2025年 05期
一种基于残差连接的Swin Transformer增强型联合编码架构设计
香晏;赵响;黄军韬;作为一种新兴的通信范式，语义通信利用深度学习模型实现联合信源信道编码(Joint Source-Channel Coding, JSCC)。JSCC在无线图像传输中表现出优异的压缩和抗干扰能力，尤其在低信噪比(Signal to Noise Ratio, SNR)下。为提升对高分辨率图像语义特征的提取能力，在基于Swin Transformer的JSCC架构上添加了残差连接，提出了一种新的JSCC架构——Swinformer-R,设计了仿真实验。与3种基准方案对比结果表明，所提方案的峰值SNR(Peak SNR Ratio, PSNR)和多尺度结构相似性指数(Multi-Scale Structural Similarity Index Measure, MS-SSIM)在不同传输信道、不同SNR、不同分辨率图像传输上表现最佳，Swinformer-R架构在提升图像重建质量方面具有显著的潜力和优势。
基于改进BiLSTM算法的车辆涡轮机寿命预测
袁灏诚;吴钦木;李佳恒;涡轮机作为能源、航空、船舶等领域的核心设备，其性能退化和寿命问题可能导致生产效率下降和安全隐患。因此，准确预测涡轮机的健康状态(State of Health, SOH)和剩余使用寿命(Remaining Useful Life, RUL)对于实现预测性维护至关重要。针对关键机械设备——涡轮机的故障预测问题，提出了一种基于改进双向长短期记忆网络(Bidirectional Long Short-Term Memory, BiLSTM)的预测方法，提出的混合模型结合了卷积神经网络(Convolutional Neural Network, CNN)的局部特征提取、注意力机制(Attention Mechanism, AM)的权重分配和BiLSTM的双向时间序列处理能力，旨在提高故障预测的准确性和效率。通过对100台涡轮机的运行数据进行分析，实验结果表明，改进的BiLSTM模型在预测精度上优于其他主流模型，如CNN-BiLSTM、CNN-LSTM、循环神经网络(Recurrent Neural Network, RNN),具有更低的平均绝对误差(Mean Absolute Error, MAE),保持了较高的效率和准确度。
基于改进YOLOv8的公路车辆火灾检测算法研究
毛紫薇;周正康;唐加山;为降低公路车辆发生火灾事故的风险，减少人员伤亡以及保护公路结构安全，精准并快速检测火灾的发生尤为重要。针对目前公路场景下火灾检测精度不高、检测速度较慢的问题，提出了一种基于改进YOLOv8模型的火灾检测算法。通过重新设计C2f模块，添加了高效通道注意力(Efficient Channel Attention, ECA)机制，提高了检测精度，减轻了车辆尾灯的干扰；使用SIoU(Shape-Aware Intersection over Union)优化原始网络模型的损失函数，提高了边界框的回归性能；在颈部(Neck)模块引入一种轻量化卷积——GSConv(Grouped Spatial Convolution)使模型能够在保证检测精度的同时提高检测速度，增强了模型的实时性效果。实验结果显示，相较于原模型，改进模型在公路车辆火灾检测数据集上，平均精度均值(mean Average Precision, mAP)提高了1.8%,轻量化后的模型参数下降了10%,前传耗时减少了13.6%,拥有更高的检测精度和检测速度，可以满足火灾实时性检测要求。
基于多尺度特征融合的复杂交通场景目标检测算法
董善;陈清江;道路场景中的物体检测对于智能交通系统和自动驾驶至关重要，但复杂的交通条件带来了重大挑战。针对现有检测算法存在的目标尺度的多样性、周围背景的干扰导致误检和漏检以及遮挡导致的精度下降等问题，提出了一种基于多尺度特征融合(Multi-Scale Feature Fusion, MSFF)的自动驾驶目标检测算法。在Backbone网络中构建了C2f-RepViT模块，从而生成更具表现力的特征表示；主干经过MSFF模块优化，精准捕捉图像细节与上下文信息；在Neck层中设计了特征双向扩散金字塔网络(Feature Bidirectional Diffusion Pyramid Network, FBDPN)结构，以显著提升MSFF的效果；引入PIoU(Powerful-IoU),提升了锚框的质量评估能力，加快模型的收敛速度并提高准确率。在KITTI数据集上的实验结果表明，相较于原YOLOv8算法，所提出检测算法的准确率提高了2.2%,召回率提高了1.9%,mAP@0.5提高了2.1%,mAP@0.5:0.95提高了1.6%,在自动驾驶场景中取得了更好的检测精度和效果。
一种基于改进的YOLOv8的高压输电线路绝缘子缺陷检测方法
赵永祥;张国庆;罗巍;李晓亮;针对目前绝缘子缺陷目标检测算法中存在的误检、漏检和检测精度低等问题，提出一种基于改进YOLOv8的高压输电线路绝缘子缺陷检测方法，实现了高精度检测。在改进的YOLOv8模型中，基于可变形卷积神经网络(Deformable Convolutional Neural Network, DCNN)和全局注意力机制(Global Attention Mechanism, GAM)设计了可变形注意力骨干网络，减少了特征提取过程中有效目标特征的丢失；基于卷积块注意力模块(Convolutional Block Attention Module, CBAM),提出改进的空间金字塔池化快速特征融合(Spatial Pyramid Pooling Fast Feature Fusion, SPFF)模块，结合高效通道注意力(Efficient Channel Attention, ECA)机制，扩大了模型的感受野，保留了更多类型的绝缘子缺陷特征信息，提高了检测精度；采用稳定交并比(Stable Intersection over Union, SIoU)损失函数，加快了模型的收敛速度，提升了对小目标缺陷的检测能力；构建了一个包含“Normal”“Defect”“Broke”“Flashover”四种类型的绝缘子缺陷数据集。实验结果表明，改进后的YOLOv8模型的平均精度均值(mean Average Precision, mAP)达到95.84%,较原YOLOv8提高了5.58%,在各类绝缘子上的AP值均显著优于其他算法。相比原始算法，改进后的YOLOv8模型在小目标缺陷检测方面的表现显著提升，进一步验证了所提算法在绝缘子缺陷检测中的可行性和有效性。
改进YOLOv5s算法的PCB缺陷检测方法
赵奕翔;苏检德;何富运;郑泳泉;为提升印制电路板(Printed Circuit Board, PCB)缺陷检测的精度和效率，提出了一种改进的YOLOv5s算法——YOLOv5-pbe。该算法进行了4项关键优化：(1)在主干网络中引入了极化自注意力机制(Positional Self-Attention, PSA),加强了对关键特征的提取，提升了整体特征提取的效率。(2)通过将路径聚合网络(Path Aggregation Network, PANet)结构替换为双向特征金字塔网络(Bidirectional Feature Pyramid Network, BiFPN)来优化颈部网络，增强了多尺度特征融合，并改善了低层特征的利用，尤其在微小缺陷检测方面表现突出。(3)新增了基于P2特征图的高分辨率检测头，专门针对微小PCB缺陷，弥补了原YOLOv5s算法在检测微小目标时的不足。(4)采用高效交并比(Expected Intersection over Union, EIoU)损失函数替代完全交并比(Complete Intersection over Union, CIoU)损失函数，减少了边界框的几何不匹配问题，显著提高了边界框回归的精度。实验结果表明，YOLOv5-pbe算法在各项指标上均优于YOLOv5s算法，平均精度均值(mean Average Precision@0.5,mAP@0.5)提升6.8%,精度提升2.8%,召回率提升8.7%,特别是在微小缺陷检测方面表现优异。为工业应用中的高效PCB缺陷检测提供了可靠的解决方案，具有广泛的应用前景。
WiFi信号可视化与双流网络融合的手势识别
丁昊;袁江琳;石鸿凌;龚晓龙;孙美静;手势动作根据信号波动范围可分为对应于人机交互中的基础大尺度动作与富含复杂语义信息的精细小尺度动作。现有WiFi手势识别系统在面对这些不同尺度的动作时，依赖多个独立的网络模型，需多对收发器按照严格限制的位置进行布设。基于WiFi信号可视化技术和双流网络的系统，通过引入跨模态交互模块(Cross-modal Interaction Module, CIM)和谱特征转移(Spectral Feature Transformation, SFT)模块，展现出了对收发设备位置和手势动作尺度的自适应能力，成功应用于单发单收场景。在公开数据集Widar3上进行的实验表明，系统在同样的实验场景下识别准确率高于其他方法。在单发单收场景下，对同时包含大尺度与精细小尺度手势动作的数据集，当WiFi收发器位置固定时，系统平均识别准确率达到94.85%;在收发器位置不固定的情况下，平均识别准确率仍能达到91.26%。
基于改进Mask R-CNN的水电站水下建筑物缺陷检测
张福林;王思逸;彭望;何云;刘卫国;水下建筑物缺陷检测是保障电厂长期稳定运行的关键任务之一。针对水下建筑物能见度低、人工检测成本高、检测任务危险、缺陷检测精度低等问题，提出一种基于改进Mask R-CNN的水电站水下建筑物缺陷检测算法。采用图像处理技术提高水下缺陷图像质量；通过K均值聚类算法确定先验边界框，提高模型效率；在网络中添加注意力机制，聚焦重要信息，增强网络对水下缺陷的关注度，提高模型性能和检测的准确度；修改特征融合网络为SS-FPN(FPN Scale Sequence),减少特征融合时信息丢失，加强语义融合。对比试验结果表示，与改进前基于ResNet50的Mask R-CNN算法相比，改进后的算法提高了水电站水下建筑物缺陷检测的精度，后续处理得到的缺陷轮廓更精确。
基于小波滤波和卡尔曼滤波的IMU噪声抑制方法
张军;于洪胜;在利用惯性测量单元(Inertial Measurement Unit, IMU)对载体进行姿态解算时，机体震动和累计误差等因素会对解算结果产生较大影响。针对上述问题，提出了一种基于小波滤波和卡尔曼滤波的IMU噪声抑制方法。该方法通过高斯加权移动平均滤波联合小波滤波对IMU中陀螺仪与加速度计的原始数据进行初步噪声抑制，采用比例积分微分(Proportion Integral Differential, PID)控制算法有效融合降噪后的陀螺仪与加速度计输出数据，从而减少累计误差和震动噪声影响。利用时间序列分析建立数学模型，为卡尔曼滤波器提供初始参数，通过卡尔曼滤波对融合后的数据进一步优化处理，提升噪声抑制效果。实验结果表明，所提方法相较于未滤波数据标准差下降了93.83%,显著抑制了震动噪声与累计误差，有效提高了IMU在姿态解算过程中的抗噪声性能。
基于超像素与纹理特征的高光谱图像分类方法
陈如俊;王子佳;张敏;曹帅帅;王雪峰;顾艳霜;针对高光谱图像(Hyperspectral Images, HSI)分类中因样本数量不足致使分类结果精度偏低和提取冗余纹理特征导致分类效率低下的问题，提出一种基于超像素和纹理特征的HSI分类方法。采用主成分分析(Principal Component Analysis, PCA)提取HSI前6个主成分作为光谱波段后，以6个光谱波段作为输入，进行超像素分割并将基于点标记样本映射到超像素内，同时获取超像素块在0°、90°、180°、270°方向贡献率最大的4个纹理特征因子，将纹理特征、光谱特征和空间特征结合，基于超像素块，采用支持向量机(Support Vector Machines, SVM)完成HSI分类。实验结果表明，在2个数据集上，其分类结果精度由97.82%、94.58%提高到98.5%、95.33%。相对于提取多个方向多个纹理特征的方案，所提方法具有较好的分类效率。