摘要:针对星敏支架热致变形导致其指向精度降低的问题,提出了一种基于神经网络的指向倾角监测方法。 首先,分析星敏 支架结构特征,搭建星敏支架指向倾角预测系统,采集星敏支架结构形变和倾角变化数据,并对实验数据进行预处理;其次,构 建深度神经网络模型,将星敏支架模型各测量点的应变信息作为输入变量,并使用 Adam 优化算法更新网络参数,经训练迭代 后得到指向倾角预测模型;然后针对传统深度神经网络收敛速度慢、容易产生局部最小值等局限性,使用遗传算法对深度神经 网络的超参数进行优化,以提升神经网络的训练速度;最后使用测试集数据对星敏支架指向倾角变化进行预测,分析该模型在 不同温度条件下对星敏支架指向倾角监测的准确率。 实验结果表明,优化后深度神经网络模型的指向倾角预测方法的平均误 差为 0. 20″,且倾角预测精度明显优于传统算法,证明利用深度学习方法实现星敏支架指向倾角监测具有可行性。

摘要:为了提高冲击式潜入器的下潜效率, 利用质量-弹簧系统建立了潜入器单周期下潜过程的动力学方程, 通过遍历寻优 的方式获得了潜入器高效下潜的最优质量刚度匹配关系, 基于 ADAMS 对潜入器工作过程中的运动状态进行了仿真研究, 在 此基础上设计了一种高性能冲击挤密式月球表面钻探潜入器, 并制作了原理样机, 开展了潜入器下潜特性实验。 实验结果表 明,相较于旧样机, 所设计的潜入器下潜效率提高了 63. 7%, 且稳定性良好, 各部件运动工作协调, 实际下潜深度与理论和仿 真结果基本一致, 具有较好的理论意义和重要的应用价值。

摘要:平面电容层析成像(ECT)技术对复合材料粘接缺陷的图像重建,通常要借助灵敏度矩阵完成。 ECT 传感器的敏感场分 布在一个三维空间,但用于缺陷检测的重建图像是二维的,因此存在不同层灵敏度矩阵的选取问题。 探究了不同层灵敏度矩阵 的选取,并提出了一种灵敏度矩阵改进方法。 通过对负敏感区域的阈值处理和绝对值处理,改善了灵敏度矩阵的病态性和不均 匀性,降低 ECT 正问题模化误差。 仿真和实验结果表明,所提方法能够明显降低重建图像中的伪迹,提高重建缺陷的清晰度, 进而降低缺陷误判或漏判的概率。

摘要:针对过渡层较大的感应淬火零件用超声法测量淬硬层深度时,极限硬度点难以准确定位的问题,开展 35MnB 合金淬硬 件的淬硬层深度超声测量实验。 用小波多分辨率分析(MRA)研究信号在不同分解尺度下的时频特征,分析信号在各频带的能 量分布,并探求提取背散射信号的趋势特征计算淬硬层深度的方法。 结果表明,背散射信号中的高频振动成分明显,分布无规 律且能量较低;趋势特征项随信号振动幅值包络缓慢变化,能量占比高达 96. 73%,显著高于其他分解项,高尺度分解下的 MRA 过程实质上滤除了多数与淬硬层深度信息无关的杂波噪声项。 基于趋势特征项的实测结果最大平均误差为 0. 123 mm,最大重 复误差为 6. 24%,测量精度以及重复可靠性均显著高于常规超声测量模型,相比于金相法和显微硬度法具有更高效、无损等优 势,在工程机械零件的实际测量中具有较好的应用前景。

摘要:超小型手持式的多通道阵列系统是集成度非常高的超声检测系统,该系统主要优势是体积较小,检测方便等。 针对超 小型手持式多通道阵列系统设计,搭建了 64 通道的超声检测系统,而 64 通道的超声检测系统设计结果为延时精度 5 ns 和采样 频率 100 MHz,系统的带宽为 0. 02~ 25 MHz, 系统体积为 40×70×90 mm 3 ;通过延时精度和同步采样实验以及最后的缺陷检测 与导波成像实验,结果表明该系统设计的可行,对于扩展成更多通道的医学超声检测系统,该系统仍可以满足且体积不会增加 太多,在同类型仪器中体积较小。

摘要:介电常数是影响高频板材性能的重要参数,板材介电常数的准确性及空间分布均匀性都会对微波电路的性能产生重要 影响。 本文首先设计了增强型耦合环、屏蔽通孔和共面波导技术的谐振环电路,增强环对外界的抗干扰能力并使 S21 分布在 -30~ -20 dB,提高传输效率。 其次分析了不同的环平均半径、环宽、耦合间隙对仿真结果的影响。 接着对谐振环电路加工、测 试,实测结果表明在 2、10、24 GHz 频点下介电常数误差小于±0. 007,证明该方法测试精度高。 最后基于该谐振环电路对某国产 板材介电常数分布测试分析,结果表明加工和板材空间分布造成的介电常数误差小于±0. 024,证明板材性能良好。

摘要:步态功能评估是脑卒中运动功能评估中的重要组成部分。 为解决临床步态功能评估主观性大,主要依据运动学结果而 非神经肌肉变化进行评估的问题,本文提出基于表面肌电(surface electromyography,sEMG)信号的肌肉协同(muscle synergy)分 析方法对步态功能进行定量评定。 使用非负矩阵分解( non-negative matrix factorization,NMF)算法对预处理后的多通道 sEMG 信号进行分解,计算不同组别不同任务下的协同结构向量相似性,得到协同稳定指数( synergy stability index,SSI)对患者步态功 能进行评估。 组间比较结果表明,测试腿在内侧转弯时,健康对照与患者健侧腿之间的 SSI 差异显著( p = 0. 010),与患者患侧 腿之间的 SSI 也存在显著差异(p = 0. 007);测试腿在外侧转弯时,健康对照与患者患侧腿之间的 SSI 差异显著( p = 0. 036);任务 间比较结果表明,患者健侧腿在外侧转弯时的 SSI 显著高于内侧转弯(p = 0. 017)。 且外侧转弯时患者患侧腿的 SSI 与临床运动 功能量表下肢部分 FMA_LE 显著相关(r = 0. 671,r 2 = 0. 451,p = 0. 033)。 由结果可知,转弯任务下的 SSI 可为临床步态功能的评 估提供一种客观的分析手段,从神经肌肉角度为定量评估提供一种新的思路。

摘要:利用信道模拟器在实验室复现电波传播环境是超宽带通信设备测试的重要手段。 本文针对超宽带信道的频率非平稳 特性,提出了一种基于频域平稳区间叠加的超宽带信道模型,并据此设计了基于软件无线电平台的硬件实时模拟系统。 该系统 使用多路数据并行处理架构实现对高速率数据的实时处理,并引入迭代算法和时分复用结构,既保证信道衰落生成的实时性也 降低了硬件资源消耗。 实测结果表明,本文模拟器可支持模拟 600 MHz 的超宽带信道衰落,信道衰落谱型与理论仿真结果吻 合,并且输出的信道冲激响应与实测结果基本一致。 该系统可为超宽带通信系统的优化、验证和评估提供一种有效的手段。

摘要:为了实现电动舵机工作过程中多种故障的一体化诊断,提出了一种基于双阶段注意力的长短期记忆网络(DaLSTM)组 合模型的故障诊断方法。 首先,将电动舵机的多源传感器信号作为输入,采用基于输入注意力和时间注意力的长短期记忆网络 (LSTM)自适应提取原始多源传感器数据中的相关特征,并通过 DaLSTM 组合模型实现多源传感器的时间序列预测。 其次,在 故障诊断时间窗口内,以不同工作状态下 DaLSTM 组合模型预测值与采样值的差值最小为决策函数诊断电动舵机的故障类型。 最后,利用公开的美国国家航空航天局(National Aeronautics and Space Administration, NASA)数据集进行时间序列预测和故障 诊断实验,对故障类别的平均识别率达到了 98. 76%,证明了该方法的有效性。

摘要:为了解决半导体制造领域缺陷检测中出现的检测效率低、错误率高、结果不稳定、成像精度低下导致无法精确地检测出 不同种类的缺陷等问题,本文利用定制的 CCD 工业相机搭配高倍率的光学显微镜采集晶圆表面的扫描图像,结合改进的 YOLOv4 算法,实现了基于深度学习的高精度晶圆缺陷检测方法。 实验表明,对于碳化硅晶圆缺陷,提出的方法模型可以识别 各种复杂条件下的不同种类缺陷,具有良好的鲁棒性。 对缺陷的平均识别精度达到 99. 24%,相较于 YOLOv4-Tiny 和原 YOLOv4 分别提升 10. 08%和 1. 92%。 对缺陷的平均每图识别时间达到 0. 028 3 s,相较于基于 Halcon 软件方法和 OpenCV 模板匹配方法 分别提升 93. 42%和 90. 52%,优于其他常规的晶圆缺陷检测方法,已实现在自主设计的验证系统和应用平台上稳定运行。

摘要:为了满足喷涂机器人对于喷涂质量检测的需求,采用迁移学习对改进 Padim 建模和 ResNet 网络进行融合,构建自主喷 涂机器人喷涂质量检测一体化模型。 该模型提取一次图像特征可同时用于缺陷定位和分类。 在缺陷定位端,通过改进 Padim 模型以减少特征冗余所造成网络的计算消耗,首先将 ResNet-18 网络获取的 patch 嵌入向量语义层由原先前 3 层改为单 2 层,然 后特征表达由 100 维降维至 20 维,最后训练正样本得到正态分布模型与测试图像进行缺陷定位。 在缺陷分类端,对预训练 ResNet-18 网络进行负样本二次训练,得到 ResNet-18 分类模型对测试图像进行缺陷分类。 经过实验,将一体化模型移植在 jetson nano 移动端中,参数量仅为 11. 69 M,定位精度 94. 5%,分类准确率高达 99. 6%,在机器人位移速度 0. 02 m/ s 下检测时间 为 0. 730 s,不会出现缺帧漏检情况,满足实时检测的要求。

摘要:长时交通流预测是综合交通运输系统规划的重要组成部分,也是宏观交通流管理政策制定的重要依据。 针对时序预测 中存在较多噪声及单一模型预测效果不稳定等问题,提出了一种基于奇异谱分析(SSA)的混合预测模型,以提高实际应用中交 通流序列预测的精度与效率。 首先将原始数据经过奇异谱分析后重构为趋势项、周期项和残差项,其中趋势项运用支持向量回 归(SVR)进行预测,并引入灰狼优化(GWO)算法对模型参数进行优化,周期项利用带遗忘机制的在线序列极限学习机(FOSELM)预测,最后叠加两部分得到预测结果。 以真实交通流数据开展实验,本文所提出的混合预测模型的平均绝对误差为 215. 15,均方根误差为 278. 51。 整体结果表明,该模型能够解决单一模型预测结果误差波动大、预测效果不稳定等问题;相比经 验模态分解(EMD)以及未经处理的时间序列,各模型对经过奇异谱分析的时间序列的预测误差均有所减小,进一步证实了奇 异谱分析在时间序列分解中的有效性。

摘要:针对工业场景下复杂工况导致的轴承故障数据特征分布差异,以及难以获得大量有标签数据的问题,提出一种基于 Wasserstein 距离与局部最大平均偏差(LMMD)改进的一维卷积子域适应对抗迁移网络(SANN)。 该网络首先构建 CNN 特征提 取器进行预训练,学习领域特征表示,在对抗训练阶段,对抗层引入 Wasserstein 距离来度量源域与目标域的差异,实现边缘分 布的对齐,固化训练结果。 在特征提取层引入 LMMD 计算模块捕获每个类别的细粒度信息,实现条件分布的对齐。 通过两种 变工况下的轴承故障数据集对该模型性能进行验证。 实验结果表明,无监督的条件下,本文所提方法在目标数据集上相较于基 础域对抗网络分别提高了 5. 0% 和 6. 9% 的识别精度,性能优于现有的迁移算法。

摘要:串联电弧故障是引发电气火灾的重要原因,对其有效检测能确保线路的正常运行和电气设备的可靠工作。 根据低压串 联电弧故障的检测难点,提出了基于非对称卷积神经网络的识别模型,用于适应性地提取串联电弧故障信息。 针对串联电弧故 障种类多、信息隐蔽等问题,首先利用格拉姆角差场时域数据处理方法,将负载模拟的时域信号经过极坐标变换、三角变换后映 射到二维矩阵中,以增加故障数据点的空间占有率和数据关联信息。 之后,为了不增加时间开销,同时改善模型的识别效能,使 用自适应非对称卷积、多通道离散注意力机制改进残差神经网络,作为低压线路中的串联电弧故障模型。 最后,利用容器封装 已训练好的故障识别模型,实现故障信息的快速分析。 验证表明,所提方法对串联电弧故障的识别率达到 99. 95%,具有良好的 识别效果。

摘要:作为现代加密系统不可或缺的一部分,真随机数发生器(TRNG)在信息安全中具有非常重要的作用。 本文提出了一种 可配置、轻量级、高吞吐量的真随机数发生器。 该结构利用与非门和异或门构成了可配置的异步反馈环形振荡器,通过在短时 间内增加相位噪声,来扩大时间抖动范围,从而改善了熵源的随机性。 该结构在 Xilinx Kintex-7 进行了多次测试验证,实验结果 表明,在不同温度(0℃ ~ 80℃ )和不同输出电压(0. 8~ 1. 2 V)的环境变化下,所提出的 TRNG 具有较强的鲁棒性,在硬件资源上 仅消耗了 43 个 LUTs 和 6 个 DFFs,并且获得高达 300 Mb / s 的吞吐量。 同时,生成的随机比特流能够以较高的 P 值通过 NIST SP800-22 和 NIST SP800-90B 测试。

摘要:在进行混合语音分离时,信号时域特征的深度学习语音分离性能优于频域特征。 但目前时域特征的语音分离方法在真 实噪声环境下的鲁棒性较差,且单一时域特征对分离模型的性能存在局限性。 因此,提出一种基于 Conv-TasNet 网络的多特征 语音分离方法,融合频域特征与时域特征,提高数据的多维信息。 为了进一步提高分离网络性能,引入多尺度卷积块,提高网络 对特征的提取能力。 在包含真实噪声的实验环境下,所提方法与 Conv-TasNet 模型和最新的时频域融合语音分离基线模型相 比,性能分别提高了 0. 91 和 0. 52 dB,有效提升了语音分离的性能及鲁棒性。

摘要:针对现有功率车在测试训练过程中由于踩踏速度的变化无法维持功率恒定的问题,设计了一种新型磁阻发生装置。 首 先,基于永磁同步电机的原理对磁阻装置基本结构进行设计,通过功率车的整体结构确定装置的基本结构尺寸,结合测试时所 需的最大功率确定电磁负荷,选择永磁体,再进行定转子的结构尺寸以及绕组连接形式设计,并确定径向气隙参数,最后,分析 了系统恒功率控制原理,并通过模糊 PID 控制与迭代学习控制(ILC)对系统恒功率控制效果进行了仿真与实验。 结果表明,新 型磁阻式功率车在踩踏速度在 60( ±10) r/ min 的范围内变化时,功率误差控制在±5 W 以内,可以接受。 采用新型磁阻发生装 置的功率车提高了恒功率控制效果,验证了其在维持恒功率方面的先进性。

摘要:如何将计算任务分配到合适的边缘计算资源上进行计算,以满足边缘计算环境下用户的计算需求、提高用户任务请求 的服务质量,是边缘计算中面临的关键问题。 本文提出一种基于人工鱼群搜索的边缘计算任务调度方法(AFETSA)。 将人工 鱼群搜索算法和边缘计算任务调度模型相结合,采用非线性递减函数动态地调整人工鱼的视野范围和步长,以提高启发式任务 调度算法的全局搜索能力,降低任务的计算时延;同时与禁忌搜索算法进行融合,通过引入忌禁表,在每一次迭代中防止算法陷 入局部最优,提高算法的寻优能力。 CloudSim3. 0 仿真平台实验评测结表明,本文所提 AFETSA 方法和已有的 AFSA、ACO 和 PSO 这 3 种调度算法相比,在任务执行时间、算法稳定性、负载均衡方面都有明显的提升,可充分利用边缘服务器计算资源,提 升计算任务的计算性能,有效解决边缘计算中任务调度不均导致的时延过高和负载不均衡问题。

摘要:精确估计锂离子电池荷电状态(SOC)是电池管理系统的关键技术之一,直接影响着动力锂电池组的使用效率和安全 性。 锂离子电池特性复杂,其 SOC 无法直接测量,且受电流、温度等因素的影响较大。 为此,提出了一种基于门控循环单元 (GRU)神经网络与无迹卡尔曼滤波(UKF)相结合的组合算法。 该方法利用 GRU 网络获得可测量的电流、电压、温度与锂电池 SOC 之间的非线性关系,并以此作为 UKF 的观测方程。 然后,通过 UKF 估计 SOC 值以提高算法的估计精度。 实验结果表明, 在不同温度以及不同的工况下,本文所提方法的均方根误差(RMSE)和平均绝对误差(MAE)分别小于 0. 51%和 0. 46%,均能提 高 SOC 的估计精度。

摘要:针对滚动轴承在多工况条件下故障特征难以识别的问题,从数据驱动的角度出发应用一维多尺度密集网络(MSDNet) 对轴承进行故障诊断。 首先,将时域信号作为 MSDNet 的直接输入,保持了信号本有的固有特性;其次采用 3 个并行卷积操作 来提取轴承故障信号内部的多尺度信息,密集网络的加入防止了信息传递过程中的特征丢失,适当缓解了模型中的梯度消失问 题;然后训练过程中采用 Adabelief 优化算法优化模型参数,使得模型在快速收敛的同时又提高了其泛化性能;最后通过混淆矩 阵和特征可视化图展示出模型的分类性能,在凯斯西储大学轴承实验数据集和西安交通大学数据集上进行了多次实验,应用该 算法故障识别率可达到 98%以上,证明了该方法的有效性。

摘要:为了更加精确地判别基于微惯性测量单元( IMU)的行人定位信息,本文深入研究了传统行人航迹推算(PDR)算法模 型,发现传统算法所采用的判别条件单一且精准度不高。 针对传统算法中步长估计模型不准确的问题,本研究首先提出一种基 于扩展卡尔曼滤波的误差补偿优化算法,以实现 IMU 内集成的加速度计、陀螺仪等传感器的误差补偿。 将优化后的原始数据 放入 BP 神经网络算法对单参数步长估算经验模型进行训练。 实验结果表明,基于 BP 神经网络融合基础模型的步长算法相比 单纯的基础步长模型,闭环精度提高了 0. 3%以上,开环误差减小了 8. 5 倍,基于 BP 神经网络的改进 PDR 算法可以有效抑制惯 性算法的误差发散。

摘要:基于光频域反射(OFDR)的二维形状传感技术存在相干噪声和光谱匹配错位,导致瑞利散射波长偏移曲线出现乱峰、 杂峰,严重影响形状重构精度。 为此,提出一种使用中值滤波的二维形状传感精度提升方法,分析了 Frenet-Serret 标架下的 OFDR 二维形状重构原理和利用中值滤波提升传感精度的基本原理,搭建了 OFDR 二维形状传感系统,通过多组静态应变实验 标定了应变-波长偏移系数,利用中值滤波方法对 3 种预设二维形状的瑞利散射波长偏移曲线进行降噪处理。 实验结果表明, 应变-波长偏移系数标定为 1. 20 με / pm;在 0. 5 m 形状传感长度上,3 种形状传感末端误差分别从 3. 08%、0. 94%、0. 82%降低至 0. 80%、0. 66%、0. 48%。 研究表明,利用中值滤波降噪可以实现 OFDR 二维形状传感系统的感知精度提升。

摘要:针对 S700K 转辙机故障诊断有效特征提取困难,信号处理与分类算法难以联合优化的问题,提出了一维卷积神经网络 (1DCNN)与双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)结合的转辙机故障诊断方法。 首先,对微机 监测系统采集的转辙机功率曲线进行处理;其次,通过卷积神经网络(convolution neural networks,CNN)的卷积层和池化层对处 理后的数据自适应提取故障特征;再经过扁平层(Flatten)把提取的故障特征作为 BiLSTM 层的输入,进一步挖掘深层次的特征; 最后使用 Softmax 函数实现智能故障诊断。 以某铁路局提供的真实数据验证模型,结果显示所提模型的精确率、召回率和 F1 值 等评价指标分别达到 98. 99%、98. 89%和 98. 89%,相较于其他经典故障诊断模型,1DCNN-BiLSTM 模型在保证训练速度较快的 情况下,将故障诊断的准确率至少提升了 1. 08%。

摘要:为实现煤矿下定向钻进钻机钻孔深度的精准测量,提出一种融合注意力机制与逆残差结构的轻量级钻机目标检测网络 (GCI-YOLOv4),通过自动、快速及准确检测记录钻机的运动轨迹,获取打入钻杆数量,计算出钻孔深度。 针对煤矿下色域区分 度低问题,采用 GhostNet 作为特征提取网络去除复杂背景的冗余特征,同时轻量化模型,加快推理速度。 针对煤矿井下光照不 均导致钻机目标显著度低的问题,引入注意力模块增强钻机在复杂背景中的显著度。 针对钻机高速运动时难以被准确检测的 问题,引入逆残差结构,提取更丰富语义特征的同时保持速度与精度的均衡。 为保证模型的准确性和可靠性,将提出的检测算 法与 5 种经典目标检测算法进行对比。 实验结果表明,GCI-YOLOv4 可以较好的解决煤矿下背景色域区分度低、钻机高速运动 以及受光照不均等问题,平均检测精度达到 99. 49%,检测速度达到 58. 10 FPS,性能优于经典目标检测算法。 将 GCI-YOLOv4 部署在工作面现场进行测试,能够准确获取钻机的运动轨迹,通过滤波处理统计上升沿计算钻杆数量,钻杆计数精度达到 99. 4%,精确计算出钻孔深度,验证了该方法的可行性和实用性。

摘要:针对高度“中心”连接的多园区网络中,负载不均衡造成传输时延长和网络拥塞问题,提出一种基于自适应多采样机制 的决斗深度强化网络(adaptive multi-sampling Dueling deep Q-network, AMD-DQN)动态路由优化算法。 首先,在网络模型中引入 决斗网络(dueling DQN)的思想,同时对多层感知器组成结构进行中心化处理改进,防止高估计价值函数;然后,经验回放机制 采用了自适应多采样机制,该机制融合了随机、就近和优先采样方式,根据负载情况进行自适应调整,并根据权值概率随机选取 采样模式;最后,利用 AMD-DQN 网络结构结合强化学习信号和随机梯度下降来训练神经网络,选出每步最大价值动作,直至传 输成功。 实验结果表明,相比传统的 DQN 和 Dueling DQN 算法,AMD-DQN 算法平均时延为 128. 046 ms,吞吐量达到 5. 726 个/ s, 有效减少了数据包的传输时延,提高了吞吐量,同时从 5 个方向对拥塞程度进行评价,取得了较好的实验结果,进一步缓解了网 络的拥塞。

摘要:在微波加热过程中,由于温度的准确性会直接影响到化学反应速率与制备样品的性能,所以微波场中温度的准确测量 具有十分重要的意义。 综述了微波场中传统的温度测量方法包括热电偶测温、光纤测温和红外测温方式在微波场中应用时的 局限性。 鉴于传统测温手段的局限性,一种新型的温度测量方式-有机金属框架材料(MOFs)温度计因具有高度的可调性以及 纳米级的 MOFs 颗粒能够实现微米级甚至亚微米级的温度测量而受到了广泛的关注,对近年来双发射 MOFs 温度计以及膜式 温度计的研究成果进行了分析,并综述了优化 MOFs 温度计的方法,讨论了微波场测温技术未来的发展方向。

摘要:为了提高 CenterNet 无锚框目标检测网络的目标检测能力,提出一种基于注意力特征融合和多尺度特征提取网络的改 进 CenterNet 目标检测网络。 首先,为了提升网络对多尺度目标的表达能力,设计了自适应多尺度特征提取网络,利用空洞卷积 对特征图进行重采样获取多尺度特征信息,并在空间维度上进行融合;其次,为了更好地融合语义和尺度不一致的特征,提出了 一种基于通道局部注意力的特征融合模块,自适应地学习浅层特征和深层特征之间的融合权重,保留不同感受域的关键特征信 息。 最后,通过在 VOC 2007 测试集上对本文算法进行验证,实验结果表明,最终算法的检测精度达到 80. 94%,相较于基线算法 CenterNet 提升了 3. 82%,有效提升了无锚框目标检测算法的最终性能

摘要:采用图像视频技术对输电线路通道实时监控,通过智能目标检测算法实现外力破坏隐患目标的识别并预警的方法精确 率高,近年来被逐渐普及。 但在实际环境中,由于图片背景复杂、天气变化(如雾、雨等)等因素,训练数据无法涵盖所有条件, 目标识别算法泛化能力较弱,实际应用中常出现漏报和误报。 基于这些问题,采用 YOLOv5 作为本文算法基础,通过数据扩增 模拟不同天气,引用自注意力机制(CBAM)增强模型的特征提取能力,并加入多尺度域自适应网络对训练集进行对抗训练,增 强模型对不同天气、不同场景的泛化能力。 经实验证明,本文所用算法得到的召回率(Recall)达到了 86. 9%,较原算法有明显 提升,平均准确率(MAP)高于原 YOLOv5 算法,达到了 92. 2%,能准确的检测出待检外破目标,减少漏检、误检。