课程文献中心 更多>>

关键词： H3六边形格网   数字高程模型   水文分析   填洼   流向分析   流量累积   河网提取   偏移量对比  

摘要： 【目的】流域水文信息提取对于水资源管理、洪水预警和生态保护至关重要。传统水文建模多采用四边形格网进行空间离散化,但由于其邻接性不统一、形状失真和拓扑结构表示不准确等问题,导致流域提取时容易在细节处出现阶梯状及平行河流线条,尤其在河流的弯曲和分叉点处更为明显。相比之下,六边形格网因其各向同性、较好的边界效果和均匀的空间分布等优势,能够更好地保持曲线和分叉点的形态,准确地模拟水文过程和提取流域。【方法】本文基于H3六边形格网系统,以韭园沟流域为研究区,使用分辨率为30 m的SRTM 1数字高程模型(DEM),通过六边形格网生成、DEM重采样、填洼、流向分析、流量累积等步骤,设计了一套基于六边形格网的水文分析算法,并对流量累积和河网提取的数据质量进行评价与分析。首先,本文通过统计流量值1~15的六边形格网与四边形格网所占其格网总数的百分比,结果表明六边形格网在低流量值范围内表现更为集中,在流量值增加时保持更稳定的累积频数增长,避免在高流量值范围内出现过度集中的情况。此外,以更高分辨率(12.5 m)的韭园沟流域河网作为标准河网,将河流线段按长度比例随机选取100、200、300、400、500个点,计算其到最近的四边形格网和六边形格网的平均距离,得到2种方法提取河网的平均偏移量。【结果】结果显示四边形格网的平均偏移量分别为28.16、30.45、30.57、30.84、30.79 m,六边形格网的平均偏移量为24.03、25.63、23.49、23.78、24.99 m,六边形格网的平均偏移量均小于四边形格网,表明其具有更高的河网提取精度,能更好地反映地形特征。【结论】综上,与传统四边形格网相比,六边形格网在流量累积、河网提取方面,展现出更高的空间一致性和精确性,为水文模拟和流域分析提供了一种更高效、更准确的解决方案。

关键词： 多视图聚类   图循环自适应学习   跨结构特征选择   k-NN   矩阵低秩学习  

摘要： 现有的大多数图自适应学习方法依赖于高维原始数据,且数据中不可避免地会出现噪声或信息缺失等现象,导致无法精准地选择出高维数据中的重要特征信息。此外,还忽视了在特征选择过程中多视图表示结构上的关联性。针对以上问题,提出了一种基于跨结构特征选择和图循环自适应学习的多视图聚类方法(MLFS-GCA)。首先,设计了一个跨结构特征选择框架。通过联合学习多视图表示的空间结构特点和聚类结构的一致性,将高维数据投影到低维线性子空间中,并在视图特定的基矩阵和一致性聚类结构的辅助下学习低维特征表示。其次,提出图循环自适应学习模块。通过k最邻近法(k-NN)选取投影空间中k个最近邻点,并协同矩阵低秩学习来循环地优化相似结构。最后,学习得到用于聚类任务的共享稀疏相似矩阵。通过在各种真实的多视图数据集上进行大量实验,验证了在多视图聚类中图循环自适应学习的优越性。

关键词： 二氧化氯检测试纸   消杀效果评价   k-means聚类算法   标记分水岭算法  

摘要： 人为使用二氧化氯检测试纸与标准比色卡进行比对时无法得出具体的浓度结果,且受主观因素影响较大,测量结果准确性差的问题,对二氧化氯检测试纸进行图像采集,根据其颜色与形状特征,提出基于三通道彩色图片的k-means聚类算法与标记分水岭算法结合的分割算法,快速准确地完成对二氧化氯检测试纸的分割及定位,并对二氧化氯检测试纸的颜色值与对应溶液的浓度进行相关性分析与曲线拟合,在定位二氧化氯检测试纸后,提取其颜色值并根据拟合曲线计算出对应的二氧化氯溶液浓度。结果表明,该算法分割速度快,分割效果好,对二氧化氯溶液浓度的测量准确,质量浓度对误差不超过15 mg/L,引用误差不超过4%,能有效避免人为比对时产生的主观因素干扰以及估算误差。

关键词： 小目标工件   深度学习   RepViT   BiFormer   损失函数  

摘要： 在工业生产领域中,为解决小目标工件在人工检测时所存在的漏检和误检等问题,提出了一种融合RepViT与BiFormer模块的深度学习算法,以显著提升小目标工件的检测准确性并且降低检测漏检率。为加强模型对于主体特征的提取效果,首先采用RepViT架构对YOLOv5s的主干网络进行改进,以优化算法的整体检测性能。然后,为了进一步提升模型对小目标工件特征的聚焦效果,引入一种自适应特征优化的注意力机制BiFormer,以提高模型对关键特征的捕捉能力。最后,使用InnerIoU对YOLOv5s的损失函数进行改进,通过优化损失计算以及加强内部边界框匹配来减少定位损失对模型的影响,进而提升对小目标工件的定位精度。经过一系列实验测试,改进后的网络模型在检测精度、漏检率以及mAP@50等方面都展现出了优越的性能。与YOLOv5s相比,改进后的算法在精度方面提高了7.6百分点,漏检率降低了15.6百分点,mAP@50提高了9.3百分点。

关键词： 图像去雾   Transformer   自注意力机制   门控融合机制   多尺度特征融合  

摘要： 针对现有的图像去雾算法仍然存在去雾不彻底、去雾后的图像边缘模糊、细节信息丢失等问题,本文提出了一种基于Transformer和门控融合机制的图像去雾算法.通过改进的通道自注意力机制提取图像的全局特征,提高模型处理图像的效率,设计多尺度门控融合块捕获不同尺度的特征,门控融合机制通过动态调整权重,提高模型对不同雾化程度的适应能力,同时更好地保留图像边缘及细节信息,并使用残差连接增强特征的重用性,提高模型泛化能力.经实验验证,所提出的去雾算法可以有效恢复真实有雾图像中的内容信息,在合成的有雾图像数据集SOTS上的峰值信噪比达到了34.841 dB,结构相似性达到了0.984,去雾后的图像内容信息完整且没有出现细节信息模糊和去雾不彻底等现象.

关键词： 监督抽查   市场监管部门   检验检测机构   碳排放权交易市场   清缴   数据管理   履约   执法检查  

摘要： 12月12日,上海率先完成全国碳排放权交易市场2023年度履约,已连续三年提前完成履约清缴工作。上海始终高度重视碳市场管理,不断加强数据质量审核和数据管理,强化企业技术帮扶,积极推进上海市“双随机、一公开”现场检查,对全国碳排放权交易市场重点排放单位进行现场全覆盖执法检查,联合市场监管部门对本市碳排放检验检测机构开展监督抽查,强化企业履约责任意识。

关键词： 目标检测   YOLOv8n   CARAFE   注意力机制  

摘要： 受水体衰减、散射等因素的影响,水下光学图像存在严重的偏色、模糊等问题,严重降质导致目标分辨率较差,进而不利于开展水下目标检测任务。针对以上问题,为了提高水下目标检测的精度,减少误检和漏检的发生率,提出了一种基于改进YOLOv8n的水下目标检测算法:ESA-YOLOv8。首先该算法在C2f中引入了ESP模块改进Bottleneck结构,ESP模块可以优化网络效率,降低YOLOv8n模型的参数量和计算量;其次,增加一个小目标检测层以提高对水下小目标的检测能力;最后,将轻量级上采样算子CARAFE与注意力机制ECA相继引入颈部网络,提高目标检测精度,实现上采样特征融合的增强。实验结果表明,在水下生物数据集DUO上,本文设计的ESA-YOLOv8算法在模型参数量降低的情况下,mAP@0.5和mAP@0.5:0.95分别高达84.7%和65.5%,较基础模型YOLOv8n分别提升了1.7%和1.8%。高精度的检测结果和模型参数量的降低证明了改进YOLOv8n的有效性和在水下目标检测的应用潜力。

关键词： 小目标检测   YOLOv8s   可变形卷积网络  

摘要： 针对无人机视觉中小目标检测精度低的问题,文章提出一种改进YOLOv8s(You Only Look Once version 8 small)的目标检测算法。首先,采用Slim-Neck替换特征融合层,以加快图像预测的计算速度并增强网络处理特征能力。其次,将损失函数由CIoU(Complete-IoU)替换为Wise-IoU(Wise Intersection over Union),以抑制低质量样本在训练过程中对模型性能的负面影响。最后,在算法的Backbone中嵌入可变形卷积网络,以增强多尺度特征的提取能力,从而提升小目标的检测能力。在VisDrone2019数据集上的验证结果显示,改进后的算法浮点运算量降低了0.7 GFLOPs,同时mAP@0.5指标提升了1.1%,实现了模型的轻量化并保持了较高的检测精度,更适用于无人机视觉场景下的小目标检测。

关键词： 无人车   室内环境   非视距误差   联邦卡尔曼滤波   超宽带   紧组合算法  

摘要： 在GNSS信号拒止的复杂室内环境中,超宽带(Ultra Wideband,UWB)技术以其高精度和高稳定性等优势备受关注。针对室内复杂环境下无人车的定位问题,以惯性导航系统(Inertial Navigation System,INS)和UWB为基础,提出了基于自适应矢量分配联邦卡尔曼滤波(Adaptive Federated Kalman Filter Algorithm for Line-of-sight Reconstruction,Re-Los-AFKF)的INS/UWB/高度计/磁罗盘组合导航算法。算法建立了各子滤波器的数学模型,使用了基于矢量的自适应信息分配因子算法。设计了INS/UWB紧组合子滤波器,利用INS短时精度高的特点预测无人车的位置参数实现了UWB测距信息中的非视距(Non Line-of-sight,NLOS)误差检测,使用相邻时刻的数据对NLOS信息进行视距重构,并对重构后的距离信息进行过补偿识别和过补偿矫正。实验结果表明,在视距(Line-of-sight,LOS)环境中,Re-Los-AFKF的定位精度与基于双边双向测距(High Double Sided Two-way Ranging,HDS-TWR)的三边定位算法和基于平滑处理的联邦卡尔曼滤波(Movmean-federated Kalamn Filter,MFKF)算法的定位精度相当。在复杂的NLOS环境中,相较于HDS-TWR和MFKF,Re-Los-AFKF在水平位置上的误差均值分别减小了46.24%和29.35%,在水平位置上的误差RMS分别减小了41.40%和29.18%。研究表明,该算法不仅在LOS环境中能够进行稳定定位,在NLOS环境中也具有良好的定位性能,具有一定的适应性、鲁棒性和工程应用性。

关键词： 目标检测   半监督学习   特征对齐   特征金字塔   ASFF  

摘要： 目的针对半监督目标检测导致数据特征表示不充分,数据样本类不均衡等问题,提出一种基于特征对齐和特征融合的半监督目标检测方法。方法在常见的半监督目标检测框架中,伪标签是完全根据分类分数生成的,然而,高置信度预测并不总是保证准确的bbox定位。为了解决定位不准确问题和特征表示不充分问题,受Consistent Teacher中的FAM-3D算法启发,考虑分类和定位的最优特征可能在不同尺度上,引入T-head特征对齐头算法,在Unbiased Teacher V2中成功地将分类和定位分支进行对齐,并且引入ASFF,通过空间过滤冲突信息的方法来抑制不一致性,从而提高了特征的尺度不变性,实现特征在空间上的融合;通过学习不同特征图之间的联系来解决特征金字塔内部的不一致性问题。结果根据实验结果,改进的算法在COCO数据集、VOC数据集上都有一定的比例提升。结论改进的算法可以有效减轻数据表示不充分和数据样本类不均衡问题,同时也提高了算法的精度。