针对现有识别算法使用的数据集过于简单、对真实场景中安检图像危险品的识别准确率低且容易导致误检和漏检的问题，基于渗透假设的类平衡分层求精提出了一种结合多层通道注意力机制和空间注意力机制的算法。首先，在安检图像分层建模的基础上在特征图中加入通道注意力机制，对不同通道特征赋予不同的权重。然后，加入空间注意力机制，在空间上对安检图像特有的颜色特征赋予不同的权重。最后，利用残差网络在安检图像不同层分别加入双注意力机制进行消融实验。实验结果表明，对固定两层同时添加双注意力机制后，网络对安检危险品的识别精度有显著提高，验证了多层注意力机制算法的有效性和鲁棒性。

在采集地震信号时可能会伴随着随机噪声,有些去噪算法会平滑掉地震信号中的部分细节,从而降低地震数据的准确性。为此提出了一种基于区域分割梯度直方图保持(SGHP)的地震信号去噪算法,该算法先将地震含噪信号分成几个区域,再估计每个区域的参考梯度直方图,最后对每个区域使用梯度直方图保持进行去噪,使得去噪后的地震信号的梯度分布尽可能接近原始信号,从而达到保护地震信号细节的目的。利用SGHP分别对合成地震信号和叠后陆上地震信号进行去噪,与非局部均值滤波(NLM)、块匹配三维(BM3D)协同滤波和聚类稀疏表示(CSR)的去噪效果进行对比,采用峰值信噪比和结构相似度的评价指标进行评估,结果表明,SGHP的去噪效果最优。

针对人工肉眼检测聚氯乙烯(PVC)管材表面缺陷效果差、效率低下等问题,设计了一种基于机器视觉的PVC管材表面缺陷检测算法,并将其用于工业生产。该算法主要包含图像预处理和缺陷检测两部分,图像预处理包括边缘遍历、条纹检测和Gamma变换等步骤;缺陷检测主要包括水平与垂直投影、快速区域生长法连通域标记和分块处理等步骤。该算法对Gamma变换以及区域生长法作加速处理,同时能够最大限度地检测出PVC管材表面缺陷并避免误检。实验及工厂实地检测结果表明,该算法检测准确率为97.6%,实时检测速度超过60 m/min,缺陷最小检测面积为0.05 mm ²,而且管材运行中单边抖动不超过5 mm时无误报警现象发生,管材在运行速度为45 m/min时漏检率为0,因而能满足实际生产需要。

恒星光谱自动分类是研究恒星光谱的基础内容, 快速、 准确自动识别、 分类恒星光谱可提高搜寻特殊天体速度, 对天文学研究有重大意义。 目前我国大型巡天项目LAMOST每年发布数百万条光谱数据, 对海量恒星光谱进行快速、 准确自动识别与分类研究已成为天文学大数据分析与处理领域的研究热点之一。 针对恒星光谱自动分类问题, 提出一种基于卷积神经网络(CNN)的K和F型恒星光谱分类方法, 并与支持向量机(SVM)、 误差反向传播算法(BP)对比, 采用交叉验证方法验证分类器性能。 与传统方法相比CNN具有权值共享, 减少模型学习参数; 可直接对训练数据自动进行特征提取等优点。 实验采用Tensorflow深度学习框架, Python3.5编程环境。 K和F恒星光谱数据集采用国家天文台提供的LAMOST DR3数据。 截取每条光谱波长范围为3 500~7 500 部分, 对光谱均匀采样生成数据集样本, 采用min-max归一化方法对数据集样本进行归一化处理。 CNN结构包括: 输入层, 卷积层C1, 池化层S1, 卷积层C2, 池化层S2, 卷积层C3, 池化层S3, 全连接层, 输出层。 输入层为一批K和F型恒星光谱相同的3 700个波长点处流量值。 C1层设有10个大小为1×3步长为1的卷积核。 S1层采用最大池化方法, 采样窗口大小为1×2, 无重叠采样, 生成10张特征图, 与C1层特征图数量相同, 大小为C1层特征图的二分之一。 C2层设有20个大小为1×2步长为1的卷积核, 输出20张特征图。 S2层对C2层20张特征图下采样输出20张特征图。 C3层设有30个大小为1×3步长为1的卷积核, 输出30张特征图。 S3层对C3层30张特征图下采样输出30张特征图。 全连接层神经元个数设置为50, 每个神经元都与S3层的所有神经元连接。 输出层神经元个数设置为2, 输出分类结果。 卷积层激活函数采用ReLU函数, 输出层激活函数采用softmax函数。 对比算法SVM类型为C-SVC, 核函数采用径向基函数, BP算法设有3个隐藏层, 每个隐藏层设有20, 40和20个神经元。 数据集分为训练数据和测试数据, 将训练数据的40%, 60%, 80%和100%作为5个训练集, 测试数据作为测试集。 分别将5个训练集放入模型中训练, 共迭代8 000次, 每次训练好的模型用测试集进行验证。 对比实验采用100%的训练数据作为训练集, 测试数据作为测试集。 采用精确率、 召回率、 F-score、 准确率四个评价指标评价模型性能, 对实验结果进行详细分析。 分析结果表明CNN算法可对K和F型恒星光谱快速自动分类和筛选, 训练集数据量越大, 模型泛化能力越强, 分类准确率越高。 对比实验结果表明采用CNN算法对K和F型恒星光谱自动分类较传统机器学习SVM和BP算法自动分类准确率更高。

四维块匹配协同滤波(BM4D)用于地震信号去噪时,虽然性能良好,但需要预知噪声标准差。针对上述问题,提出结合主成分分析(PCA)噪声估计的BM4D三维地震信号去噪算法。该算法首先用PCA对地震信号进行噪声估计,然后将估计结果用于BM4D去噪。对人工合成与实际三维地震信号的去噪实验结果表明,本文算法具有可行性,既能取得很好的去噪效果,又能规避BM4D对噪声水平预估值敏感的局限性。与5种噪声估计算法的对比实验表明,本文方法在噪声估计时间和精度方面均具有优势。

针对暗通道先验去雾算法受限于天空区域，提出了一种天空优化的暗通道去雾算法。在原有公式的基础上，根据天空大气光中值及天空区域的占比添加天空区域约束因子，使其适用于天空区域的处理。同时，在原含雾图像对透射率做引导滤波的基础上，利用K-均值算法聚类分割图像得到天空区域，将天空区域的平滑结果作为新的引导图像对透射率图进行引导滤波。实验结果表明,所提出的去雾算法相比于经典暗通道先验去雾算法，以及现有的一些暗通道先验改进算法，无论是在天空区域的处理、实际去雾效果，还是在图像整体视感上都有明显改进。

基于人工经验对光学玻璃进行的计重切割存在误差较大、效率较低、安全性较差的问题。针对上述问题，利用机器视觉构建了一套针对条形光学玻璃的自动计重切割设备，并结合结构光为该设备设计了一套在线自动计重算法。在计重算法中，高速工业相机采集到光学玻璃的图像后，首先识别玻璃横截面的位置特征，并对轮廓进行拟合，得出当前横截面的面积；然后结合伺服电机对玻璃推进的进给量，对面积进行积分，计算出累计的体积与质量。当累计质量满足切割条件时，对玻璃进行切割。经实验及工厂实际应用证明，该系统具有高精度、高效率以及高安全性等特性，实际切割误差小于0.3 g。该装置及算法能够高效、精确地进行条形光学玻璃的自动计重切割。