建筑垃圾堆放点样本集构建与优化研究

为更好地解决手工制作的建筑垃圾堆放点样本集效率低、数据量少,难以支撑基于深度学习的遥感图像目标检测算法训练需求的问题,采用基于像素的遥感分类方法构建建筑垃圾堆放点样本集,在此基础上结合直方图均衡化,CS-LBP算子约束以及迁移学习的方法对Wasserstein生成对抗模型（WGAN）进行优化,实现了样本集扩充。研究结果表明:相对于纯手工制作的样本集,基于像素的遥感分类方法可以显著提升样本集制作的效率;同时,经过WGAN优化后,生成样本模拟了原始数据的颜色与纹理特征分布规律,增加了原始数据的多样性,满足了扩充样本集的需求。     

基于PCA-ELM的矿井突水水源识别方法研究

为提高矿井突水水源识别精度,基于PCA-ELM模型提出了一种的矿井突水水源判别方法。通过降维获得基本控制变量,将主成分分析(PCA)应用于ELM模型的训练集、验证集和测试集,使用数据样本验证模型。结果表明：通过模拟PCA-ELM模型在10 s内进行分类,PCA-ELM模拟练习准确率达到100%;BP神经网络模拟准确率仅为83.3%,远低于PCA-ELM模型的准确性。     

支持向量机在太湖叶绿素a非线性反演中的应用

根据湖泊监测的特点,采用支持向量机(SVM)方法,反演太湖叶绿素a的浓度分布.将2005年8月太湖29个现场水质监测点数据分为训练测试样本集和验证样本集,利用训练测试样本集以及与其时间同步的MODIS遥感影像,分别构建了4种SVM模型.对比分析表明,直接以波段反射率以及水深信息构成输入向量的SVM模型预测效果最好.利用训练测试样本构建了线性回归模型、主成分分析模型(PCA)以及神经网络模型(ANN),并利用验证数据比较了上述3种模型与SVM模型的预测结果.结果表明ANN模型和SVM模型预测能力明显优于另外2种模型,其中SVM模型对低值和高值均有较好的预测精度,平均相对误差仅为15.91%,预测精度比ANN模型提高了10%.利用SVM模型和ANN模型分别反演了2005年8月15日太湖叶绿素a浓度分布,比较了2种模型反演结果的异同,分析了太湖叶绿素a分布特征及其成因.     

基于Keras长短时记忆网络的矿井瓦斯浓度预测研究

瓦斯浓度监测是煤矿瓦斯灾害事故预警的重要的手段,其浓度变化预测对于提升矿山安全生产具有重要意义.针对矿井瓦斯浓度预测问题,建立了一种基于Keras长短时记忆网络的矿井瓦斯浓度预测模型.该模型首先对矿井瓦斯浓度时间序列进行标准化处理,并将处理后的时间序列划分为训练集与测试集;然后通过调用测试集数据进行模型训练,利用提出的...     

基于机器视觉的填埋场防渗层破损识别方法

填埋场防渗层高密度聚乙烯（HDPE）膜在运营中极易破损,运用在线监测技术确定渗漏区域,将该区域膜上介质移除后,需对漏洞边缘进行精确识别,为实现智能焊接提供视觉基础。因此,提出一种基于机器视觉的填埋场防渗层破损识别方法。首先对样本集进行图像处理,包括图像灰度化、高斯滤波除噪、点运算增强、阈值法分割以及数学形态学处理;其次根据图像的形态特征提取连通域数量、破损面积、周长、长轴、短轴以及轴比,采用holdout方法将样本集划分为训练集与测试集,并将提取到的特征作为输入量,对SVM进行训练;最后采用多个SVM进行分类识别。经实验验证,分类器的总体识别准确率为98.33%,其中块状破损识别准确率为98.24%,缝式破损为98.42%。     

基于高光谱图像的贝类重金属污染快速无损检测方法研究

基于高光谱图像技术和机器学习算法,提出了一种对重金属污染蛤仔进行快速无损检测的新方法。该方法分为3步：采集蛤仔样本高光谱图像并使用3种方法进行预处理;采用线性判别分析(linear discriminant analysis, LDA)对高光谱数据降维;应用支持向量机(support vector machine, SVM)实现重金属污染蛤仔分类检测。对于以单类重金属污染样本和健康样本为样本集的二分类检测,LDA-SVM模型检测重金属污染样本的准确率可达到99.33%以上。对于以Cd、Cu、Pb、Zn 4类重金属污染样本和健康样本为样本集的五分类检测,检测准确率可达到93.33%。结果表明：LDA-SVM模型能够实现对蛤仔重金属污染快速无损检测,且该模型性能基本不受预处理方法和模型参数的影响,鲁棒性强。     

面向石化厂区安全风险防控的异常场景图像识别技术研究

针对石化厂区安全风险防控的需求,提出了一种基于卷积神经网络的单分类图像识别算法。为了构建识别模型,首先创建了一个带标签的厂区火灾、烟雾图像数据集用于模型的训练。其次,通过特征提取及分类器模块,实现了对视频监控异常场景的识别。此外,设计了一种全新的损失函数,以增强异常场景识别能力。该算法采用端到端的网络架构,解决了传统目标检测方法的结构臃肿、计算复杂等问题,减少了模型的复杂程度,弥补了现有视频监控资源利用场景的不足,进一步提高了厂区风险识别能力。实验结果表明,所提出的单分类视频监控图像识别算法在准确率等方面优于现有算法。     

基于栈式自编码器的土质边坡失稳风险评估

运用传统方法开展边坡失稳风险评估时面临着计算量大、处理过程复杂等问题。基于深度学习理论,提出一种快速评估土质边坡失稳风险的方法。考虑影响土质边坡稳定性的9个主要影响因素,利用栈式自编码器进行训练和测试,并采用误差反向传播算法计算误差的传递,在多次训练中优化网络参数,获得最优网络模型。经过测试表明:建立的模型经过训练后能够快速、准确地确定边坡失稳的风险等级。该方法摆脱了传统风险评估方法中复杂、冗长的数据预处理和确定权重的过程,可为边坡及其他工程风险等级的快速评估提供新的思路。     

火灾自动报警系统设计性能评价方法研究

随着建筑规模的迅速发展,火灾隐患监测的难度也大大增加,对火灾自动报警系统性能的要求也越来越高。火灾自动报警系统设计性能评价是对大型复杂火灾自动报警系统设计方案进行论证,判断系统满足设计目标的程度。分析了21个火灾自动报警系统设计性能二级评价指标,利用偏好聚合算法分析二级评价指标,得到评价值,并利用稀疏表示算法建立了火灾自动报警系统设计性能评价模型。以优、良、中、合格和不合格5种等级火灾自动报警系统为研究对象,每种系统随机选取20套作为训练样本,设计性能为优的系统作为测试样本,组成稀疏表示的数据字典,测试样本在数据字典上具有最小投影误差的类,即为测试样本所属的等级。通过MATLAB软件仿真计算,验证了模型的有效性。     

熵权集对分析模型应用于湖泊富营养化评价

针对湖泊富营养化评价系统中多种不确定信息共存的特点,将集对分析理论引入湖泊富营养化评价领域。先初步计算出评价样本与评价指标间的联系度,再对评价样本做进一步地同一、差异、对立的集对分析以判断评价样本的等级。然后将信息熵引入评价模型,利用熵权法计算各评价指标的权重,建立基于熵权法赋值的集对分析模型,最后通过置信度准则得出湖泊富营养化评价等级。将该模型运用于2011—2012年广州市白云湖的富营养化评价中,评价结果表明,2011—2012年白云湖富营养化严重;2011年1月白云湖富营养化情况最为严重,处于重富营养状态,2011年8月后白云湖富营养化程度略有降低;西湖富营养状况总体上较东湖严重。通过与现有评价方法的对比表明,基于熵权法赋值的集对分析模型的评价结果合理可行。     

基于YOLO v5模型的非住宅区自动垃圾分类箱设计

提出了一种基于YOLO v5模型的自动垃圾分类箱设计,应用于非住宅区的公共场所(如火车站、公交站、商场、校园等)。垃圾箱设计有4个垃圾桶,以2行2列摆放,中间为转轴,可带动轴上方的垃圾临时存储抽屉转动。采用单目摄像头采集视频图像,以英伟达Jetson nano嵌入式芯片作为上位机主控芯片,利用YOLO v5深度学习模型进行垃圾的自动提取与识别,并将上位机识别结果信息通过串口发送至下位机Arduino控制板,Arduino控制板控制舵机带动垃圾临时储存抽屉开口转动到相应的垃圾桶上方,从而控制升降台倾倒垃圾,完成垃圾自动分类。测试结果表明:垃圾识别结果稳定可靠,准确率可达到93%,能够实现垃圾自动分类。     

一种自适应学习率的卷积神经网络模型及应用——以滨海湿地遥感分类为例

滨海湿地是重要的生态系统,开展滨海湿地类型分布监测,对滨海湿地的保护与利用具有重要意义。传统卷积神经网络（CNN）模型中的学习率为人工设置的固定值,本文提出一种自适应学习率的CNN模型,以代价函数为目标函数自动计算学习率的优化值,从而使CNN模型具有自适应性。应用黄河口滨海湿地的CHRIS高光谱遥感影像数据,开展本文提出的CNN模型分类方法验证与优化。实验结果表明:对于不同的学习率搜索区间,自适应学习率CNN模型在[0,1]区间的整体分类精度最高,说明在学习率优化过程中只需在小区间[0,1]内进行微调就能保证较好的分类精度;对于不同的学习率初值,自适应学习率CNN模型的分类精度和稳定性都高于传统CNN模型,说明本文提出的模型对初值敏感性较低;在训练样本数目减少的情况下,两模型分类精度的稳定性都有不同程度的降低,但在保证训练样本占全部样本1.35%以上的条件下,自适应学习率CNN模型稳定性高,说明本文提出的模型对小样本具有一定的适应能力。     

基于CEEMDAN-SE和LSTM神经网络的PM10浓度预测

针对PM₁₀浓度时间序列具有明显的非线性和波动性特征,提出一种基于自适应噪声的完整集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）-样本熵（sample entropy,SE）和长短期记忆神经网络（long short-term memory,LSTM）的组合预测模型。首先利用CEEMDAN-SE将原始PM₁₀浓度时间序列分解为若干个复杂度差异明显的子序列;然后针对各子序列的内在特性结合气象因素分别建立适当参数空间的LSTM预测模型;最后将预测结果进行叠加得到最终预测结果。以唐山市4个空气质量监测站的实测PM₁₀浓度数据进行模型验证分析,结果表明:所提预测模型对比其他几种预测模型显示出较高的预测精度,以及良好的普适性。     

垃圾图像识别研究进展

实现生活垃圾自动分类是解决城市固体废弃物(municipal solid waste,MSW)问题的有效途径.着眼于近10年基于计算机视觉的垃圾图像识别相关研究,依据垃圾自动分类方法的差异性,将当前现有相关研究分为基于传统机器学习方法和基于深度学习方法.介绍了机器学习方法以及深度学习方法特征提取方式,对比分析了传统机器...     

基于光纤传感探测的直升机修理异常振动源定位研究

目的 针对直升机异常振动故障排除,对振动源进行检测,并分析振源频谱,准确定位异常振动源,指导振动源调整,并对调整情况进行检测,提升直升机异常振动排故效率。方法 结合光纤传感器的振动检测特性应用分析,开发一套基于光纤传感探测的直升机修理异常振动源定位系统,实现直升机的振动源动态监控。结果 识别了直升机的主要振动源,分析统计了振动源频率,梳理了直升机试车、试飞典型振动故障,研究了光纤振动传感器感知被测量的实时调制方法和信号调制的光波解调方法,结合应用需求对市场上成熟的分布式光纤传感系统进行了优化设计,采用深度学习技术,对后端数据处理平台软件进行了重新设计。结论 通过有针对性地创建识别模型库,并对模型库进行实际样本训练,模型准确率可达到66.37%。     

PM2.5 concentration estimation using convolutional neural network and gradient boosting machine

Surface monitoring, vertical atmospheric column observation, and simulation using chemical transportation models are three dominant approaches for perception of fine particles with diameters less than 2.5 micrometers (PM_2.5) concentration. Here we explored an image-based methodology with a deep learning approach and machine learning approach to extend the ability on PM_2.5 perception. Using 6976 images combined with daily weather conditions and hourly time data in Shanghai (2016), trained by hourly surface monitoring concentrations, an end-to-end model consisting of convolutional neural network and gradient boosting machine (GBM) was constructed. The mean absolute error, the root-mean-square error and the R-squared for PM_2.5 concentration estimation using our proposed method is 3.56, 10.02, and 0.85 respectively. The transferability analysis showed that networks trained in Shanghai, fine-tuned with only 10% of images in other locations, achieved performances similar to ones from trained on data from target locations themselves. The sensitivity of different regions in the image to PM_2.5 concentration was also quantified through the analysis of feature importance in GBM. All the required inputs in this study are commonly available, which greatly improved the accessibility of PM_2.5 concentration for placed and period with no surface observation. And this study makes an exploratory attempt on pollution monitoring using graph theory and deep learning approach.     

基于无人机影像的城市植被精细分类

针对传统植被资源调查方法工作量大、成本高、效率低的问题,利用高分辨率无人机遥感影像,联合地物光谱-纹理-空间信息,构建了一种适用于描述城市不同植被种类的多维特征空间,在此基础上对三种应用广泛的分类算法(基于像素的、面向对象的支持向量机及深度学习Mobile-Unet语义分割模型)开展了对比分析研究.结果表明:本文提出的联合地物光谱-纹理-空间信息的特征空间构建方法能够有效地描述城市不同类型植被的特征差异,提升影像分割、植被分类的精度;在分类精度上,基于像素和面向对象的支持向量机分类结果的总体精度均超过90%,深度学习方法的总体分类精度为84%;在算法效率上,传统机器学习方法也优于深度学习方法.因此,得出结论针对城市小区域、小样本的植被精细分类,传统机器学习分类方法比深度学习方法效果更好.     

常压塔塔顶腐蚀关键参量相关性分析与预测

预测常压塔顶回流罐切水的关键离子浓度可以为常压塔顶系统工艺防腐提供技术指导。收集了某炼厂2014-2016年常压装置的生产实时工艺参数、原料及产品采样数据、水质分析化验参数,采用线性插值方法对不同时间尺度的数据进行补全。通过线性相关性分析获得了影响常压塔顶回流罐切水总铁离子浓度、pH的主要因素,并基于深度学习、支持向量机回归、粒子群优化方法建立了腐蚀关键参量预测模型。结果表明,pH值和总铁离子浓度的相关因素大部分重叠,与原料性质及产品馏出温度较强相关;建立的回归模型预测精度高,在训练集和预测集上,总铁离子浓度预测值与测量值最大偏差分别为4. 4%和9. 8%,pH值预测值与测量值最大偏差分别为0. 9%和1. 1%。     

基于Stacking集成学习模型的气态亚硝酸预测

建立了基于Stacking集成学习下气态亚硝酸（HONO）预测模型.利用非相干宽带腔增强吸收光谱（IBBCEAS）系统获得的北京城区HONO的浓度,结合HONO的来源,选取了O₃、CO、SO₂、NO、NO₂、NO_y、温度（T）、相对湿度（RH）、风速（WS）、j（HONO）、j（NO₂）、j（O¹D）作为特征数据,通过对HONO的平均日变化分析,将测量时间按小时转换为新特征.分别以极端梯度提升（XGBoost）、轻量化梯度促进机（LightGBM）以及随机森林（RF）算法构建基模型,采用5折交叉验证的方式划分训练集,将基模型输出的结果作为新特征集,并将新特征集作为第二层线性回归模型的输入,通过对这两层中的模型进行训练,最终得到Stacking集成学习HONO预测模型.通过对模型的特征重要度分析和计算夜间交通直接排放所占的贡献,表明CO是模型预测中重要的影响因子,说明机动车的直接排放是该区域冬季时期HONO的重要来源.利用测试集分别对单模型和融合后模型的预测性能进行评估,3个单模型的预测结果与测量值的相关系数都达到了0.91以上,其中Stacking融合后的模型性能最好,相关系数达到了0.94,平均绝对误差和均方根误差分别为0.307×10^-9和0.453×10^-9,结果表明基于Stacking集成学习方式下HONO预测模型的可解释性和推广性.