摘要:动作识别是滑雪运动状态智能监测的关键环节之一。本文以跳台滑雪运动为研究对象，通过堆叠的方式将不同惯性传感器、不同关节点的数据进行融合生成结构化的数据，从而利用深度卷积神经网络实现跳台滑雪动作的识别。首先对采集到的跳台滑雪运动过程中的不同传感器、人体不同关节点的惯性传感数据进行归一化处理映射至［0,1］之间，然后通过颜色映射将各类数据堆叠生成图像，接着利用Resnet等二维卷积神经网络对跳台滑雪中的动身至助滑、直线助滑、曲线助滑、起跳及早期飞行、稳定飞行及落地共5类动作的堆叠惯性信号图像进行识别。实验结果表明，对9次跳台滑雪数据融合后生成的2 250幅堆叠惯性信号图像进行识别，召回率和准确率达到了93.8%和91.7%；同时分析了单个类别惯性传感器对各关节点数据融合后的识别结果的影响。本文提出的不同传感器、不同关节点堆叠惯性信号融合和动作识别方法能够为跳台滑雪运动的智能化分析提供支撑。

摘要:手势识别是人机交互的关键。为了能够更好地实现脑电信号与肌电信号的融合，精准地识别人体的运动，本文建立了一套基于Grael脑电放大器的手势动作实时检测识别的研究系统。通过Grael脑电放大器和Curry8系统采集5个通道的8种不同手势的表面肌电信号（sEMG），并对采集到的sEMG信号进行滤波去噪、滑动窗口分割以及特征提取等预处理的操作；最后采用几种常用的分类器与卷积神经网络（CNN）对不同手势的sEMG信号进行实时分类识别。结果表明CNN的识别准确率最高，能达到92.98%；对每个手势动作进行30次实时识别检测，结果显示识别延迟大概在1~1.5 s，实时识别的精度可高达90%。该系统为将来研究脑电信号与肌电信号的融合提供了一个可行的方法，在人机交互方面展现了巨大的潜力和应用空间。

摘要:基于深度学习网络的高光谱图像分类能够有效地提取图像中的特征信息，促进遥感图像中丰富信息的挖掘与利用。然而，现有方法性能仍然受限于阴影信息不能充分提取、特征不能有效利用。针对阴影区域信息提取，动态随机共振能够利用噪声增强信号，提高信息的表达能力；针对特征利用，在卷积神经网络中嵌入注意力机制，能够在其提取的高层特征的基础上，从空间维度和通道维度进一步提取融合，筛选出对当前任务目标更为关键的特征，提升网络分类性能。实验结果表明：通过在含有阴影区域的真实高光谱图像数据集Hydice上仿真，动态随机共振能够有效增强信号进而将分类精度从96.48%提升到97.14%，卷积注意块的加入使分类精度提升了0.408 4%。进一步与其他分类方法在Hydice、Indian Pines、Pavia University进行实验对比验证，本文方法分类精度分别达到了97.436 1%、99.219 5%和99.929 9%，对不同数据集的分类都具有良好的表现，相较于其他方法具有明显优势，证明了该方法的有效性和良好的分类性能，在高光谱图像分类领域具有广阔的应用前景。

摘要:无地面控制点的无人机摄影测量可以有效提高生产效率，降低生产成本，在人无法到达的地区展现出很大的优势，但是该方法也存在的一系列问题。一是通过在任检校的方法无法获取准确的相机参数，不准确的相机主距会严重影响目标点的高程。二是在地图投影坐标系下进行测绘任务时，投影变形和地球曲率对高程精度也有影响。因此，本文通过分析高程误差产生的具体原因，实现了在带有架构航线的地心坐标系中相机的自校准，然后，在不带架构航线的地图投影坐标系中获得影像的外方位元素，最后，对地图投影变形和地球曲率引起的高程误差进行了校正。实验结果表明，两组数据的高程均方根误差分别从0.298 m和0.374 m降低到了0.075 m和0.080 m，高程精度均优于0.1 m，因此本文的方法可以在无地面控制点的地图投影坐标系内实现精确的地图绘制。

摘要:针对雾霾天气下道路交通标志识别难度大、精确度较低的问题，提出一种基于YOLOv5的雾霾天气交通标志识别模型。首先在YOLOv5原始模型上融入卷积注意力机制，在空间维度和通道维度上进行特征增强，抑制雾霾天气对模型的干扰；然后将BiFPN作为neck层中的特征融合结构,更加充分地融合多尺度特征，减少目标信息丢失；并选用CIoU作为YOLOv5的损失函数提高定位能力；使用K-means聚类算法在TT100K和CODA数据集重新获取锚框值，加快模型收敛速度。实验结果表明，改进后模型识别精度达到92.5%，比YOLOv5提升5.6%，在雾霾天气下仍能准确识别交通标志，速度达27 FPS，能够进行实时检测。

摘要:针对人脸表情识别中普通卷积神经网络特征提取能力不足且识别效率低下的情况，本文提出了一种基于MobileNetV3多尺度特征融合的人脸表情识别。首先利用MobileNetV3进行特征提取以获得高层次情感信息；其次在骨干网络中借鉴DenseNet结构，增强特征复用并提升网络重要面部特征表达能力；然后利用特征金字塔模块充分获取人脸图像的深层和浅层多尺度融合特征，从而提高了MobileNetV3的特征提取能力和实时性；最后利用全连接层构建分类器对表情进行分类，从而完成了人脸表情识别。通过实验验证，结果表明，在CK+和FERPlus数据集上识别准确率可以达到88.3%和98.8%，与现有方法相比分别提高了2.3%和1.5%，表明了所提方法识别效果好，泛化能力强。

摘要:针对多项式回归颜色校正方法中的不足，提出一种自适应加权的根多项式回归算法。多项式回归颜色校正过程中需要手动标定色卡色块位置，操作不便且易产生人为误差，本文自主设计了一种带QR码上3个定位标识符的色卡，可实现色卡色块的自动定位；针对多项式回归法的高阶项会放大噪声且对噪声不具有健壮性的问题，本文算法将自适应地调整权重矩阵以减小样本奇异值对拟合性能的影响，再由色差值计算另一个增益系数矩阵，从而提高校正性能。经实验验证，本文算法在CIELab色差值、PSNR两项指标上相较于传统多项式回归方法都有较大提升。其中，传统多项式回归方法平均CIELab色差值高达6.5，且该数值受环境影响较大，而本文算法对不同环境下的图像校正后色差可稳定在3.2以下。

摘要:针对驾驶员相似的背景下的细微动作的动作识别，提出了一种基于X3D卷积神经网络X3D-M-GC-AE。通过引入轻量级的自注意力网络GCNet，提高对时间和空间关键特征的关注度，不引入参数量的情况下，提高检测精度；设计了一种运动增强模块，使网络对时序上的运动信息更加敏感；引入知识蒸馏，将X3D-XL作为教师网络，X3D-M-GC-AE作为学生网络，可以使用较少的参数量和计算量，达到可以实车应用的程度。实验结果表明教师网络测试精度最高可以达到75.56%，学生网络最高可以达到71.13%，该框架在车载硬件设备要求较低的情况下能够实现较高精度的检测效果。

摘要:针对双流自适应图卷积动作识别网络2S-AGCN模型忽略了人体动作识别中特征的长距离信息以及通道之间的依赖的缺点，设计了一种双重注意力机制对2S-AGCN模型的图卷积模块进行改进，实现精度的提升。双重注意力机制包含了空间注意力机制以及通道注意力机制，其中空间注意力机制有选择性地聚集上下文，通道注意力机制分为两个并行的模块，第1部分提高了特征的可辨性，第2部分在捕获特征远程依赖的同时，保留了精准的位置信息。结果表明，以双流自适应图卷积动作识别网络2S-AGCN模型为基础网络，融入了双重注意力机制模块的模型在Kinetics数据集上的Top-1和Top-5分别提升了0.6%和1.3%，在NTURGB+D120数据集的CS和CV上的Top-1分别提升了1.2%和0.5%，在NTURGB+D数据集的CS和CV上的Top-1分别提了0.2%和0.1%。

摘要:为解决当前装配机器人视觉系统对元器件误检率高、效率低、难获取有效定位信息的问题，提出了一种基于深度学习的元器件视觉识别和定位方法。首先，设计基于深度聚合和解耦头的高精度检测算法，提高元器件识别和主体检测的精度；其次，设计标注和判定规则，细化定位主体轮廓和抓取点；最后，设计基于网络剪枝的轻量化检测算法，实现模型压缩，提高引脚检测和装配点定位的效率。研究结果表明：该方法在元器件的识别和定位上取得了较好表现，类别识别平均错误率仅为0.27%，计算量减少了29.8%，参数量减少了22.7%，并将传统的元器件轮廓检测扩展到抓取点和装配点定位，得到丰富的类别和位置指引信息，为工业机器人精准、可靠、稳定地抓取和装配做好基础。

摘要:针对深度强化学习在边缘计算环境下的多目标任务调度时存在优化效果差等问题，提出了一种新的基于改进的竞争深度双Q网络的多目标任务调度算法(IMTS-D3QN)。首先将深度双Q网络对目标中的最大操作分解为动作选择和动作评估，以消除过高估计；采用立即奖励经验样本分类方法，对经验样本按照重要性程度分类存储，训练时选取更多重要性程度高的经验样本，提高了实际样本的利用率，加快了神经网络的训练速度。然后，通过引入竞争网络结构对神经网络进行优化。最后，采用软更新方法提高算法的稳定性，并采用动态ε贪婪指数递减法寻找最优策略。通过不同线性加权组合得出帕累托最优解，达到响应时间和能耗最小化。实验结果表明，IMTS-D3QN算法与其他算法相比，在不同任务数下响应时间与能耗上具有明显的优化效果。

摘要:随着机动车数量的持续增加城市交通拥堵问题日愈明显，为了缓解交通拥堵，本文设计了一种智能交通系统。在车辆检测部分：利用背景均值建模解决ViBe背景建模产生鬼影的问题，针对不同复杂程度的背景赋予不同的背景更新速率来实现自适应背景更新策略。交通灯配时部分：针对单级模糊控制以排队长度作为模糊控制输入误差较大的问题，构建了基于拥堵强度的两级模糊控制器，经过模糊推理和清晰化后得出配时方案，从而对绿灯时间做出调整。实验结果表明，在车流量检测部分：通过不同类型的交通场景测试，改进的ViBe算法在车辆流量的综合准确率相比ViBe算法提升了11%，能够为配时策略提供准确的数据支撑。红绿灯配时部分：本文提出的基于两级模糊控制的信号灯配时策略在3种流量场景下与现有交通灯配时方法相比，车辆平均延误时间和车辆平均通行时间分别降低了3.34和5.65 s以上，能够起到缓解交通拥堵的作用。

摘要:为保证智能车辆能够按照规划的路径安全行驶，且满足车辆动力学特性，针对混合A*算法中没有引导性策略所产生较多不必要的搜索问题，提出概率A*算法先得到搜索粗路径，提高在随后搜索过程中搜索效率。然后利用概率A*算法得到的路径点引导节点走向，避免节点向障碍物等搜寻。最后对节点的代价函数进行优化。仿真实验结果表明，与混合A*算法相比，本文所提出的算法平均减少搜索时间10.8%，且得到的路径相对规整平滑。该算法可以在较短时间内为智能车辆规划一条安全可行平滑的路径。

摘要:针对传统A*算法在无人机路径规划时效率低下、路径点存在大量冗余，且路径转折较多的缺点，提出一种基于双向机制的改进A*算法。首先引入双向搜索机制，分别以对向搜索的起点作为终点，然后判断终点位于起点的象限进行双定向搜索，从而提高搜索效率。最后引入路径平滑策略，将双定向搜索获取的初始路径进行平滑处理，减少冗余路径点和转折点。通过MATLAB平台对传统A*算法和改进A*算法进行对比实验，实验结果表明，相比于传统A*算法，提出的改进A*算法，路径规划时间平均减少了61.61%，路径点平均减少了83.09%，路径转折点平均减少了46.97%，能够有效提高无人机工作效率，生成平滑路径。

摘要:绝缘子是架空线路中重要组成部分之一，当出现故障时，影响电网安全运行。为实现绝缘子故障快速、精准的识别，提出了一种基于改进YOLOv3-Tiny的绝缘子故障检测方法。首先，为了增强小目标检测能力，对浅层特征图与第二检测层之前特征图进行同维拼接构建第三预测层。随后，该网络采用Ghost模块替换主干网络中的卷积层，降低模型的参数量。然后，设计了一个新的注意力模块MECA，不仅能够多尺度信息融合，还能使网络专注绝缘子的显著特征。最后，提出了新的交并比EIoU作为边框回归损失函数，更好的定位目标位置。实验结果表明，改进的YOLOv3-Tiny在绝缘子故障检测中平均准确率（MAP）高达96.1%，较原始YOLOv3-Tiny算法MAP提高了17%。

摘要:针对双向快速拓展随机树（RRT-Connect）算法在多障碍物复杂环境下算法收敛速度慢、搜索效率低、采样具有随机性等问题，提出一种基于椭球子集采样的RRT-Connect算法，首先在传统的RRT-Connect算法的基础上，结合目标偏执采样策略和椭球子集采样的优势，构造一种新的采样方法，对采样区域进行约束，在此基础上找到从起始点到目标点的最优路径点集合，并将该路径作为初始路径，通过引入基于三角不等式的路径修剪算法，在迭代过程中对路径不断优化，得到一条从起始点到目标点的代价小、无碰撞路径，最后结合五次多项式差值算法进行路径优化，生成一条路径平滑且曲率连续的优化路径，从而使机械臂沿着该最优路径快速、准确、稳定的到达目标点。实验结果表明，对比原始的RRT-Connect算法，平均规划时间效率提高了30.5%、平均采样点减少了76.74%、平均路径长度缩短了13.22%，该算法在规划过程中收敛速度更快、搜索效率更高、路径优化效果更显著。

摘要:为了改善频率源的相位噪声，本文提出一种频率和相位相同的独立源合成的方法。由于硬件的不一致性，独立源之间存在一定的相位差，所以合路频率源的相位噪声不接近理论值，甚至恶化。在本文中，从数学上证明了将频率和相位相同的多个频率源信号结合起来可以改善频率源的相位噪声的可行性，并利用MATLAB进行理论仿真；针对两个频率源相位的相位差或不同步问题，提出了一种自适应跟踪算法来实现两个频率源之间的相位同步，最后给出该算法理论仿真结果。从理论证明和仿真结果中分析，合成频率源信号的相位噪声得到提升，相比与初始频率源的幅度提升了3 dB；本文提出自适应跟踪算法可以控制两个初始频率源的相位差小于10°，达到预期效果。

摘要:由于城市交通流具有高度的复杂性，路网内存在的非重复性干扰会使迭代学习的交通控制系统动态性能变差。因此，提出了一种卡尔曼滤波器和迭代学习的交通信号复合控制方法，以进一步改善控制系统的鲁棒性和抗干扰能力。该控制方法首先利用卡尔曼滤波器对系统的状态进行观测，在含有随机噪声干扰的情况下，估计系统的最优状态；其次设计了带遗忘因子的迭代学习控制方法，遗忘因子可增强对大幅扰动的抗干扰能力，再通过迭代学习逐渐跟踪系统的参考轨迹;最后，对该算法的收敛性进行了数学证明，而仿真的实验结果也表明在扰动环境下利用提出的方法可以降低干扰对控制系统的影响，在一定程度上提高了道路通行能力、减少了交通拥堵。

摘要:为了提高脑电情感识别的准确率，提取更丰富的特征信息，提升网络模型稳定性，提出一种改进的基于多层注意力机制的脑电情感识别模型。在特征提取方面，将原始脑电信号转换成四维空间频谱时间结构，提取丰富的脑电信息。在网络模型方面，构建双路卷积神经网络学习空间及频率信息，有效提取多尺度特征，增加网络宽度来学习更丰富的特征信息；在卷积层及池化层后融入批量归一化层，防止过拟合。最后，构建多层注意力机制双向门控循环单元模块处理时间特征并配合Softmax分类。采用双向门控循环单元学习更全面的上下级特征信息。利用多层注意力机制使四维特征中不同时间切片与整体时间切片之间产生关联。该文在DEAP数据集唤醒度和效价两个维度进行了评估实验，二分类平均准确率分别为96.38%和96.73%，四分类平均准确率为93.78%。实验结果显示，与单路卷积神经网络及其他文献算法相比，该文算法的平均准确率有所提高，表明该算法可以有效提升脑电情感识别性能。

摘要:为了解决胃肠道粘弹性阻尼和胶囊质心偏移等非线性因素会使胶囊机器人姿态偏离控制目标，胶囊运动过程中大视差和运动图像模糊所导致的姿态估计误差等问题，提出一种自监督姿态快速矫正方法。在胶囊初始姿态标定方面，消除了初始自转角的影响；在胶囊姿态估计方面，基于注意力机制SAB和TAM，使用深度可分离卷积替代部分标准卷积，设计出一种时空注意力机制TSAM并嵌入到PoseNet中得到注意力姿态估计网络APEN，加强模型特征提取能力。实验表明，相较于现有胶囊姿态估计方法EndoSfM，APEN可在保持推理速度几乎不变的同时，相对姿态估计精度提高52%，并且该方法能实时、有效的对胶囊姿态进行矫正，姿态控制精度提高38.8%，为实现胃肠道高效动态诊疗奠定了基础。

摘要:针对工业机器人位置稳定时间的精度问题，企业和检测机构不断研究改进检测方法。通过激光跟踪仪和CompuGauge的对比实验，搭建不确定度测量模型，采用A、B类方法对测量重复性、数字分辨率、示值误差和坐标对齐进行分析并评定不确定度分量，得出激光跟踪仪和CompuGauge的扩展不确定度分别为U1≈0.11 s和U2≈0.19 s，最终laser tracker；CompuGauge；position stabilization time；expanded uncertainty；|En|≈0.5。实验结果表明：激光跟踪仪的结果较集中、稳定，精度更高，但受坐标对齐的影响最大，而CompuGauge操作方便、省时，不依赖于机器人模型，但受示值误差的影响最大。

摘要:针对当前高精度的负荷识别算法复杂度高，难以实现低成本电器监测装置，以及单一依据稳态特征难以实现高精度电器识别问题，本文设计了一款基于CUSUM和加权欧氏距离的低成本电器分析监测装置。该装置通过采样电路采集电器工作状态的电参数特征，以稳态有功功率、无功功率和暂态功率过冲幅度建立三维电器特征库，利用改进的CUSUM控制图实现具有过冲幅度检测功能的电器投切事件检测，通过特征加权的欧氏距离模型完成电器工作状态识别。实验结果表明，本文设计的监测装置平均电器识别准确率高达97.3%，验证了设计方案的可行性。

摘要:针对强化学习在解决端到端自动驾驶行为决策问题时面临采样效率低、环境适应性差、决策效果不佳的问题，提出循环近端策略优化算法（RPPO），采用LSTM与移动翻转瓶颈卷积模块构建策略网络与价值网络，有效整合前后帧的关联信息，实现智能体对多变情况的预测，提高智能体对环境的快速认知能力，并在价值网络添加L2正则化层，进一步提高算法的泛化能力，最后手动设置智能体在2个连续帧中保持动作不变，引入先验知识约束搜索空间，加快算法收敛。通过CARLA开源模拟环境测试，该改进方法与传统方法相比，奖励曲线明显占优，且直行、转弯、指定路线行驶3类任务的成功率分别提高了10%、16%、30%，证明提出的方法更有效。

摘要:针对无人机航拍目标检测对检测速度的高要求以及航拍图像小目标较多时易出现漏检、误检的问题，提出一种基于改进YOLOv4的无人机航拍目标检测算法。首先，引入轻量级网络MobileNetv3替换YOLOv4的主干特征提取网络，并采用深度可分离卷积替换网络其余部分的3×3标准卷积，降低了模型复杂度，提升了检测速度；其次，增加了针对小目标的104×104的浅层检测层，将原特征提取网络的3种检测尺度扩展为4种，对应加深特征融合网络层数，提升了算法对小目标的检测精度；最后，采用K-means++聚类算法重新设计了初始锚框，加快了网络的收敛速度。在无人机航拍数据集上进行了对比实验，结果表明所提算法与原算法相比，在保证平均检测精度的同时，提升了小目标检测精度，且模型参数量减少了60%，检测速度提升了15.2%，在实时性和准确性方面均有较好性能。

摘要:为提升无人机大范围弱纹理场景下的状态估计，提出一种改进视觉惯性里程计融合GPS的定位方法。首先，通过在视觉惯性里程计中加入线特征来表示环境的几何结构信息，提升位姿估计的准确性；其次，通过引入长度阈值筛选，剔除对位姿估计贡献不大的短线段，改善特征追踪的鲁棒性；最后，使用非线性优化的方式，将GPS测量信息和改进的视觉惯性里程计融合，校正视觉惯性里程计的累积误差。基于EuRoC数据集仿真实验以及应用于无人机的真实场景实验表明，相较于原算法，加入线特征算法的定位误差在仿真实验中降低了39.14%，室内场景降低了23.48%，室外场景降低了33.58%。融合了GPS的点线特征算法相较于原算法，定位误差降低了53.99%。

摘要:针对在复杂环境下带机械臂无人机进行空中轨迹飞行及抓取作业过程中，存在响应缓慢、不稳定性等问题，首次将积分滑模（ISMO）方法应用于带机械臂无人机控制。首先根据空间中的位姿关系及欧拉-拉格朗日方程，对无人机与三自由度机械臂建立整体的运动学和动力学模型，保证了系统的准确性。其次在利用数学模型描述各变量之间的相互关系后，搭建仿真复杂环境用于模拟整个采样过程。最后设计ISMO控制率用于整体控制，利用李雅普诺夫方程进行了证明。考虑全局在动静态下环境对无人机位置、姿态、机械臂的扰动以及抓取后增加负载的影响，经过仿真校验，其响应速度、鲁棒性等优于传统的PID控制器，保证了系统高效稳定地运行。