基于AP聚类和深度卷积网络的船舶焊缝缺陷检测

针对船舶焊缝缺陷检测中存在定位困难和识别效率低问题,提出基于AP聚类和深度卷积神经网络的检测方法.采用基于距离最值的M-SMOTE算法进行焊缝样本不平衡数据集处理,实现少数类新样本的精细化生成,并提出基于AP聚类的深度卷积神经网络模型.模型先基于几何特征、强度特征和背景对比反差进行11个焊缝缺陷特征提取和AP聚类,并将聚类结果作为神经网络输入;采用自适应PCA法对网络进行降维,在保证识别准确率的基础上,通过参数化方法简化降维步骤.试验表明,在通用焊缝数据集上,文中模型的识别率高达98.87％,与准确率较高的VGG模型相比,训练时间缩短12.10％,模型存储减小11.94％;在船舶焊缝数据集上,文中模型的总体识别率达到98.00％,对比准确率较高的DNN模型,其准确率提高了 3.33％.     

基于决策SVM的入侵检测技术研究

在网络入侵检测中，数据类别不均衡训练集的使用将产生分类偏差，支持向量机是一种新型的统计学习模型，在处理小样本和学习机的推广能力上有很大的优势．针对支持向量机解决k个多类分类问题存在训练样本数据大、训练困难的问题，提出基于支持向量机的决策树训练算法，构建了基于支持向量机决策树的入侵检测系统模型．利用KDDCup99数据集，将本文提出的算法与Lee-Carter方法和1-v-R方法进行了对比实验．通过实验和比较表明，该方法的训练效率大大提高，并且具有较高的检测率．     

基于图卷积网络的非均衡数据船舶柴油机故障诊断北大核心CSCD

[目的]船舶柴油机状态信息数据普遍存在类别不均衡的问题,非均衡数据集降低了基于数据驱动的故障诊断模型对柴油机健康状况自动识别的准确性。因此,提出基于样本间概率相似性的图卷积网络(GCN)模型,以解决非均衡数据集分类问题。[方法]首先,引入Kullback-Leibler散度来计算样本间的概率相似性,以挖掘样本间的非线性关系,将各个样本间的相似性用构造概率图的拓扑结构体现。然后,利用图学习对样本特征及邻近样本特征进行聚合和提取,为非均衡数据集的分类提供更多的信息。最后,通过构造多层图卷积层,对样本特征信息进行更深层次的挖掘。[结果]仿真及台架实验表明,所提出的图卷积网络能够有效地学习更多样本信息,通过聚合邻近样本信息来提高非均衡数据集分类的准确率。[结论]该模型的召回率和精确率均高于其他分类模型,具有一定的工程应用价值。     

船体焊缝缺陷检测的图像处理算法

基于船体焊缝人工检测方式劳动强度大、效率低等现状,针对未融合、裂纹、气孔和焊瘤等典型焊缝缺陷,研究图像预处理和轮廓提取算法,对焊缝特征参数计算方法进行改进以降低图像处理运算量,提出基于有限样本的船体焊缝缺陷识别流程。最后应用OpenCV和C++编程,以焊缝缺陷正确识别率为标准,对图像处理算法和识别流程的有效性进行验证。     

基于SVM-BP集成学习的舰船蒸汽动力系统故障诊断

传统故障诊断算法用于舰船蒸汽动力系统非均衡类样本问题存在准确率低且误分类的情况,本文提出一种基于支持向量机-BP神经网络集成学习的故障诊断模型。使用主层次分析法降低原始数据集的特征维度以改善数据量之间的冗余问题,然后设计3个并行的支持向量机分类器进行故障诊断,将分类器的结果数据融合作为BP神经网络的输入,进行二次诊断,得到最终的结果。用仿真平台采集的样本数据进行验证并重复运行30次获取结果,最终模型平均召回率为84%、平均准确率为95.04%。对比传统诊断算法及常用集成算法,该方法的准确率以及少数类样本的召回率明显高于其他诊断方法。     

基于改进YOLOv4算法的船舶目标检测方法

针对海面环境复杂、船舶目标检测存在检测精度不高和效率低的问题，以及船舶数据集不平衡的现象，提出一种改进YOLOv4算法的船舶目标检测方法。对图像进行预处理，增强船舶图像的有用信息，减少计算量；采用图像增强方法扩充不平衡数据集的小样本数量，提高各类船舶目标检测的准确性；采用改进的K-means++聚类方法重新设计先验锚框，使锚框和目标的边界框更加匹配；采用Softer-NMS对非极大值抑制算法进行优化，对预测框进行后处理，提升模型对密集船舶的检测能力和定位精度。通过开展多组对比试验发现，采用改进的检测算法对10类船舶目标进行识别，精确率P、召回率R和交并比（IOU）等都有很大提高，平均精确率（m AP）值达到96.78%，相比YOLOv4算法提升23.79%；检测速度达到31.2帧/秒，在显著提高检测精度的同时，能缩短检测时间，达到很好的检测效果。     

基于改进流行排序算法的显著性区域检测

针对现有基于图的流行排序的显著性检测算法对于复杂背景图像检测中效果不理想问题,提出改进的基于流形排序算法的显著性区域检测.首先将图像分割成4种不同的超像素尺度,并根据图像的RGB,CIELab的颜色特征和LBP纹理特征分别计算4种尺度图像的上、下、左、右4个方向的边界显著图,分别融合不同尺度图像的4个方向的边界显著图得到相应不同尺度图像显著图,融合4种尺度图像的显著图得到弱显著图;然后根据弱显著图以生成强模型的训练样本,通过多核提升算法学习来自输入图像的样本进行强分类,以检测显著像素;最后综合多尺度显著图进一步提高检测性能,并进行优化处理得到最终的显著图.为了验证该算法的正确性和有效性,在公开数据集MSRA1000、ECSSD和PASCAL-S上进行仿真实验,实验结果表明,该算法不仅能够得到较好的视觉效果,而且召回率、准确率和F-measure等评价指标比传统算法有明显提升.     

基于单分类算法OSVM船用燃气轮机状态评估

针对船舶综合监控系统中存储有海量设备正常运行时的数据没有得到充分利用，此外设备退化时的故障数据难以获取，无法训练传统的多分类退化检测模型，提出利用单分类算法OSVM来建立模型,从而实现退化检测，在该过程中只需用正常样本数据来训练模型，并在一个经过实船数据验证过的模拟器产生的数据集上进行了实验。结果显示，只需要400个正常样本就可训练出准确的退化检测模型，该模型在精确度，召回率，特异性，正确率，AUC五个指标都有很好表现，此外，该退化检测模型有很好的扩展性，也可被用于其他机械设备的状态评估中。     

基于SSD的船名检测方法研究

船名检测技术是船名自动识别的关键一步,研究出适合实际场景的船名检测技术对推动船舶自动化管理具有重要意义。为提高船名检测准确率,本文采用SSD深度神经网络对船名进行检测,基于5万张船舶图像进行训练,最后得到识别率高、漏检率及误检率低的船名检测模型。实验表明,该方法能适应昼间、夜间、强光和弱光多种光照环境,船名检测的精度达到92.6%,召回率达到90.8%,基本可以满足全天候的船名检测需要。     

改进的YOLOv3水面障碍物检测方法

为了提高无人艇在自主航行过程中对水面常见障碍物检测的精度，解决模型参数量较大、模型复杂难以应用于嵌入式设备的问题，提出一种改进的YOLOv3水面常见障碍物检测方法。使用K-means++算法对自建数据集进行聚类得到新的锚框参数，通过添加雨雾噪声的数据增强方法优化模型在复杂天气状况下的障碍物检测能力。针对模型参数量较大问题，使用深度可分离卷积和注意力机制模块重构特征提取网络中的残差结构。为了优化预测框的回归效果，引入SIo U损失函数，将预测框与真实框的方向角度作为损失之一，加快训练速度，提高推理的准确性。通过试验验证了改进后模型参数量缩减了44%，检测精度提高了5.19%，漏检率也有所降低，能有效进行水面障碍物的检测。     

海上雷达通信数据特征实时监测算法研究

传统船载雷达通信数据检测算法存在小范围样本数据监测准确率低,究其根源在于算法对小样本数据特征计算能力不足,无法精准提取小样本特征。为此提出基于大数据分析的船载雷达通信数据特征实时监测算法,算法由2种计算子算法构成。首先,引入MIFS小样本特征滤除算法,对雷达数据内小样本周边数据进行滤除计算,提升小样本特征清晰度;其次,引入大数据IDWPA遗传编码特征算法,利用大数据分析能力对小样本数据进行遗传模型建力计算,准确抓取小样本特征,完成整套算法计算;最后,通过仿真实验证明提出算法能够有效解决传统算法特征计算力不足,监测准确率低的问题。     

基于注意力机制的TCS-YOLO船舶检测系统

针对当前海上环境复杂、噪声干扰严重及船舶检测存在漏检和误检等问题,提出一种基于注意力机制的TCS-YOLO船舶检测系统。该算法使用K-Means++聚类算法确定目标样本的锚框以提高先验框与船舶目标的尺寸匹配度;在YOLOv7的Neck部分引入Transformer Block以捕获全局信息和丰富的上下文信息;在YOLOv7的Head部分添加CA注意力机制,有助于模型更准确地定位和识别感兴趣的对象。并在自制的船舶数据集上进行试验,结果表明,该算法的平均精度均值达到70.5%,相比原始的YOLOv7算法值提高了5.1%,能更准确地检测船舶,满足在复杂海上环境中进行船舶检测的需求。     

基于深度学习的入侵检测方法

针对目前入侵检测技术在误报率和检测率上存在的不足,将深度学习和半监督聚类应用于入侵检测技术,提出了一种基于深度学习的入侵检测算法.算法采用稀疏自编码器对数据特征逐层提取数据特征,进而挖掘数据内的有效信息,并将不同的数据正确分类.仿真结果表明,该算法在提高检测率的同时降低了误报率,有效地改进了入侵检测系统的性能.     

基于改进YOLOv5的船体焊缝缺陷自动检测方法

为解决采用人工手段检测船体焊缝速度慢、准确度低的问题,提出基于改进YOLOv5的船体焊缝缺陷自动检测方法。利用相机采集船体焊缝图像,使用正弦灰度变换对焊缝图像进行处理,避免焊缝图像特征消失,提高正常焊缝与存在缺陷焊缝间的对比度,将处理后焊缝图像作为YOLOv5网络的输入样本,经网络Backbone、Neck以及Head部分处理,输出焊缝缺陷自动检测结果,并使用Ghost Net替换YOLOv5网络主体部分的一般卷积层（CBS）,降低网络进行船体焊缝缺陷检测的计算量和资源消耗量。实验结果表明,采用正弦灰度变换后的图像更加清晰,可突出显示焊缝缺陷特征,提升焊缝缺陷检测结果精准。改进后网络训练损失函数为0.15,平均准确率为98%,可实现不同焊缝位置的缺陷检测。     

基于双目视觉的穿梭油轮外输作业自动监测方法

针对复杂工况下穿梭油轮外输作业中的安全距离预警问题，提出一种基于双目视觉智能感知的自动监测方法。结合轻量化模块GhostNet和ECA注意力机制，提出一种面向穿梭油轮关键特征区域检测的YOLOv5-Light算法；综合考虑穿梭油轮多关键特征融合的深度信息，采用多步多尺度滤波方法计算穿梭油轮与石油开采平台之间的距离；利用卡尔曼滤波对实时计算的距离进行处理及相关预警信息输出。创建面向海上安全作业监测的大规模穿梭油轮检测图片数据集，并对其进行数据增强以提升场景覆盖度。试验结果表明：所提方法可提升效率，每秒关键特征区域检测的召回率为99.85%，在100 m范围内，距离预测误差小于2.5%。     

基于极限学习机的舰船网络入侵检测算法

针对传统网络入侵检测算法在舰船网络中存在的检测误差高的问题,提出基于极限学习机的舰船网络入侵检测算法。构建舰船通信网络模型,在该模型下实时采集通信数据并对其进行预处理。将采集的数据作为输入项,利用极限学习机算法提取网络入侵特征。根据网络入侵行为设置行为特征标准,结合舰船网络入侵节点聚集度的计算结果,得出舰船网络入侵检测结果。通过与传统入侵检测算法的对比发现,设计算法的检测误差有所降低,即入侵检测精度得到提升。     

时域和频域特征相融合的语音端点检测新方法

为了提高语音端点检测的适应性和鲁棒性,提出一种时域和频域特征相融合的语音端点检测新方法.在对语音信号进行预处理的基础上,对每一帧分别提取调和性、清晰度和周期性这3个时域或频域特征,使用主成分分析进行特征融合,并采用双门限法得到语音端点的候选集合.在此基础上通过支持向量机对候选集合中的端点进行判断得到最终结果.仿真实验表明:相对于传统的语音端点检测算法、时域和频域特征相融合的语音端点检测新算法提高了语音端点检测的正确率,有效降低了误测率和漏检率,具有更好的适应性和鲁棒性,对不同噪声背景的信号都有较好的检测能力.     

钢管混凝土拱桥相贯节点焊缝的超声波检测缺陷分析

文章结合某钢管混凝土拱桥相贯节点的相贯线焊缝的具体情况,分析薄壁小径管相贯节点焊缝缺陷漏检原因,提出解决措施,有效避免了钢管混凝土拱桥相贯线焊缝缺陷漏检,旨在为同类项目检测提供参考。     

基于Yolox-BTFPN网络的输送带表面损伤检测方法

针对现有输送带表面损伤视觉检测方法的精度和泛化能力受限于样本量和特征丰富性问题,提出一种Yolox-BTFPN检测方法,基于泊松融合算法实现输送带损伤样本的快速增广,并设计偏置纹理特征融合网络BTFPN,使模型能更准确地捕捉输送带表面缺陷。试验结果表明,Yolox-BTFPN网络的可靠性和收敛性可明显提高。     

基于半监督模糊聚类的入侵检测技术

针对当前入侵检测技术检测率较低、误报率较高,特别是难以检测新型入侵的不足,通过研究基于机器学习的异常入侵检测系统,提出了一种基于半监督模糊聚类的异常入侵检测算法SFCA(Semi-supervised Fuzzy Clustering Algorithm).算法通过加入数据之间的相关信息,同时引入代价函数来平滑目标函数,降低其对孤立点数据的敏感程度.通过利用少量的标记样本,生成用于初始化算法的种子聚类,然后辅助聚类过程.实验表明,与FCM(Fuzzy C-means)聚类算法相比,SFCA算法具有较高的性能.