基于深度学习的智能船舶轻量化水面障碍物视觉检测与测距方法

针对智能船舶的自主航行障碍物视觉快速检测与测距需求,提出一种基于深度学习的智能船舶轻量化水面障碍物视觉检测与测距方法。从障碍物检测速度和计算量的角度出发,该方法可提升智能船舶环境感知能力。首先,针对障碍物检测问题,在Yolov4检测模型的框架下,构建基于MobileNet特征提取网络的DIS-Yolo水面障碍物检测模型,实现模型网络结构的轻量化改进。其次,针对障碍物测距问题,基于所构建的障碍物检测模型和COMS成像模型,提出水面障碍物测距机制,实现水面障碍物的高精度测距。最后,通过模拟实验验证所改进模型的有效性与测距函数的精确度。所提出的方法可提升智能船舶的航行安全性,同时可为智能船舶环境感知需求提供新的思路。     

基于多分支注意力改进的YOLOv5无人艇目标检测方法

针对水面无人艇目标检测类别多、尺寸小、形变大等难题,提出了基于多分支注意力改进的YOLOv5检测算法。首先提出了一种SAv2Attention模块,通过对通道的“复制-转换-合并”等处理,实现卷积层通道间与通道内特征融合,提升网络的局部感受野,然后将其嵌入到YOLOv5网络,最后在构建的真实海试数据集上进行了大量对比实验。结果表明,SAv2Attention可有效提升YOLOv5的检测精度,典型海面目标数据集上,mAP@0.5检测精度达到94.6%,mAP@0.5:0.95检测精度达到60.9%,相较于原生算法分别提高1.4%和3%,对小尺寸目标平均检测率APS提升4.3%,证明所提方法能有效提升无人艇对水面小目标的检测能力。     

一种基于航向估计的多平台纯方位目标转向机动检测算法

针对纯方位目标转向机动检测问题,提出一种基于航向估计的多平台纯方位目标机动检测算法。该算法通过选定假设机动点序列,解算假设机动点前后的两段目标运动要素,根据解算出的相邻段航向差序列变化来判别目标是否发生机动。基于Taylor级数要素解算模型,建立了两段运动要素联合解算模型和两段运动要素独立解算模型。通过对多种航路进行仿真计算,统计分析这两种解算模型下机动检测算法的虚警率、目标机动检测率、机动检测延迟时间以及机动时刻估计精度。仿真结果表明,两种解算模型下的机动检测算法能够有效地对转向机动目标进行机动检测。     

基于改进遗传算法的AUV动态目标搜索算法

针对水下动态目标搜索问题,提出一种基于改进遗传算法的AUV动态目标搜索算法。采用蒙特卡罗统计方法生成大量目标运动轨迹,作为计算适应度依据;结合水声模型提出一种新型的累积探测概率计算方式;种群选择采用灾变思想与精英主义相结合方法,保证种群的非劣性和多样性,加速跳出局部极值;采用混沌序列方式选择交叉和变异点,增加种群随机性;采用动态自适应的交叉概率与变异概率,减少经验依赖,保证后期种群多样性。仿真实验结果表明,相较于传统算法和经典遗传算法,改进遗传算法能有效避免陷入局部极值,提高搜索概率。     

高铁大风预警模式挖掘

高铁大风预警的传统方法基于风速预测,当瞬时值高于限速阈值时触发报警,存在大量的误报警,不必要的限速控制影响了高铁行车效率。创新地提出了基于序列模式的预警方法,旨在挖掘报警事件前序数据中的频繁模式,找出报警事件的变化规律,通过滤除与非预警序列共有的频繁模式,得到预警序列独有的序列特征,构建了预警模式库。经兰新高铁沿线的监测数据验证,该方法在提高预测准确率的基础上降低了漏报率,同时有效地减少了模式匹配所需的时间,为提前预警预留充分的时间窗口,更加符合实际应用的需求。