基于深度学习的无人机环境污染目标识别技术研究

为了优化环境污染监测,需要对环境污染目标区域进行有效识别,提出基于深度学习和无人机技术的环境污染目标区域识别方法,采用无人机机载空间扫描方法进行图像采集,对采集的环境图像进行污染区域的边缘轮廓检测和图像分割处理,采用深度学习算法对环境污染区域的图像进行自适应分块标记和识别,实现对环境污染区域的图像检测和三维区域识别。采用该方法进行环境污染区域的目标识别准确性较好,对环境污染区域分块识别的精度较高,较强。     

炼化装置闸阀内漏去噪及声识别技术研究

炼化装置阀门使用环境比较恶劣,检测现场存在大量的动设备噪声,易导致内漏识别误判。针对检测现场噪声特性,以闸阀为研究对象,结合内漏声的随机特性,提出一种VMD-Nonlinear SVM方法,该方法结合变分模态分解方法和互信息熵,实现噪声分解和内漏声信号重构,对该重构信号的时频和统计特征进行提取,并作为支持向量机特征输入,实现阀门声识别。在炼化现场,将VMD-Nonlinear SVM方法与EMD-Nonlinear SVM和Nonlinear SVM的分类结果进行对比,结果表明VMD-Nonlinear SVM方法对阀门内漏识别准确率达到95.5%,能够满足复杂环境下的阀门内漏识别要求。     

基于改进YOLOv3算法的高密度人群目标实时检测方法研究

公共建筑高密度人群疏散运动极具危险性,实时的人群目标识别与检测对于密集场所人群疏散安全至关重要。针对现有行人检测方法对于行人密集、局部遮挡等情况存在鲁棒性差、实时性低等问题,提出了一种基于改进YOLOv3算法的密集人群目标实时检测方法。该检测方法以YOLOv3算法为基础,采用K-means方法对实验用数据集进行聚类分析并对网络结构进行调整,最终得到适用于高密度人群目标检测的算法即YOLOv3-M算法。实验结果表明:YOLOv3-M算法平均准确率达到91.20%,召回率为89.77%,相比YOLOv3算法模型平均准确率提高了6.4%,召回率提高了4.73%;在阈值相同条件下,YOLOv3-M算法可有效降低图片漏识率与误识率;对1080P视频的检测速度达到19.2 FPS,基本满足实时检测的需求,从而验证了该检测方法的有效性。     

基于注意力机制及Ghost-YOLOv5的水下垃圾目标检测

水下垃圾的目标检测技术对水下机器人实现垃圾自动清除有着重要意义。然而,复杂的水下环境和水底光线不足,易导致检测精度受限、计算量大等问题。针对这些问题,提出了一种基于YOLOv5的水下垃圾目标检测的改进算法。在该方法中,在预处理部分引入Gamma变换提高水下图像的灰度和对比度,便于模型检测。同时,在YOLOv5检测部分嵌入CBAM注意力机制,以突出目标特征并抑制次要信息,从而提高算法精度。此外,将颈部层中的普通卷积模块替换为Ghost卷积模块,减少计算量,加快检测速度。采用真实环境下的水下垃圾数据集进行模型验证,与当前热门的目标检测算法进行对比,该方法在分辨率为640×640的图像上的最高检测精度为93.7%,且计算时间仅为6.7 ms,满足实时性的要求。该研究成果对水下垃圾的目标检测具有良好的借鉴意义。     

海上溢油扩散图像处理的非线性方法研究

针对海上溢油应急处理问题,本文主要对溢油的初级行为--扩散进行探讨.提出了采用溢油扩散图像来预测溢油扩散未来发展趋势的3步非线性处理过程,即图像边缘检测、面积计算和面积预测,对这一过程中应采用的方法进行了分析与比较.并以奥里油在静止海水中扩散为范例,在MATLAB环境下,利用非线性方法对扩散图像进行边缘监测,通过对梯度算子阀值的调整来计算完整的油膜覆盖面积,并将其计算结果进行BP神经网络预测.结果表明:采用Roberts边缘算子可以得到很好的边缘检测结果,采用BP神经网络获得的面积预测结果与实验结果吻合程度较好.     

基于Faster R-CNN的海面垃圾检测研究

针对当前全球海洋垃圾污染造成严重生态破坏等问题,提出了一种基于改进Faster R-CNN的海面垃圾检测算法以及视频中前后2帧目标是否为同一目标的方法。改进Faster R-CNN算法通过将常用的VGG16特征提取网络替换为ResNet101网络并融入特征金字塔,提高对小目标的检测精度;判断视频前后两帧目标是否为同一目标的方法则通过对比前后2帧目标的面积、重合度以及颜色差异度确定是否为同一目标。在现场拍摄数据上的实验结果表明,与传统Faster R-CNN相比,该改进Faster R-CNN的mAP值提高了4.9%,损失曲线的收敛速度更快,且在实际检测中的检测效果更好;前后两帧是否同一物体的判断方法在九段视频的最高精测判断精度高达100%,平均准确率为93%。该研究方法主要包括以下优点:1)改进Faster R-CNN在海面小目标垃圾检测上具有更高的精度;2)判断视频中前后2帧目标是否为同一目标的算法代码复杂度小,方便根据实际情况更改判断阈值。     

基于密度–距离空间的红外引信抗噪声方法研究

目的 通过简易的图像处理和目标检测方法，提高红外引信在复杂环境下的抗干扰能力。方法 分析红外引信在复杂背景中的噪声类别，采用“密度–距离”空间方法与像素生长方法进行预处理和目标检测，赋予像素2种属性，并进行量化分析，确定灰度平坦区域中的红外候选目标，并通过像素生长方法筛选候选目标中的真实目标。结果 计算在不同信噪比环境下算法的抗噪声干扰能力，当红外图像的SNR值在44.1~45.4时，算法检测效果理想。结论 红外引信探测过程中的复杂背景和随机噪声都会降低图像质量，考虑到红外目标所占像素数少，极易受噪声影响，需要运用自适应简易算法提高检测准确性。该算法有良好的实时性和抗干扰能力，为红外引信在目标检测中的环境适应性提供了理论依据。     

基于3种时间序列模型的九龙江河流库区藻华预测

湖库富营养化和有害藻华是全球性生态环境问题,藻华预测与早期预警是保障湖库水源地供水安全的关键技术.如何基于高频水生态在线监测数据进行藻华的实时动态预测成为水生态管理领域的重大需求.本研究以福建省九龙江江东库区(水源地)为例,利用3年连续观测的逐时平均总叶绿素a浓度数据,对比研究了SARIMA、Prophet和LSTM(长短期记忆神经网络)3种时间序列模型在藻华(日平均叶绿素a大于15μg·L^-1)预测方面的效果.结果表明：(1)时间序列模型要求参数少,灵活性强,能清晰反映水质特征和未来变化趋势,可弥补传统藻类监测预警方法的局限性;(2)基于深度学习框架的LSTM模型,具有独特的迭代优化算法,对藻类非线性变化特征的识别和预测能力较强,其总叶绿素a逐日预测和7日预测效果均显著优于SARIMA模型和Prophet模型;(3)输入数据长度会在一定程度上影响模型预测效果,最优的输入数据时间长度为7 d;输入数据频率对预测效果也有影响,在预测非藻华日时,小时数据的预测效果优于日频率数据;在预测藻华日时,两种频率数据无显著差异,但日频率数据能更准确识别藻华日特征.总结起来,基于...     

云计算环境下大气污染预测软件异常数据检测方法研究

针对当前云计算环境下,大气污染预测软件异常数据检测存在的检测准确率低和执行效率低等问题,提出一种基于高斯过程回归模型(GPR)的大气污染预测软件异常数据检测方法。采用短时的面积特征与梯度特征描述软件测试端口的流量行为,将实时获得的流量行为通过多级多粒度方法定位,完成测试端异常检测;根据测试端输入输出数据间的关联性,统计多个测试端口,采用GPR构建异常数据预测模型,对比实时监测的输出数据与预测模型的输出数据,实现预测软件异常数据检测。     

P&T-GC-MS联用技术测定地下水中挥发性有机污染物

建立了PT-GC-MS联用技术测定地下水中卤代烃、单环芳烃、氯代苯和萘等29种挥发性有机物(VOCs)的分析方法,通过对吹扫捕集条件、气相色谱条件和质谱条件等进行优化,并将优化后方法用于实际水样中VOCs的检测。结果表明:选用9#捕集阱、高纯氦气下吹扫11min,可将目标化合物捕集完全,解析时间为1.0min时可脱附完全;DB-624色谱柱(30m×0.25mm×1.4μm)对目标化合物具有较好的分离效果,色谱峰响应高;分流模式进样目标峰形良好且在分流比20∶1下可获得高的响应;利用全扫描方式进行检测,方法目标化合物的检出限为0.09~0.34μg/L,利用选择离子扫描方式进行检测,方法目标化合物的检出限为0.05~0.23μg/L;该方法精密度为0.68%~13.0%(n=6),准确度为79.6%~110%(n=6),各组分相关系数均在0.997以上,且方法操作简单、环境污染小,可满足大批量地下水体中痕量挥发性有机物的检测要求。