摘要:心理压力的长期积累会对个体的身心健康和工作安全产生显著影响，在日常工作生活中自然、无干扰地进行心理压力识别具有重要的研究意义和应用价值。针对传统心理压力识别方法依赖主观量表或接触式生理传感器难以满足无干扰应用的需求，提出了一种基于面部视频隐含信息的辅助心理压力识别方法。该方法以远程光电容积脉搏波描记法(remote photoplethysmography，rPPG)为基础，利用人脸视频序列提取皮肤反射引起的微弱颜色变化信号，实现远程光电容积脉搏波信号的重建与关键生理特征提取，同时引入面部运动单元特征(action unit，AU)，通过双支路特征融合方法，实现心理压力识别。同时，基于蒙特利尔影像压力任务(Montreal imaging stress task，MIST)范式构建不同压力诱导条件下的受试者面部视频数据集，用于验证所提方法的有效性。实验结果表明，所提方法的心理压力识别准确率达到95.64%，并且实验结果在特征层面揭示了心理压力状态在脉搏波调节与面部运动表现上的一致性变化规律，为心理压力的无干扰、可解释识别提供了一种有效技术途径。

摘要:远程光电容积描记技术可利用普通摄像设备从人脸视频中恢复脉搏相关生理信号，但面部颜色变化幅度微弱，易受头部运动、姿态变化、光照波动、阴影遮挡和成像噪声等非生理因素干扰。现有深度学习方法多采用端到端回归范式，通常缺乏对脉搏成分与噪声成分生成机制的显式刻画，导致模型中间状态可解释性不足。针对上述问题，提出一种面向鲁棒rPPG的物理先验引导双分支时空解耦与重构网络PNRNet。该方法将面部RGB时序变化建模为生理脉搏分量与非生理噪声分量的叠加，分别通过独立3D卷积分支学习脉搏相关动态和干扰相关动态，并引入特征正交约束降低两类隐表征的冗余耦合。受二色反射模型启发，进一步设计RGB时序重构模块，将预测脉搏信号和噪声信号投影回RGB观测域，使网络同时受到参考PPG波形监督和视频观测域重构约束。实验结果表明，PNRNet在iBVP、UBFC-rPPG和PURE数据集上的平均绝对值（MAE）分别为3.02、1.18和1.78 bpm，其中在iBVP数据集上较最佳对比方法降低88%。波形分析进一步显示，脉搏分支输出与真实PPG在主周期和整体趋势上保持较好一致性，噪声分支输出能够反映部分运动和光照引起的非生理波动。结果说明，结构化引入物理先验有助于提升rPPG模型的鲁棒性和可解释性。

摘要:针对传统远程脉搏波信号提取方法在复杂场景下鲁棒性不足，以及深度学习方法计算成本高、可解释性差的问题，提出一种结合机器学习与线性模型优势的轻量化解决方案。该方法主要包含4个步骤。首先，对面部区域进行多感兴趣区域(region of interest，ROI)划分，提取多通道红、绿、蓝(red,green,blue，RGB)时序信号。其次，通过相关滤波实现视频信号与参考脉搏波信号的时间对齐。随后，利用轻量化网络学习各通道的最优线性融合权重，并在时域与频域联合约束下实现脉搏波信号重建。在此过程中，模型保留了传统线性组合的可解释性，同时引入数据驱动的权重学习机制，实现多通道信号的自适应融合。最后，结合高分辨率频谱分析与时频脊线提取方法完成心率估计与动态追踪。在VitalVideo、MMPD、UBFC-Phys、iBVP及PhyRec等数据集上的实验结果表明，该模型在不同场景下均取得稳定性能。在VitalVideo数据集上，信噪比(signal-to-noise ratio，SNR)为6.15 dB，平均绝对误差(mean absolute error，MAE)为1.45 min-1；在PhyRec数据集上，平均绝对误差为0.29 min-1。在综合评估中，平均绝对误差为8.45 min-1，均方根误差(root mean square error，RMSE)为10.43 min-1，信噪比为-0.55 dB，准确率(accuracy，ACC)为0.84。结果表明，多通道线性融合策略在保持线性模型可解释性的同时，引入数据驱动建模能力，实现了对信号重建质量与心率估计稳定性的提升，能够在复杂环境下兼顾模型可解释性与性能表现，适用于非接触式生理信号测量场景。

摘要:无创非接触式生理参数测量是健康监测领域的重要研究方向，远程光电容积描记技术是该领域主流技术。针对现有rPPG算法难以同时兼顾检测精度、轻量化部署与长时序建模效率低的问题，提出了rPPG-Mamba模型。模型采用深度可分离卷积压缩模型开销，利用双向Mamba强化长时序特征建模，并引入时间差分卷积、3D通道注意力提升复杂场景特征提取能力，实现人脸视频中rPPG信号精准提取。在PURE、UBFC-rPPG、MMPD数据集开展对比实验，在数据集内评估中，模型在PURE数据集上平均绝对误差达0.18、均方根误差达0.31，在UBFC-rPPG数据集上平均绝对误差达0.43、均方根误差达0.68，均取得最优性能；在跨数据集实验中,验证了模型良好的泛化性，在复杂干扰数据集MMPD中性能仅略低于PhysMamba。模型参数量较EfficientPhys降低了约89.9%，运算量较DeepPhys降低了61.5%。实验表明，rPPG-Mamba可兼顾精度与轻量化能力，具备实际应用前景，可为非接触远程生理测量提供技术参考。

摘要:远程光电容积脉搏波描记法作为一种非接触式生理监测技术，在临床监护与人机交互领域具有重要价值。然而，深度学习模型在rPPG任务中的性能高度依赖于大规模且多样化的标注数据。现有的基准数据集（如PURE和UBFC-rPPG）受限于受试者规模且运动场景较为单一，导致模型在面对复杂非线性运动干扰时泛化能力不足。为此，提出一种基于生成式动画与生物物理嵌入的面部视频合成框架。该框架采用运动生成-信号嵌入的二阶段策略。首先，利用生成式框架 LivePortrait将驱动视频中的大幅度动作与表情迁移至静态图像，构建高保真的动态面部视频，有效模拟了真实场景中的宏观位移噪声；随后，提出一种基于层分离的生物物理嵌入模型，将生理信号植入视频中。该模型利用高斯大核算子将图像分解为基准层与细节层，在低频分量中引入乘性调制，以更符合皮肤光学特性和血流变化的真实表现,在保留皮肤细节纹理的同时，确保了微弱生理信号在光谱与时域维度的物理准确性。在UBFC-rPPG和PURE数据集上的实验结果表明，在样本受限的条件下，加入本研究生成的合成数据后，PhysNet在UBFC-rPPG数据集上的平均绝对误差（MAE）由1.11 bpm降至0.78 bpm，信噪比（SNR）由5.50 dB提升至5.99 dB；在PURE数据集上的MAE由1.16 bpm降至0.99 bpm，SNR由8.17 dB提升至8.36 dB。结果表明，本研究生成的合成数据能够有效提升rPPG模型的心率估计精度与信号质量，为解决rPPG领域的数据稀缺问题提供了一种兼具物理确定性与运动真实感的可行路径。

摘要:远程光电容积描记法（remote photoplethysmography，rPPG）作为一种非接触式心率检测技术，广泛应用于健康监护、情感计算和驾驶安全等领域。现有rPPG监督学习方法高度依赖真实生理信号标签，而参考标签获取难度大，标注成本高，制约其实际应用。针对上述问题，提出一种融合掩码自编码器（masked autoencoder，MAE）与对比学习（contrastive learning，CL）的自监督学习方法，记为PhysCMAE，实现参考生理信号标签数量有限场景下视频心率的准确估计。首先，基于面部皮肤感兴趣区域像素值随时间变化构建多尺度时空图；其次，设计基于视觉Transformer的非对称编码器-解码器结构，对多尺度时空图进行掩码自编码器预训练，以学习细粒度生理特征表示；随后，在预训练后期引入对比学习模块，通过频域对比策略增强生理特征的实例可区分性；最后，添加rPPG预测头并对预训练后的编码器进行微调，实现从视频生理特征到高精度血容量脉冲（blood volume pulse，BVP）信号的映射及心率估计。所提方法在两个公开数据集UBFC-RPPG和PURE的集内实验中，心率平均绝对误差分别为0.71 bpm和0.59 bpm；跨集实验中，心率平均绝对误差分别为3.80 bpm和4.88 bpm，较基线方法其误差性能分别提升约68.0%和15.2%左右。在自采数据集BSIPL-RPPG的跨集实验中，心率平均绝对误差分别为3.96 bpm和6.69 bpm，与现有监督学习方法相比达到次优结果。实验结果表明，PhysCMAE相较现有自监督学习方法能够在生理信号标签稀缺条件下具有较高的心率检测精度与跨集泛化能力，为视频rPPG技术的实用化应用提供了一种有效的技术方案。

摘要:在公共安全场景中，个体极端行为往往具有突发性、危害性和较强的不确定性，在非侵入条件下对相关异常状态进行及时识别，对风险预警和前置干预具有重要意义。针对现有研究中专用数据不足、单一模态表征有限、长短时动态难以统一建模以及模态缺失和质量波动易导致融合失稳等问题，提出一种基于多尺度时序表征与掩码自适应融合的个体心理异常状态检测方法。首先设计了基于公开心理健康数据预训练到自建数据微调的迁移学习方案，利用可迁移的心理状态表征知识改善模型初始化质量，缓解小样本条件下训练不足与过拟合问题，增强模型对目标任务的适应能力。在模型设计上，结合视频、音频与远程光电容积脉搏波描记法（remote photoplethysmography，rPPG）多源信息，针对心理异常状态短时波动与长程演化并存的特征，提出多尺度时序表征方法，以提升对跨模态动态线索的协同建模能力；进一步针对真实场景下模态缺失、信号质量波动及模态贡献不均衡等问题，提出掩码自适应融合机制，以增强模型在复杂条件下的稳定性与鲁棒性。实验结果表明，所提方法在AVEC2014数据集上平均绝对误差（MAE）为5.14、均方根误差（RMSE）为6.37，在自建数据集上准确率（Acc）为0.76、F1为0.82，验证了所提方法的有效性。

摘要:基于自主研发的足底分区扰动测力台(partitioned plantar perturbation force plate, PP-PFP)，提出一种用于解析足底支撑面扰动后人体姿势控制动态过程的时相划分方法。利用PPPFP内置的加速度与力传感器数据，基于阈值法定义了3个关键时刻：扰动开始时刻、姿势调节开始时刻与姿势调节结束时刻，进而将扰动态的姿势响应过程划分为平衡站立(balanced standing, BS)、失衡站立(imbalanced standing, IBS)、调节站立(compensatory standing, CS)与恢复平衡站立(rebalanced standing,RBS)4个时相。计算的压力中心(center of pressure, CoP)变量包括均方根距离(root mean square distance, RDIST)、平均速度(mean velocity, MVELO)、95%置信椭圆面积 (95% confidence ellipse area, AREA-CE)、轨迹长度与轨迹起终点直线距离之比 (length ratio, LR) 。分别对BS与RBS、IBS与CS的CoP变量进行配对样本t检验。结果显示，IBS与CS时相间的LR、MVELO、RDIST存在显著性差异（p<0.01），BS与RBS时相间的AREA-CE、RDIST存在显著性差异（p<0.01），结合CoP轨迹图在4个时相间的明确转换特征，初步验证了所提出的PP-PFP及其时相划分方法的有效性，为深入探究姿势控制的动态调节机制提供了一个精细化的分析框架。

摘要:针对嵌入式 WiFi感知场景中 CSI 信息维度受限导致细粒度字母手势识别精度不足的问题,提出一种轻量化的 CSI 细粒度手势识别方法。为提升 CSI数据的信号质量和序列一致性,对 CSI序列依次进行 Hampel 异常值剔除、中值滤波、小波降噪和三次样条插值的分阶段预处理,从而抑制噪声、提高信号信噪比并稳定手势特征;随后,为改善单天线 CSI空间信息维度受限对细粒度手势识别的影响,设计融合时频特征的双分支网络 DFANet,分别提取频域子载波相关特征和时间依赖特征,并结合树突网络实现高效分类。实验结果表明,模型在实验室、办公室和教室3种场景下的平均识别准确率分别为 88.51%、92.64%和 91.60%,整体平均准确率为 91.21%;模型参数量为 147.880×103,计算复杂度为 49.534×106。与 ResNet50 相比,在识别精度相近条件下,模型参数量由 21.291×106降至147.88×103,计算复杂度由 835.781×106降至49.534×106。说明该方法在保持细粒度字母手势识别性能的同时具有较低的计算开销和良好的轻量化特征,可为后续资源受限嵌入式 WiFi感知系统的部署提供方法支持。

摘要:针对中医颈椎触诊中“穴位瘀滞”状态缺乏客观定量标准的问题，提出了一种基于柔性传感阵列的穴位组织刚度量化方法，并评估其在颈椎病中医病理分型中的有效性。该系统采用镓铟合金聚偏二氟乙烯（GaIn-PVDF）垂直分布的可穿戴式柔性传感阵列，以微接触、低生理负荷方式贴附于颈部穴位区域。借助GaIn应变单元对皮肤受力形变的高敏响应，结合赫兹接触理论建立了从传感器电阻变化到穴位处组织等效刚度的量化模型。模型输出的组织刚度值与临床邵氏硬度值之间具有强相关性（皮尔逊相关系数为0.96），表明该模型能够有效反映穴位组织的真实僵硬程度。在此基础上，融合了穴位电生理参数和压敏阈值，构建了基于主成分分析（principal component analysis，PCA）与K近邻（k-nearest neighbors, KNN）的多参数中医病理分型模型，其多分类总体预测准确率达85.7%。进一步地，将该传感阵列应用于颈部活动度的监测，构建了融合中医病理分型与西医颈部活动度的综合评估框架。此外，利用PVDF单元的压电效应，将穴位按压信号映射为游戏虚拟角色的动作，实现了人机交互，提升了康复训练的趣味性。本研究为中医穴位诊断的客观化与数字化提供了一种新的技术路径，在家庭健康管理与智慧康复场景中展现出良好的应用潜力。

摘要:针对下肢康复机器人在复杂运动环境下因多源传感器信号互相干扰导致的感知精度低、轨迹追踪鲁棒性差等问题，研究了多源传感器信号的自适应融合与建模方法，提出一种动态门控驱动的生物-机械信号跨模态步态（gate-temporal attention contextual dynamics，Gate-TACD）预测模型。模型搭建了双分支特征提取架构，生物分支通过融合表面肌电信号的运动意图与量角器提供的关节静态背景特征，捕捉人体的生物-姿态状态；机械动力学分支提取惯性测量单元的时序上下文特征。设计动态门控机制，通过实时自适应调节生物与机械模态特征对步态估计的贡献权重，抑制传感器滑移等工况下的信号互扰与表征失真。构造基于生物力学最小抖动原理（minimum jerk principle）的物理启发式损失函数，在遵循人体运动学规律的前提下约束预测轨迹，确保输出步态的连续性与顺滑性。基于Camargo数据集的多地形实验结果表明，Gate-TACD模型展现出较好的预测性能，决定系数R2最高达0.99，常规工况下均方根误差（root mean squared error，RMSE）多稳定在0.3°~0.7°，显著优于长短期记忆网络与门控循环单元模型。特别是在引入传感器滑移噪声的恶劣工况下，模型的平均RMSE仅为1.31°，相较于单一机械动力学模态模型预测误差降低约16%。该研究为下肢康复机器人的智能控制与实时追踪提供了一种兼具高精度与高鲁棒性的跨模态感知方案。

摘要:针对调频连续波雷达生命体征检测中受试者随机体动易引起回波相位突变、距离门偏移和频谱峰值偏移，进而降低呼吸率和心率估计精度的问题，设计了一种面向非稳态目标的生命体征检测算法。该算法以雷达中频信号相位为处理对象，首先通过相位二阶差分构建运动趋势函数，以表征随机体动引起的相位突变特征；随后，结合动态阈值识别受体动影响的失真信号片段，并采用季节性差分自回归滑动平均模型对失真片段进行局部重构，对于未受明显体动干扰的片段，保留原始信号，以避免全局建模带来的冗余计算。重构后的信号经滤波分离和频谱分析后，获得呼吸率与心率估计结果。实验结果表明，当动态阈值调节系数μ取0.20时，心率恢复准确率达到96.10%，RMSEHR为1.653 3；在不同SARIMA参数组合下，呼吸率和心率的恢复结果均保持较好的稳定性；但随着模型阶数的提高，运行时间由57.106 1 s增至335.748 4 s。针对4名受试者开展的实验表明，所提算法的呼吸率检测准确率为93.33%，心率检测准确率为96.90%，对应的RMSERR和RMSEHR分别为3.43和11.01。结果表明，在本研究设置的随机体动条件下，所提方法能够减小体动干扰对呼吸率和心率估计的影响，提高生命体征参数估计的稳定性。

摘要:无创连续血压监测是心血管疾病预防、诊断与管理的核心技术，传统袖带式测量方法存在间歇性、患者不适及“白大衣效应”等局限。随着可穿戴技术与移动医疗的快速发展，基于多模态生理信号融合的无创连续血压测量成为研究热点。多模态生理信号融合在无创连续血压测量中的研究进展，涵盖常用生理信号特性与血压的相关性，以及多模态信号采集技术与传感器集成方案。深入分析数据层、特征层、决策层及基于深度学习的端到端融合方法，对比不同融合策略性能与适用场景，总结当前穿戴设备应用面临的挑战，对未来发展方向进行展望。研究表明，多模态融合能有效整合各信号互补信息，显著提升血压估计准确性与鲁棒性。然而个体差异、动态干扰、数据标准化与模型可解释性仍是核心挑战。未来趋势将聚焦于 高质量临床数据集建设、新型可穿戴传感技术、多模态信号智能处理及个体自适应血压估计模型构建，推动该技术向临床转化与普及，为实现高血压早期预警与精准管理提供强有力技术支撑。

摘要:实时、连续、无创的血压监测手段对高血压的早期识别与长期管理具有重要价值。随着可穿戴设备的快速发展，基于光电容积描记法（photoplethysmography, PPG）和微气囊示波法的信号采集方案逐渐成为传统袖带式血压测量的工程化替代路径。近年来，基于人工智能的血压估计算法不断涌现，其性能依赖于信号质量、特征构建、模型架构等多个因素。系统梳理了可穿戴血压估计的关键技术链路，包括信号获取方式、信号特征提取、模型构建及性能评估标准；对脉搏波传播时间（pulse transit time, PTT）法、PPG特征-机器学习法、PPG信号-深度学习法及微气囊示波法进行了对比分析，并补充总结了基于超声法、生物阻抗法和张力测定法等新型可穿戴血压测量技术的相关算法研究进展。进一步总结了模型泛化能力不足、噪声与运动干扰、个体差异适配性弱、初始校准依赖以及数据隐私与伦理等当前挑战，并讨论了多特征融合与机理约束建模、个体化小样本学习、长期连续监测下的鲁棒时序建模、多模态统一建模与系统协同优化，以及标准化评测与临床适配等未来研究方向，为可穿戴血压监测系统的测量技术研究、算法设计及工程应用提供技术参考与发展建议。

摘要:针对精密测量及微纳加工领域对微位移台性能逐渐提高的需求，基于一种纳米级分辨力的六自由度微动工作台的结构特点、驱动方式和性能需求设计相应的高精度驱动控制系统，并进行电路输出性能测试和整体驱动控制效果测试。该微动台为内部中空的3层结构，可为三维激光干涉测量光路提供空间，以柔性铰链配合压电驱动器，采用串并联混合驱动模式；其基于ARM处理器的驱动控制系统包含主控、信号处理、线性放大、供电、保护等模块，具有输出端口多、电压稳定性高、噪声低、分辨力高等优点。实验结果表明，该驱动控制系统输出电压范围为0~170 V、噪声为0.2 mV、线性度为0.12%、带宽为0~100 Hz（16 μF负载），可驱动微动工作台实现20 μm以上位移行程、0.5 nm位移分辨力及0.1″角度分辨力。该微动工作台及驱动控制系统适用于超精密加工和高精度测量领域的纳米级甚至亚纳米级精确定位和姿态控制，如跨尺度微纳米三坐标测量机（cross-scale micro-nano coordinate measuring machine，CMCMM）系统的测量触发及姿态补偿。

摘要:针对干散货自动化码头门座式起重机作业中，钢丝绳与抓斗点云强空间耦合导致边界模糊、以及现场安装受限造成点云稀疏不均，致使传统分割方法难以有效识别钢丝绳的难题，提出一种基于激光雷达与改进PointNet++的钢丝绳识别方法。首先，利用激光雷达获取点云，并采用基于运动学约束的动态预分割算法提取作业区域，以降低计算冗余。其次，在PointNet++框架中嵌入空间自注意力（SSA）模块，通过自注意力分支建立跨点长程依赖以增强钢丝绳轴向拓扑连续性，同时通过空间注意力分支动态加权局部几何特征以强化耦合区域的边界响应，两者协同作用从而提升了稀疏点云下耦合区域的分割精度。基于自建的门座式起重机作业点云数据集开展的实验表明，改进方法的钢丝绳分割交并比（IoU）达到91.2%，较PointNet++基准模型提升9.4%；在雨、雾、雪等恶劣天气条件下，IoU均保持在898%以上；在进舱、出舱、大臂回转等多种真实作业工况下，IoU稳定在89.4%~92.7%，显著优于对比方法，有效解决强耦合与稀疏点云场景下的钢丝绳精准分割问题，为自动化码头抓斗防摇控制与闭环定位提供了可靠的感知基础。

摘要:滚动轴承是旋转机械中最为重要的零件之一，在运行过程中，其早期故障的瞬态冲击信号常被强背景噪声掩盖，传统方法难以有效分离特征。针对强噪声环境下滚动轴承微弱故障特征难以提取的问题，提出一种多尺度稀疏最大相关峭度解卷积的故障特征提取方法。首先，输入原信号，以玻尔兹曼香农互作用熵作为变分模态分解（variational modal decomposition，VMD）算法的优化准则，通过鹅优化算法(GOOSE algorithm，GOOSE)对VMD的惩罚因子α与模态数K进行寻优，实现信号的自适应分解，并根据包络谱峭度最大原则筛选出最优模态分量。其次，为提升对信号脉冲特征的适应性，构建了一种新型特征指标KG，它综合了信号包络谱峭度和脉冲模态分解的稀疏测度GM2tol，实现信号冲击成分和全局脉冲分布的多尺度融合，以特征指标KG为优化目标对相关最大峭度解卷积算法（maximum correlated kurtosis deconvolution，MCKD）参数滤波器长度L,周期T,位移数M进行优化，实现对最优分量冲击成分的特征增强。最后，通过包络谱分析提取轴承故障特征频率。分别采用仿真信号和实验数据集进行验证，验证结果表明该方法清晰提取出故障频率及其多倍频，故障频率提取误差在0.54%，实现故障类别的判别。

摘要:离心式压缩机作为油气站场中的关键设备，其运行状态直接影响生产系统的稳定性与安全性。针对压缩机故障诊断模型由于工况复杂、故障数据不足等现象导致泛化能力弱、物理解释性差等问题，设计了一种数字孪生驱动的离心压缩机故障诊断方法。首先，建立离心压缩机“数据采集-映射-融合与优化-驱动”数字孪生框架，实现运行信息在数字孪生体中的存储与融合。其次，通过变分模态分解（variational mode decomposition，VMD）将时序信号分解为具有有限带宽的本征模态分量，将压缩机状态特征空间与热力学状态变量进行映射。最后，提出基于物理信息的可扩展长短期记忆网络（physics-informed extended long short-term memory network，PX-LSTM）故障诊断模型，将离心压缩机运行过程中的关键物理特征嵌入至可扩展长短期记忆网络（extended long short-term memory network，xLSTM）结构中进行联合建模，引导模型在学习历史故障特征的同时，遵循系统的内在热力学行为。实验结果表明，所提出的模型在多工况、多故障类型识别任务中均优于其他主流方法，验证其在油气数字孪生系统中应用的可行性与有效性。

摘要:针对遥感图像存在目标尺度差异大、对象的稀疏分布和易混淆类别之间的高度相似性等问题，构建了一种基于改进U-Net的遥感图像语义分割方法DKTU-Net，在U-Net框架基础上，对编码器与特征融合结构进行了针对性改进。首先，将原有卷积编码器替换为融合卷积与Shunted Transformer的混合型编码结构，在保持局部细节敏感性的同时，能够有效捕获遥感图像中跨尺度、跨区域的全局语义依赖；然后，采用细节保持上下文融合模块（detail-preserving contextual fusion, DPCF）实现跳跃连接与上采样特征融合，通过可学习的融合策略自适应地组合多尺度特征，改善了目标尺度差异大、对象的稀疏分布问题；最后，引入核选择融合注意力模块（kernel selective fusion attention, KSFA），对上下文融合后的特征进行特征增强，该模块能根据不同类别需求自适应地调整感受野，缓解了易混淆类别之间的高度相似性的问题。在ISPRS Vaihingen与ISPRS Potsdam两个高分辨率遥感数据集上进行了实验，结果表明，提出的DKTU-Net相比于原U-Net网络模型，在ISPRS Vaihingen数据集上的MIoU和m-F1分别提高了6.52%和4.87%；在ISPRS Potsdam数据集上的MIoU和m-F1分别提高了3.54%和2.4%，改善了遥感图像分割存在目标尺度差异大、对象的稀疏分布和易混淆类别之间的高度相似性等问题。

摘要:针对螺旋曲面加工能效低，以及加工后廓形误差较大问题，开展了考虑螺旋曲面高精低耗铣削工艺参数优化方法研究。首先，基于机床能量流动与耗散机理建立螺旋曲面加工能耗理论模型。然后，为实现螺旋曲面的高精低耗加工，以机床性能与加工经济性为约束，建立加工能耗与廓形误差值为目标的螺旋曲面铣削工艺参数优化模型。并利用多机制改进后的黑翅鸢算法(improved multi-objective black-winged kite algorithm, IPMOBKA)实现多目标参数求解，并以LXK300X加工5头螺杆转子为例，利用均匀试验法采集螺旋槽数控铣床基础运行能耗功率，对加工能耗功率理论模型进行验证；采用正交试验法采集螺旋曲面加工能耗、廓形误差与表面粗糙度，建立三者预测模型。最后，使用融合多机制改进后的黑翅鸢算法确定了平衡能耗与廓形误差的最优工艺参数组合。案例验证表明，所提出的优化方法在加工能耗降低15.95%的同时，廓形误差减少13.22%，验证了该方法的有效性，为实现螺旋曲面高精低耗加工提供了有力支持。

摘要:针对布匹瑕疵检测中多类别瑕疵形态差异大、微小瑕疵目标密集分布以及实时高精度检测需求等挑战，提出了FDRT-DETR：一种多类别布匹瑕疵检测算法。首先，在主干网络中使用反向残差移动块（inverted residual mobile block，iRMB）模块，强化多尺度特征提取能力并降低计算冗余。其次，引用了基于统计学特征的注意力机制（token statistics self attention，TSSA）来增强模型对瑕疵区域特征的捕捉精度，降低背景纹理的干扰。再者，在颈部网络中设计了并行空洞卷积注意力金字塔网络（parallel atrous convolution attention pyramid network，PACAPN），显著增强了对小目标特征的保留和识别能力。最后，针对微小瑕疵密集分布导致的低匹配质量问题，引入了可匹配性感知损失函数（matchability aware loss，MAL），提高检测性能。在阿里天池的布匹瑕疵数据集上的实验结果表明，提出的检测算法将布匹瑕疵检测的mAP@0.5提高了3.7%，检测速度达到了64.4 fps，参数量仅为31.4×106，可以满足工业生产的实际需要。

摘要:近年来，深度学习在变化检测领域展现出了卓越的性能,但仍存在由于细节信息丢失和语义信息不足而导致的细粒度边界不够清晰以及存在内部空洞等不足。针对这一问题，提出一种多尺度自适应融合网络（multi-scale adaptive fusion network，MSAF-Net），该网络以ResNet为骨干网络，首先提出一个特征差异融合模块（feature difference fusion module, FDFM），该模块仅通过简单的操作就能从变化区域中粗略提取边界信息。然后，针对细节纹理信息丢失的问题，提出多尺度双特征融合模块（multi-scale dual-feature fusion module, MDFM），将多个感受野中的低级纹理信息与高级语义信息进行聚合。再针对复杂场景中高级语义信息不足的问题，提出一个特征协同增强模块（feature synergy enhancement module, FSEM），通过增强分支之间特征信息的融合提取更深层次的高级语义信息。网络采用双流单支架构，在双阶段进行差异处理，结合浅层FDFM模块捕获细节差异与深层MDFM模块进行跨尺度特征融合；并使用卷积块注意模块(convolutional block attention module, CBAM)在特征融合阶段引入CBAM模块，自适应加权重要变化区域。实验结果表明，MSAF-Net在LEVIR-CD,WHU-CD和SYSU-CD数据集上分别取得了90.71%，91.71%和82.71%的F1值，与当前的主流方法相比分别提升了0.14、1.2和0.87个百分点。

摘要:针对大型矿山设备销轴安装时双孔对齐难、调整不直观的痛点，精确定量双孔相对位姿偏差，为装配机器人提供直观对接控制参数。提出基于3D拟合与欧拉角分解的位姿测量方法。利用可旋转激光测距装置采集多深度周向数据，经最小二乘法拟合圆心序列提取轴线几何参数；基于Z-Y-X顺序欧拉角分解，将空间偏差转化为机械臂坐标系下可执行的三轴平移与旋转补偿量。以220 t矿卡销轴孔进行实测，并与高精度测量仪对比验证。实验表明同轴度相对误差在4%~7%之间。参数分析显示，计算误差随测量层数m与周向点数n增加而减小，在n≥36且m>2时精度饱和，最优采样点数选为36；初始角度偏差α对精度的影响呈非线性递增，大倾角会导致截面投影畸变为椭圆并放大轴线分解误差。该方法无需视觉硬件，抗粉尘与遮挡鲁棒性强，系统计算精度满足大型矿山机械装配的指标要求，且输出的位姿补偿量可直接与重型机械臂调整指令无缝对接，显著提升了传动部件的装配效率，为大型装备自动化运维提供了新的技术路径。

摘要:在航磁测量中，磁信息的质量需要高精度的数据处理与实时性保障。针对现有基于通用处理器的软件补偿系统在嵌入式平台中存在计算延迟大且时序不可预测，难以满足无人机等载荷受限平台对实时性与确定性的严苛要求等问题，提出一种针对托尔斯-劳森(Tolles-Lawson, TL)模型的现场可编程门阵列(field-programmable gate array, FPGA)硬件加速架构。通过对TL模型信息行向量进行面向硬件的代数重构，在Xilinx Artix-7平台上设计并对比了“全并行流水”与“分时复用”两种处理架构计算效果。实验结果表明，全并行架构将单次补偿延迟压缩至540 ns，但需消耗132个数字信号处理器(digital signal processor, DSP)；而分时复用架构通过浮点单元共享，仅占用9个DSP与7 273个查找表(look-up table, LUT)，在6.1 μs的延迟下实现了逾90%的DSP资源节约率。基于Cessna 208飞行平台的实测数据验证显示，该系统的补偿改善比最高达14.8，磁干扰信号标准差从364.5 pT降至24.7 pT。相比于通用处理器的软件实现，该硬件架构在保持补偿精度基本相当的前提下，计算效率提升了1~2个数量级。该设计有效解决了高精度磁补偿算法在低功耗硬件上的部署问题，实现了高精度、强实时、强确定性的机载航磁在线补偿，为无人机及轻型航空器等平台的航磁系统提供了一种低成本、工程可落地的实现方案。

摘要:针对柔性电子与物联网感知需求，设计并制备了一种集成超高频（ultra-high frequency, UHF）射频识别（radio frequency identification, RFID）技术与电容传感原理的无线无源柔性压力传感器。该传感器将传统RFID标签与电容单元相结合，可实现对压力的实时监测。研究基于外部压力与RFID信号相位变化之间的响应机制，即当外力施加于传感器时，其柔性介电层发生压缩形变，导电层间距离减小引起敏感单元的电容变化。这一变化改变了天线端口的反射边界条件，体现为阅读器接收信号相位的显著偏移。为优化传感器性能，实验分析了微金字塔结构介电层对传感器灵敏度的影响。性能测试结果表明，所研发的传感器在0~5 kPa的范围内表现出优异的响应特性，灵敏度可达4.011°/kPa，且检测上限可达20 kPa，显示出宽泛的线性检测范围与良好的稳定性。研究为UHF频段的无线实时压力检测提供了一个参考方案，有助于扩大无线无源压力传感器在可穿戴电子设备领域的应用范围。

摘要:为提升加速度计寻北系统中微弱科里奥利加速度信号的提取精度，提出一种基于CiSSA-GSWOA-VMD三阶协同信号处理框架。首先对加速度计原始输出信号进行循环奇异谱分解(CiSSA)，通过循环矩阵的频率-特征映射提取具有明确周期特征的有效分量，从而抑制宽带噪声干扰。然后引入基于全局搜索策略的鲸鱼优化算法(GSWOA)对变分模态分解(VMD)中的关键参数进行自适应寻优。最后在最优参数条件下对有效分量集合进行分解，进一步去除残余噪声并精确分离目标分量。实验结果表明，在解算精度方面本方法相较于EWT与原始CiSSA的总体平均MAE分别降低1.781°和2.276°。与CiSSA-VMD方法相比，总体平均MAE降低1.271°。在解算稳定性方面，本文方法的平均标准差较EWT和CiSSA分别下降约1.048°和0.489°。与CiSSA-VMD相比平均标准差也降低0.140°。综上，所提方法在整体解算精度与稳健性方面均优于EWT与原始CiSSA，并相较CiSSA-VMD方法实现了小幅但稳健的性能提升，适用于高噪声环境下加速度计寻北系统中微弱科里奥利分量的高精度提取。

摘要:风的随机和非平稳特征对目前风速预测方法的精度产生了制约。为了提高预测的准确性，构建了一个混合深度学习预测模型，融合了季节趋势分解、优化变分模态分解、麻雀搜索算法、时间卷积网络、双向门控循环单元以及注意力机制。方法先利用季节趋势分解对原始风速数据做自适应分解，得到趋势项、季节项以及残差项，再利用优化变分模态分解算法对残差项进行分解，得到若干本征模态函数。其次，针对趋势分量与季节分量，采用双向门控循环单元捕捉长期依赖关系及周期性特征，通过前向与后向门控循环单元的双向信息融合输出全局隐藏状态；引入自注意力机制对各本征模态的局部细节特征进行动态加权，生成关键特征聚焦的上下文向量，抑制冗余信息干扰。接着，针对时间卷积网络与长短期记忆网络关键超参数对模型性能的显著影响，引入麻雀优化算法进行全局优化，解决目前搜索易陷入局部最优、计算效率低的问题。最后依靠整合趋势分量、季节分量与各本征模态的预测结果来输出风速预测值。在实际风电场以小时为间隔的风速数据集上与五种预测方法进行了对比验证实验。结果表明，预测精度与趋势捕捉能力显著优于其他模型，和基准模型相比，均方误差降低 33.5%,均方根误差降低18.5%,平均绝对误差降低16.9%,决定系数提升 3.6%，训练时间降低42.0%，参数量降低41.0%。提出的混合模型为非平稳风速序列的高精度预测提供了有效方案。

摘要:为实现复杂环境下移动机器人高精度与高鲁棒性路径规划，提出一种融合改进Theta*算法与动态窗口法（dynamic window approach，DWA）的混合路径规划方法。首先，优化全局路径规划Theta*算法，引入安全距离约束、自适应邻域扩展策略、改进视线检测及B样条曲线平滑，以提升路径安全性与平滑性。其次，改进局部路径规划DWA算法，通过基于模糊逻辑控制的动态参数匹配机制、速度变化曲率约束及一阶低通滤波器平滑优化，抑制速度波动。最后，将两种算法深度融合于机器人操作系统(robot operating system, ROS)的move_base框架，实现全局与局部规划的协同。仿真结果表明，优化Theta*算法相比传统Theta*算法，路径安全距离提升10.36%，节点数减少27.27%，路径长度优化2.43%。改进DWA算法相比传统DWA算法，路径平滑度提升77.78%，高频方差降低90.91%，规划时间减少3.12%。并在实机试验验证了融合算法在动静态障碍物环境中能有效保障安全距离与运动平稳性。