参考。

关键词： 符号网络   力导引布局   网络布局指标   可视化分析  

摘要： 为解决现有网络可视化布局算法未能充分考虑符号网络中连边符号特征的问题，提出了一种新算法，通过调整节点受力并考虑全局均衡性，根据连边符号调整节点位置，优化节点间作用力机制。实验结果表明，该算法能直观展示符号网络中的积极或消极关系，提升用户对网络拓扑结构的理解。此外，我们还提出了新的网络布局美学指标，量化布局质量，有效降低边长偏差和边交叉数。本研究为符号网络的可视化提供了新方法，有助于深入理解复杂网络结构。

关键词： 钢管目标检测   PPYOLOE   HGNetV2   SPPELAN   Dysample  

摘要： 在特钢企业向“灯塔工厂”转型升级中，实现钢管物料实时跟踪是其中的核心内容，由于物料多样性以及产线的复杂性使得接近式传感器无法满足物料检测可靠性要求。为此，依据车间内现有环境和需求，搭建物料跟踪摄像系统，采集了物料及产线上部分特征组成图像数据集；基于视频分析，引入了一种面向特钢车间内物料实时跟踪的钢管目标检测算法。该算法以PPYOLOE网络为基础。首先，将PPYOLOE中的CSPRepResNet主干网络替换成HGNetV2轻量级主干网络，在提升特征提取能力同时减小参数量；其次，在Neck中融合HG-Block和SPPELAN进一步减小参数提升速度；最后，在上采样阶段，运用Dysample动态上采样算子提升不同尺度特征的融合效果，提升算法的检测精度。实验结果表明，相比于原始的PPYOLOE算法，改进后的算法在检测精度上提升了1.6%达到80.5%，检测速度提升了16%达到56.4帧，GFLOPs和参数分别下降35%和33%。改进后算法有效提升了检测精度和检测速度，通过现场部署实施，满足了钢管物料实时跟踪要求。

关键词： 毫米波定位   智能反射面   张量分解   克拉美罗界  

摘要： 针对非视距环境下毫米波系统中由于视距路径被遮挡导致的定位性能急剧下降的问题，提出了一种单个智能反射面辅助的多天线毫米波单基站系统三维定位和方向角估计算法。首先利用毫米波信道的稀疏特性，结合张量理论，将与位置信息相关的信道参数估计问题转换为张量分解问题进行求解；然后基于估计的定位相关参数利用混合到达时间、到达角度和出发角度定位算法估计出移动台的位置坐标和方向角。为了评估所提定位算法的性能，推导了移动台位置和方向角估计误差的理论界限。仿真实验结果表明，所提定位算法性能能够较好地接近估计误差理论界限，验证了所提算法的有效性。

关键词： YOLOv5m   FasterNet   轻量化   注意力机制   解耦头   EIoU  

摘要： 针对无人机航拍图像背景复杂、目标物较小，模型部署困难的问题，提出了面向航拍图像的轻量化目标检测算法，在YOLOv5m的主干网络中引入FasterNet轻量化模块替换C3模块，压缩模型参数量，提升模型的推理速度；在特征融合网络，采用改进的CBAM＿L注意力机制，专注于捕捉航拍图像中的小目标信息同时提高了模型的目标识别精度；将检测网络中检测头替换成解耦头，解决航拍图像输出变量时分类和回归的冲突问题，并把网络中损失函数替换成EIoU，有效提升了模型回归精度。在公开数据集VisDrone上验证结果表明，改进后模型的平均精度mAP@0.5提高了1.4%，参数量缩减到原模型的34.3%，计算量缩减到原模型的32.3%，检测速率达到77帧每秒（FPS），表明该算法在检测准确性和速度上都取得出色的性能。

关键词： 目标跟踪   点提示   零样本分割   深度学习  

摘要： 当前目标跟踪算法往往采用目标框或分割掩模初始化模板，然而在有限操作时间或恶劣场景难以提供目标框或分割掩模。提出一种点提示的目标跟踪算法，其仅需要提供位于目标分割掩模中的任一图像坐标即可完成模板初始化。首先采用SAM对图像目标进行零样本分割，获取分割掩模，求外界矩形框作为ATOM跟踪算法的输入，从而完成模板初始化。采用高斯-牛顿共轭梯度法对模板在线快速学习，获得目标定位器，与离线学习的IoU预测分支共同完成目标跟踪任务。最后，根据点提示输入完成了目标跟踪算法仿真。仿真结果表明，在UAV123数据集上，算法的精度P达到79.7%，AUC达到60.6%，跟踪性能相较于经典算法有一定提升。同时，FPS达到87.4帧/s，满足实时跟踪要求。

关键词： AGV   随机树算法   D*算法   路径规划   智能物流  

摘要： 本研究针对单自动导引车（AGV）的路径规划问题，深入剖析了现有多阶段路径规划方法的局限性，并提出了一种融合改进D*与快速探索随机树（RRT）算法的路径规划算法。该算法结合了改进D*算法的高效性与RRT算法的灵活性，通过动态避障策略和目标约束优化，显著提升了路径规划性能。引入自适应视野、步长、威胁因子及目标点采样率等参数，以适应多变环境需求。利用Rich＿Moore元胞自动机方法扩展可行区域并确定最短路径，并通过高阶贝塞尔曲线平滑路径，减少转向，提高路径平滑度。实验结果证明，该算法在精度和效率上均优于传统方法，对提升AGV作业实时性和准确性，推动自动化物流系统发展具有显著意义。

关键词： 合成孔径雷达   飞机检测   复杂背景   全维度特征提取   可变形全局特征融合  

摘要： 合成孔径雷达(Synthetic Aperture Radar， SAR)图像飞机目标检测面临背景复杂、飞机目标较为微弱且尺度较小、不同成像条件下目标差异较大、目标结构不连续等挑战，本文提出一种新的飞机目标检测方法ATDM(An Aircraft Target Detection Model for SAR Images)，用于提高复杂背景下SAR图像飞机目标的检测精度。具体而言，使用YOLOv8s作为基线模型，算法包含三个重要的模块，即卷积注意力模块(Convolutional Block Attention Module， CBAM)、全维度特征提取模块(Omni-Dimensional Feature Extraction Module， ODFE)和可变形全局特征融合模块(Deformable Global Feature Fusion Module， DGFF)，并改进了损失函数。为了增强网络在复杂背景下对飞机目标特征的提取能力，在基线网络的Backbone插入CBAM，从空间和通道两个维度学习飞机目标的特征；ODFE利用卷积核空间四个维度——空间核尺寸、输入通道数、输出通道数和卷积核数量的动态性，通过并行策略沿核空间的四个维度学习不同类型飞机目标的特征，提升复杂背景下对散射特性较弱的飞机目标及小目标的检测能力。DGFF自适应调整卷积核的形状以适应不同成像条件下得到的飞机目标，并进行全局信息特征融合。最后，改进边界框回归损失函数为动态非单调聚焦损失函数WIoU，采用动态非单调聚焦机制，使用离群度评估锚框质量，降低SAR图像中可能存在的错误标注产生的影响。为了评估所提ATDM的性能，在SADD和高分三号SAR飞机数据集上开展实验，在两个数据集上得到的平均准确率AP分别达到95.4%和98.2%，消融实验与结果分析验证了所提出的三个模块及损失函数的有效性。此外，将ATDM与其他目标检测算法进行对比，本文方法也得到了最高的平均准确率AP。

关键词： 水下目标检测   YOLOv8   残差网络   注意力机制   损失函数  

摘要： 针对水下图像目标检测中错检、漏检现象导致检测精度低的问题，提出一种改进YOLOv8n的轻量级水下图像目标检测算法，旨在提升水下目标图像的检测精度。首先，用残差网络ResNet10来替换YOLOv8中的骨干网络，以加强骨干网络的特征提取能力；其次，利用大卷积核注意力机制来改进快速特征金字塔模块，以提高模型融合多尺度特征的能力；然后，使用最新YOLOv9算法中的泛化高效层聚合网络替换原模型的C2f模块，使模型能够保持高准确性的同时降低计算成本；最后，使用新的损失函数Inner-SIoU来提升模型的泛化能力，同时加快模型的收敛速度。通过实验，在URPC2020水下图像目标检测数据集上，改进后的算法mAP50达到了86.2%，比原模型提升了2.6个百分点的精度，相比于先进的YOLOv8s和YOLOv7-tiny检测器，以及相同领域的研究工作，本文方法都获得了较高的检测精度。