摘要:航天器本身结构复杂且工作环境多变，而针对航天器的异常检测是监测航天器状态，保障航天任务成功执行的关键。由于航天器遥测数据具有非平稳性且包含噪声，因此传统异常检测方法针对遥测数据进行异常检测存在检测精度低、适应性差等问题。本文提出了一种融合表示学习与动态阈值优化的智能异常检测框架，以提升航天器数据异常检测的准确性与可靠性。首先，通过堆叠自编码器对高维时序数据进行非线性降维，提取低维本质特征以抑制噪声干扰；其次，使用神经电路策略模型对特征数据进行建模，利用其仿生稀疏结构与自适应时间常数机制对数据进行预测；最后，引入多目标优化算法动态调整异常判定阈值，兼顾异常检测的精确率与召回率，解决固定阈值在数据分布突变场景下的检测效果不佳的问题。在仿真数据集的漂移异常检测实验中，本文所提方法的异常检测的F1分数比LSTM、Transformer和TFT 3种方法分别高了65.1%、50.5%和8.8%。而在真实卫星数据集的实验中，本文所提方法较3个对比方法的F1分数分别高了53.0%、51.0%和41.0%。在两个航天器数据集上的实验表明，本方法较对比方法显著提高了预测准确性。本文所提方法为航天器在轨自主健康管理提供了一个新的技术途径，对提升深空探测任务的安全性与可靠性具有重要意义。

摘要:短波红外气体成像技术受探测器工艺，读出噪声等因素影响，红外图像存在非均匀性与大块盲元，成像质量低，导致气体轮廓提取错误。针对以上局限，开展了基于量子点短波红外焦平面探测器的二氧化碳成像系统研究，配合超连续谱激光器以及单色仪输出1 200 nm和1 578 nm短波激光，实现基于可调谐二极管激光吸收光谱技术的气体吸收光谱成像。利用相关双采样技术去除探测器复位与低频噪声，采用差分两点校正算法降低图像非均匀性至4.91%，采用基于空间补偿的相关像元补偿算法有效去除图像的成块盲元与单点盲元，盲元率0.006%，后采用背景减除法提取气团轮廓。实验表明该系统可在1 s内实现不同流速下2%二氧化碳气团的成像探测。

摘要:针对传统网络异常流量检测模型存在数据时空特性利用不充分和泛化能力较差等问题，提出一种基于多头注意力机制和时空特征融合的网络异常流量检测方法。通过卷积神经网络（CNN）提取流量数据的空间局部特征，并引入多头注意力机制对特征进行多角度自适应重加权，从而提升模型对异常流量的敏感度。将重加权后特征输入双向长短期记忆网络（BiLSTM），挖掘流量数据中的长距离时序依赖关系。最后，利用Softmax对流量数据进行分类与识别。在公开数据集NSL-KDD和CIC-IDS-2017上开展实验，检测准确率分别为85.40%和99.41%，验证了该方法在异常流量检测任务中的有效性。

摘要:本文设计并实现了一个基于FPGA的高速图像采集与存储系统，旨在解决高速图像数据采集和存储过程中的性能瓶颈。系统通过Camera Link接口接收高速图像数据，并利用FPGA实现SATA协议控制器以高效稳定地存储至SATA硬盘。图像采集模块采用Xilinx FPGA内置的LVDS收发器及特定原语（如IDELAYE3和ISERDESE3）直接处理Camera Link协议，取代传统专用芯片。在MicroBlaze中设计了一个轻量级文件系统，以实现SATA控制器的配置和数据流的控制。通过集成以太网模块，系统能够实时导出数据至上位机。开发了C#上位机软件，提供可视化的文件系统界面，用于管理和监控磁盘及文件操作。实验验证表明，SATA控制器实现了高达504.8 MB/s的写入速率和542.0 MB/s的读取速率。在400 MB/s的数据采集速率下，系统表现出了优异的性能和可靠性，适用于高性能图像采集与存储应用。

摘要:以校园智慧化建设为背景，针对校园三岔路口无人运输车易发生交通拥堵从而导致校园安全事故等问题，提出一种基于车路协同环境的校园无人车速度诱导策略，优化校园三岔路口无人车的运行状态。首先，制定无人运输车在校园内安全行驶所要遵守的行车规则，并设计信号灯在三岔路口的布置和指示规则。其次，定义和假设车辆动力学模型，确定车速诱导区域的范围，设计不同信号灯情况下校园无人车的车速诱导控制策略。采用S型加减速算法，调节校园无人车速度，提高经过车速诱导的校园无人车速度曲线的平滑度。最后，设计VISSIM仿真分析平台，建立校园无人车车速诱导模型。采用所设计的VISSIM仿真分析平台，搭建校园三岔路口的路网模型，根据校园无人车的覆盖状况进行实验分析。实车实验结果表明，使用车速诱导策略进行调度后，校园无人车通过三岔路口时，行程时间、排队车辆数和延误时间分别减少19.3%、47.5%和24.3%。所提出基于车路协同环境的校园无人车速度诱导策略有效提高校园无人车的运输效率，可有效避免交通拥堵所引发的校园安全事故，实现智能调度的目标，满足校园智慧化建设需求。

摘要:针对现有正交时频空调制（OTFS）系统的导频序列资源利用率低、无法适应多天线系统以及信道估计精度差等问题，提出了一种新的嵌入式导频序列设计方法，并基于设计导频序列提出了高精度信道估计算法。设计的导频序列由多个分别沿多普勒域部署的Zadoff-Chu（ZC）序列沿时延域级联而成，其各序列均由一个共同的根序列通过不同长度的循环移位得到。在接收端首先使用各本地序列和接收信号对应序列进行多次信道估计并取平均，以得到更精确的信道状态信息，再基于信道估计结果和本地序列，消除导频信号对数据信号的干扰。由于ZC序列良好的正交性，提出导频序列可以通过使用不同的根序列适应多天线系统，并提高了导频累积信噪比和信道估计精度。仿真结果表明，相对于传统嵌入式导频序列，提出的导频序列在相同的信道估计精度下信噪比收益约6 dB，同时具有更好的误码率性能，证明本文提出的导频设计方案与信道估计算法具有显著的性能优势与实用价值，在对推动正交时频空调制系统实用化具有重要意义。

摘要:钛棒打磨是钛材型材制造的关键步骤,其表面裂纹检测定位是自动化打磨的基础。针对传统目标检测模型对狭长裂纹检测精度低、泛化能力差、计算效率低等问题,提出基于改进YOLOv8s的DEBM-YOLO模型。通过添加ELA注意力机制捕捉裂纹的长距离空间依赖关系;采用DCNv3卷积模块增强主干网络的感受野和表示能力;使用双向加权特征金字塔结构替换YOLOv8中原有特征金字塔结构改善多尺度特征融合;最后，采用MPDIoU替换CIoU以提升泛化性能和收敛速度。在实地拍摄的数据集上的实验结果表明,改进后的DEBM-YOLO模型参数量下降4.5%,精确度上升1.9%,mAP@0.5上升1.4%,mAP@0.5:0.95上升1.9%,召回率上升4.9%，同时得到了检测精度提升与轻量化。

摘要:为了避免因窃电行为造成的安全隐患与经济损失，同时为了高效精准的找出窃电用户并且对其窃电模式准确类型判别，提出了一种基于CNN和BiLSTM相结合的窃电检测与类型判别方法。首先，采用包含16种用电用户类型的基于开放能源数据倡议数据集，针对六种不同的窃电模式对数据进行篡改，同时对数据进行了Min-Max归一化处理；接下来，模型通过卷积层提取多尺度局部特征，利用膨胀卷积进一步扩展感受野，有效捕捉环境干扰下的细微变化；随后，采用BiLSTM对时序数据进行正反向建模，从而全面捕捉长距离依赖关系和上下文信息。为提高模型的鲁棒性和泛化能力，本文还引入了Dropout和动态学习率调整机制。最后，通过在二分类、六分类和七分类任务下进行实验，对比不同训练集比例的结果，实验表明所提方法在准确率、AUC和F1-score等指标上均显著优于传统方法，验证了模型在复杂场景下的检测和类型判别能力。

摘要:针对嵌入式设备在资源受限以及雾天复杂环境下绝缘子缺陷检测的高效性与准确性挑战，本文提出了一种新型轻量化检测模型——RNSC-YOLOv7-tiny，并取得了重要的创新性成果与实际应用价值。首先，通过对主干网络中ELAN模块的轻量化处理，设计了RepNCSPELAN模块，有效降低了模型的参数量与计算复杂度，同时保持了检测精度的显著提升。其次，融入SGE模块，使模型能够聚焦与背景重叠的目标区域，显著抑制无关信息的干扰，提升了绝缘子缺陷定位与识别的精确性。此外，引入NWD损失函数解决了检测过程中偏差点导致的梯度消失问题，进一步优化了检测精度。最后，CARAFE上采样算子的引入，使模型在低分辨率图像及复杂雾天环境中依然能够实现精准检测定位。实验结果显示，RNSC-YOLOv7-tiny模型在绝缘子缺陷检测方面展现出了快速且高精度的性能，其检测精度高达94.8%。该模型拥有4298150个参数，浮点运算次数为10.5，同时模型内存占用仅为8.69 MB。与原始YOLOv7-tiny模型相比，新提出的模型在多个关键指标上均实现了显著提升：精度提高了3.4%，参数量减少了28.5%，浮点运算次数降低了19.2%，且模型大小缩减了3.01 MB。这一成果充分验证了该算法在嵌入式设备环境中的高度适用性和实际应用效能。

摘要:针对现有印刷电路板缺陷小、种类多、特征不明显的问题，提出了一种基于ARS-YOLOv9s的缺陷检测算法，该算法在YOLOv9s网络架构基础上进行优化。针对原算法在多尺度特征融合时存在信息丢失的问题，融入AFPN对图像进行特征融合从而丰富语义信息；通过在主干网络中引入iRMB注意力机制，提升浅层特征中微小缺陷的关注度；针对目标缺陷特征较小的问题，删除大目标检测层并新增微小目标检测层，模型轻量化的同时并提高其检测精度；将原模型损失函数替换为Shape-IoU以期改善正负样本不均衡对模型的影响，加速模型收敛。实验结果表明，本文算法mAP为98%，mAP@0.5：0.95为68.2%，相较于原YOLOv9s分别提升了2.8%、9.3%，且各个类别缺陷mAP均有明显提升，证明了本文算法的有效性。

摘要:玻璃绝缘子作为输电线路中的关键组件，其缺陷直接影响电力系统的可靠性。针对其缺陷对比度低、多尺度等问题，本文提出了一种基于改进RT-DETR的轻量化玻璃绝缘子缺陷检测算法。该方法首先引入轻量化骨干网络RE-FasterNet，通过创新性的部分重复卷积以及高效多尺度注意力机制提升特征提取效率和对小目标、低对比度缺陷的检测能力；其次在特征融合阶段，提出一种部分重复跨阶段特征融合模块，进一步提升网络对多尺度缺陷的检测能力；最后，在小目标检测头中嵌入注意力尺度序列融合框架，显著提升网络对微小缺陷的空间特征提取能力。实验结果表明：所提算法平均准确率相较于基准模型提升了2.8%，模型大小下降了23.6%，计算量下降了13.1%。在玻璃绝缘子自动化缺陷检测领域，具有较强的实用性和推广价值。

摘要:针对安全鞋生产中二维排样所面临的鞋片形状复杂、排样效率低、材料利用率不足等挑战，本文提出了一种基于改进临界多边形的智能排样算法。首先，引入基于切线向量的圆弧接触判定策略，有效解决带有弧边鞋片的重叠检测问题。然后，提出不完整临界多边形算法来生成可排区域，减少排样耗时。最后，构建基于形状特征的排样策略，以提高材料利用率。实验结果表明，本文提出的排样算法的最大材料利用率为91.27%，平均材料利用率为79.10%，较人工排样提升8.36%。单个鞋片的排样用时在1.21~1.63 s之间，较人工排样缩短了68.2%。该算法有效解决了形状复杂且不规则的安全鞋鞋片的在线排样问题。

摘要:针对无人机数据集图像中目标尺度小、特征弱、背景干扰多等不利因素造成的目标检测算法总体精度不高，漏检误检严重的问题，提出了一种用于复杂场景下无人机图像多尺度目标检测的新算法。该算法通过DConv、AIFI和Dyhead等模块的引入，改进了原网络在多尺度目标检测能力上的不足；同时，通过采用DIoU损失函数，提高了模型的收敛能力。在公开数据集VisDrone-DET2019上对多尺度目标进行检测识别，与原网络相比，精确率提升了3.7%；召回率提升了1.2%；平均精度提升了2.3%。同时，通过大量的实验验证，结果显示本文算法具有较强的鲁棒性，综合性能优秀，具有一定的工业应用价值。

摘要:针对锂电池加工排序工艺与机器人多工位搬运调度的有效协同问题，本文提出了一种混合元启发式调度算法。该算法以最小化周期时间为优化目标函数，构建多工位机器人搬运的元启发式混合整数线性规划模型，通过引入生产周期时间的有效约束，对模型求解性能进行初步优化。为解决锂电池种类数增加造成的计算时间急剧增长问题，设计了一种遗传算法与禁忌搜索融合的混合元启发式算法，平衡搜索深度与计算效率，实现短时间内获取近似最优解方法。通过仿真与应用实验表明：与传统混合整数线性规划调度算法相比，本文所提算法求解的时间效率最高可提升57.92%，有效提升了机器人多工位搬运的调度效率。

摘要:针对PCB表面缺陷检测准确率不足，无法充分平衡模型检测准确性与实时性，难以满足现代电子制造系统稳定运行要求的问题，提出了一种改进YOLO11的PCB表面缺陷检测方法HDH-YOLO。该方法通过采用优化的HGNetV2替换原YOLO11的骨干网络，实现模型的轻量化；借鉴Dynamicconv的思想对HGBlock进行改进，用改进的Dynamic_HGBlock替换HGNetV2网络中后四层HGBlock，在不增加过多计算量的前提下引入更多网络参数，增强网络对泛化特征的学习能力，进而提高检测精度；在骨干网络末端添加DSM注意力机制层，通过放大关键区域的空间域和频率域响应提升模型的小目标检测能力。在PKU-Market PCB和DeepPCB数据集进行对比实验和消融实验，实验结果表明，提出的HDH-YOLO模型较基线YOLO11n模型参数量降低6.20%，计算量降低12.70%，mAP50和mAP50.95分别提升2.6%和2.3%，较好地平衡了轻量化和检测精度，在现代电子制造系统中具有高可靠性和高实用性。

摘要:在非结构化道路环境中，及时准确地检测道路坑洼对于保障交通安全至关重要。当前检测算法在复杂场景中存在漏检和精度不足的问题。为提升检测性能，提出了一种基于YOLOv7算法的改进方法。首先通过引入增强的分层多尺度特征融合模块，优化特征提取能力；其次加入高效通道注意力机制，提高模型对目标区域的关注度；最后使用深度可分离卷积减少计算量，提高检测效率。改进后的模型在自制数据集上进行验证，与现有的YOLOv7x、YOLOv7-d6、YOLOv5x和YOLOv5m模型进行对比测试，并将改进后的模型进行公开数据集的迁移学习，采用精确率、召回率（R）、平均精度均值、参数量和每秒帧数作为评估指标。实验结果表明，改进模型在精确率、召回率和平均精度均值上分别提升了5.47%、4.42%和6.65%，在检测速度上也保持了较高的效率；与常用目标检测模型对比性能优异；进行公开数据集的迁移学习后，精确率、召回率和平均精度均值得到进一步提升。这一改进显著提升了模型的检测性能和鲁棒性，不仅增强了交通安全保障能力，也为无人驾驶提供了可靠的技术支持。

摘要:针对目前道路缺陷检测模型在复杂背景下检测精度不高、计算复杂度高、错检漏检率高的问题，本文基于YOLOv8模型进行了改进。首先，在模型的特征提取网络(Backbone)中融入EMA注意力机制，提高模型的特征表示能力，同时保留重要信息、减少计算成本；其次，将轻量级的特征融合网络结构SlimNeck与加权特征融合机制Weighted Fusion结合构成新的颈部网络结构SWNeck,有效降低模型参数量与计算复杂度，提高特征融合效率，减少噪声的特征冗余；最后，引入Slide Loss权重函数，给难以正确分类的样本赋予更大的权重，提高模型对于道路缺陷中的难样本数据的学习能力，进一步增强模型检测性能。实验结果表明，改进后的道路缺陷检测模型相较于原YOLOv8n模型mAP提高2.7%，模型参数量、计算量分别降低7%和10%。

摘要:室内定位技术，特别是基于接收信号强度（RSSI）的指纹定位方法，因其成本低廉、设备支持广泛、易于部署、计算开销小等特点，受到了广泛关注。为了增强RSSI与实际物理距离之间的映射关系并提高测距精度，本文提出了一种基于改进灰狼优化（IGWO）算法与反向传播神经网络（BPNN）结合的RSSI测距算法。与遗传算法（GA）、粒子群算法（PSO）和经典灰狼优化算法（GWO）相比，改进的GWO算法在定位精度和全局搜索能力方面具有显著优势。通过实验，本文提出的IGWO算法在均方根误差RMSE上相比GWO算法、GA算法、PSO算法分别减少了21.3%、15.7%、14.6%，IGWO算法表现出了较好的定位性能，在精度和性能上均优于传统方法。

摘要:针对织物疵点种类有限、尺度变化大以及模型检测精度低等问题，提出了一种基于RT-DETR的织物疵点检测方法DHR-DETR。首先，创新性地设计了多路径坐标注意力机制模块（MPCA），并将其与可变形卷积模块（DCNv2）深度融合，构建动态可变形卷积模块，以应对复杂多样的疵点形状。其次，采用高水平筛选特征金字塔（HS-FPN）替换跨尺度特征融合模块（CCFM），实现多层次特征的高效融合并有效降低了模型复杂度。最后，构建了兼具轻量化和特征增强能力的RetBlockC3模块，并集成至HS-FPN网络，进一步强化模型对局部信息的捕捉能力，同时显著提升模型的轻量化性能。试验结果表明，DHR-DETR方法在公开和自制织物数据集上的mAP@0.5分别达到了50.9%和97.5%，相较原模型提高了2.9%和0.6%，参数量仅为17.9 M，计算量降低了37%，显著提升了模型的检测性能和部署效率，具备在实际工业检测任务中的应用潜力。

摘要:为应对水面波动、光照变化以及漂浮物部分遮挡等复杂场景中水面小目标漂流物检测面临的准确性和鲁棒性问题，提出了MEC-YOLOv11n算法。MEC-YOLOv11n算法包括Backbone、Neck和Head共3个部分。为了增大目标感受野的识别区域，本研究设计了MSWTC结构，并在Neck部分改进了C3k2结构，这一优化显著提高了水面小目标漂流物的提取能力，从而增强了模型在复杂背景下对细节的捕捉能力；其次，提出了一种EUCB上采样方法，替代了v11中的传统上采样模块，该方法在上采样过程中增强了图像边缘的清晰度，使得高分辨率特征图中的目标轮廓更加精确，尤其在处理复杂背景和小目标检测任务时，显著提升了模型对细节的捕捉能力；最后，在Head前设计了一种专门用于识别边缘特征的注意力模块CCA，进一步优化了模型在边缘信息提取方面的表现。实验结果表明，经过优化后的模型，其精确率P相较之前提高了3.3%，召回率R提高了2.4%，mAP50提升了2.5%，mAP50.95提高了1.5%。

摘要: