关键词： 激光雷达   点云处理   焊缝缺陷   分类检测  

摘要： 在工业焊接生产过程中,由于人工操作等原因容易产生焊接缺陷。随着人工智能的发展,机器视觉领域中利用深度相机和CMOS相机等设备对焊缝缺陷进行检测,取得了较好的识别分类效果,但相比于激光雷达而言,前者在焊接作业的恶劣环境中对光源较为敏感,容易影响数据采集质量,而后者抗干扰能力强,不依赖外界光照条件,可全天候工作,通过激光雷达获取的点云数据可以提供焊缝丰富的几何信息且显示直观,因此以激光雷达作为测量设备,并利用点云数据处理方法研究焊缝缺陷的提取和分类具有一定现实意义。本文主要研究内容包括:(1)焊缝缺陷三维测量系统建模与分析通过对焊接工件类型和特征进行分析,将焊缝对象分为线性式和立体式两大类,设计了平移式和回转式两种工件扫描方法,并对测量系统整体建立模型。针对回转式扫描中激光雷达与转台之间的外参数标定问题,本文利用标准球作为靶标,通过转台带动靶标旋转来获取不同位置下激光雷达坐标系和转台坐标系中靶标的坐标对应关系,进而求解出坐标转换参数。(2)点云数据采集及预处理本文在采集焊缝点云数据之前对测量系统的数据采集精度进行分析并选择了激光雷达最优扫描参数。对本文所研究的焊瘤、气孔和烧穿缺陷选择平移式扫描获取数据。由于原始点云中噪点较多且点数较大,因此利用滤波方法进行降噪、下采样和焊板部分去除处理。实际工作中大量焊接焊缝样本存在一定困难,因此本文通过旋转变换和高斯噪声方法进行分类样本的数据扩充。(3)焊缝缺陷部位提取和分类方法为了提高焊缝缺陷部位提取的精确性,本文提出基于规则化处理的点云配准方法,对配准后的缺陷点云利用双阈值分离方法进行缺陷部位提取。焊缝缺陷分类根据本文研究对象样本数较少且种类较少等特点选择SVM作为分类器,并对缺陷部位的几何特征及VFH全局特征进行了描述。(4)外参数标定及焊缝缺陷提取分类实验本文首先根据三维测量系统模型搭建了实验平台,针对激光雷达外参数标定精度、焊缝缺陷部位提取与分类两部分内容进行实验,实验结果表明,本文提出的标定方法精度保持在0.1mm的范围内,焊缝缺陷总体分类结果准确性达到87.16%,为工业焊缝缺陷检测提出了有效的方法。

摘要： 项目概况进入21世纪后,由于国内外市场对能源需求量的增加,人们对地震勘探提出了更高的要求。地震勘探开始进入以往被认为禁区的复杂地表区域,如山地、黄土源以及冻土带。在该类地区地震资料处理的最大问题是静校正问题,常规的方法难以解决。PSGSEIS地震勘探数据处理与成像系统可以大大提高地震数据成像的质量,从而提高解释精度和准确度,并显著提高井位部署成功率,这使其对常规二维/三维地震数据处理解释技

关键词： 双光子钙成像   数据处理   细胞识别   细胞分割   放电序列推断  

摘要： 大脑是十分重要且复杂的器官,许多国家早已将脑科学与类脑研究列为国家的战略级科技。研究大脑认知功能的神经机制是脑科学与类脑研究的中心任务,不仅有助于治疗认知障碍相关的重大脑疾病,并且有助于推动类脑计算与脑机智能技术的发展。为了研究大脑认知功能的神经机制,离不开对大脑活动的观测与记录,双光子钙成像技术是一种新型的脑成像技术,使用钙离子指示剂并结合光学成像技术记录体内大量神经元群的功能活动。一次双光子钙成像实验通常会产生大量的数据,需要经过数据处理从中提取出成像区域中所有神经元的荧光钙信号,后续分析中再联合行为学变量以解析大脑认知功能的神经机制。由于双光子钙成像数据具有信噪比低、Z轴分辨率低等特点,传统的数据处理方法大多依靠人工手动识别分割神经元的位置与轮廓,十分耗时耗力;除此之外,荧光钙信号只是神经元放电活动的间接表示,还需从中还原神经元的放电序列。基于此,本文提出一个简单、高效的双光子钙成像数据的自动化分析流程用于提高双光子钙成像数据处理的效率与准确度,流程主要包括细胞识别、细胞分割与神经元放电序列推断三个步骤,具体的研究内容如下:首先将经过预处理后的三维的钙成像视频压缩为二维的局部相关摘要图像,并使用基于多尺度圆点增强的细胞识别算法识别出摘要图像中神经元的种子点。然后,针对每一个种子点,将钙成像视频裁剪为以种子点为中心、固定大小的区块,在区块上应用基于椭圆形状约束活动轮廓模型的细胞分割算法分割单个神经元胞体的轮廓。最后,计算每个神经元轮廓内所有像素点的荧光钙信号均值作为该神经元的钙信号,在荧光钙信号上应用基于贝叶斯定理的神经元放电序列推断算法还原神经元的放电序列,并结合外界刺激的时间序列直接估计神经元调谐曲线的参数。本文在仿真数据、开源数据以及实验室产生的真实双光子钙成像数据上应用本文提出的自动化分析方法,并通过实验分析了各步骤算法的有效性及性能,本文提出的双光子钙成像数据自动化分析方法具有良好的性能及使用意义,有助于将来实现大规模分析双光子钙成像数据。

关键词： 物联网   试验台   安卓   调速器   数据处理  

摘要： 随着近十年物联网技术(IoT)、通信技术和云计算的高速发展,很大部分传统制造企业也开始朝着信息化、数字化、智能化方向转型。工业加物联网形成的工业物联网(IIoT)应用遍及电网、交通、物流、车辆、智能家居以及智能工厂等各个领域。而在传统试验台研究、架设以及改进等方面,发展和实现基于物联网思维的智能化数字试验平台已经是当前的主流趋势。调速器作为为柴油机的一个重要零部件,用于控制柴油机的运行速度和输出功率,而调速器试验台可以对调速器在不同负载和工况下的性能进行精确测试和分析,来为开发人员和柴油机制造企业提出精确的数据支持和技术指导。现有的调速器试验台由于是独立的整体结构,在试验数据存储方面仍旧以纸质和外接硬盘的方式进行保存,当试验人员需要对历史数据进行检索或远程查看试验结果时,整体较为不便。 针对上述问题,本文设计并开发了一套内燃机电子调速器试验台数据处理系统。该系统以STC8H4K64单片机作为试验台端控制中心,采用触摸屏作为下位机的人机交互工具并控制转速的采集和试验数据上传。同时利用Tomcat和My SQL作为服务器和数据库,对下位机传输的数据进行存储和性能指标分析。最后基于Android系统设计整个系统的应用终端,试验人员可以通过App访问和检索调速器试验台的历史数据和相应的试验数据处理结果。本文的主要内容如下: (1)针对整体系统的功能需求进行了总体方案设计。完成了相应的转速采集和数据传输电路,包括系统电源电路、转速信号采集电路和单片机与触摸屏之间的通信电路,并在硬件电路设计基础上完成相应的单片机和触摸屏软件程序开发,实现了调速器试验台数据采集和传输功能。 (2)结合系统需求分析系统的实体和属性并完成数据库物理结构的设计,包括人员信息表、台架信息表、试验数据表和转速数据表。利用Spring Boot框架和Mybatis框架实现了服务器软件的开发,并通过分析柴油机调速器性能指标的处理方法,在此基础上设计相应的处理算法和程序,同时完成相应的服务器访问接口设计,实现试验数据的可靠分析和终端的访问需求。 (3)基于Android系统设计并开发移动端应用程序,结合试验人员需求,完成了历史数据检索和数据可视化功能。

关键词： 联邦学习   B5G   核心网   网络数据分析功能   Kubernetes 控制器  

摘要： 随着5G移动通信技术的快速发展与广泛部署,催生出海量移动通信数据,需要电信运营商具有强大的数据采集和处理分析能力。同时,人工智能技术也在快速发展,融合人工智能技术,可以实现对5G移动通信网络的智能化管理,提升网络服务质量。3GPP在5G核心网中引入网络数据分析功能(Network Data Analytics Function,NWDAF),作为核心网“AI+大数据”的引擎,负责网络大数据的采集和智能分析,研究面向B5G的网络数据处理系统具有十分重要的意义。论文针对运营商出于隐私保护考虑所导致的数据以孤岛形式存在,难以训练合理模型的问题,将深度学习与联邦学习结合,提出了一种基于联邦学习的 DeepAR(Deep Autoregressive Recurrent Neural Network,深度自回归循环神经网络)网元CPU使用率预测方法,打破数据孤岛,解决传输短板,取得与集中式方法接近的预测效果。论文设计开发了面向B5G的网络数据处理系统,实现了核心网的数据采集,数据存储,数据分析,数据预测以及结果反馈的闭环自动化流程,满足3GPP规范的功能和性能要求。此外,进一步开发了弹性伸缩模块,能够有效地将预测算法与Kubernetes系统结合。论文的具体工作如下:(1)提出了一种基于联邦学习的DeepAR网元CPU使用率预测方法。在特征工程中设计了节假日特征协变量,并针对CPU使用率预测这一场景设计了合理的神经网络结构和相关超参数。接着提出了一种联邦学习算法框架,以及相应的联邦学习流程。通过实验验证了集中式DeepAR模型效果优于ARIMA模型和LSTM模型,以及在保证预测精度的情况下,联邦学习模型相对于集中式模型具有更快的收敛速度。(2)设计并实现了面向B5G的网络数据处理系统,其中数据采集与协调模块实现了网元的性能指标数据、日志数据和事件数据三类数据的采集;数据存储模块实现了对数据库的标准化访问接口;数据分析模型支撑了“网元负载等级信息”的事件分析和预测,以及“切片负载等级信息”的事件分析;模型训练模块实现了离线训练和在线服务;弹性伸缩模块实现了一种自定义控制器,基于预测算法动态调节Kubernetes集群中的核心网网元副本数。

关键词： GNSS形变监测   粗差剔除   广义延拓插值   小波变换   互补集合经验模态分解(CEEMD)   改进阈值函数  

摘要： 建筑物沉降监测主要目的是为了观察各类建筑物和周边地域地质构造的坚固程度,对此需要做好危险报警系统的设计,能够及时发现问题,尽早采取措施,保障人民生命安全,利用丰富变形的知识,结合当前的时代背景,进行工程设计的理论验证。得益于GNSS的广泛应用,全天候实时监测有了可能。可是形变数据常为不稳定的信号,存在许多尖峰和跳变点,各时段的数据之间有非线性、随机性等情况,直观性较差。数据处理是形变监测中很重要的一个环节,数据处理方法性能的好坏会直接影响系统的定位效果,因此本文重点研究监测数据的实时处理,所做的工作如下:首先介绍了建筑物沉降涉及到的知识体系和GNSS-RTK的定位原理,构造了RTK差分定位数学模型中的单差、双差、双频线性以及随机模型,分析了在卫星导航定位中信号传播及卫星本身所带有的误差,针对RTK定位精度提出相应对策。然后针对GNSS形变监测的传统粗差探测算法性能受限于数据长度的问题,提出了基于小波分析的一阶导数粗差剔除法。使用新算法对原始信号进行粗差剔除,利用广义延拓插值补充残缺点。实测算例表明,新算法执行时间是3倍中误差法(3σ)的0.01倍,插值后与真实值偏离仅0.03mm,远胜传统粗差探测手段,对GNSS形变数据处理有指导意义。最后在钢架结构安全监测过程中,针对沉降数据易受到外界环境噪声干扰,在互补集合经验模态分解(CEEMD)的理论基础上提出了改进小波阈值函数的去噪方法。其主要步骤为:对含噪信号作CEEMD分解,得到各种本征模函数(IMF);选取IMF分量使用改进小波阈值去噪;重构IMF信息,取得降噪后的信号。仿真结果表明,基于CEEMD和改进小波阈值法的混合方法能够有效地滤除信号中的噪声分量,能够提高沉降数据监测精度。为监测数据分析提供了有效的实用方法。

关键词： 高职院校   信息素养   数据处理   知识产权  

摘要： 介绍了信息素养的定义，分析了目前高职院校学生需要具备的信息素养能力，通过对宁夏工商职业技术学院学生信息素养的基本现状进行问卷调查，并对调查结果进行汇总与分析，依据调查结果分析出学生信息素养比较欠缺的主要原因，提出在大数据环境下提升高职院校学生信息素养的路径，以此提升高职学生的信息素养。

关键词： 近红外光谱   柴油品质   灰狼优化   集成学习   图像重构  

摘要： 结合人工智能方法实现对燃油品质客观高效的数字化评估是能源工业产业发展的必然趋势。近年来,石油资源匮乏和环境污染日趋严重使得燃油品质高精度控制和开发应用醇类燃油成为全球关注的热点问题。本文以更大分子的柴油燃料为主要检测对象,以柴油的近红外（NIR）光谱数据及其品质性质、牌号以及化学成分含量数据作为基础,提出基于人工智能的定性、定量分析方法。针对柴油NIR光谱高维复杂、有用信号弱、光谱重叠严重导致定性定量检测精度低、难度大的局限,本文分别从化学计量学、机器学习、集成学习以及深度学习方面具体展开提出解决方案。目的是实现柴油品质的多种性质指标检测、牌号识别以及醇类柴油的类型鉴别与含醇量检测的数字化精准把控,为燃油现代化检测和品质标准研究提供了方法基础。这种光谱学、人工智能与能源检测科学交叉领域的研究具有现实意义,本文主要研究工作如下: （1）为解决常规化学计量学建模方法难以准确挖掘高维复杂光谱隐蔽的本质信息的问题,提出一种相关系数（CC）与t分布随机邻域嵌入技术（t SNE）相结合的特征约简策略对柴油密度、粘度和凝点三种基本的物理性质进行检测。该研究策略通过特征优选与流形学习降维技术的结合,大大缩减特征数量的同时保障输入支持向量回归机（SVR）校准模型的有效特征信息。对比多种模型的特征缩减率,并计算预测的均方根误差（RMSE）和决定系数（R2）,该组合模型为柴油以及相关燃料类的物理性质检测提供了新方法,对NIR化学计量学的发展具有一定的意义。 （2）为解决化学计量学建模方法过多依赖于数据的质量及先验知识,缺乏自适应能力,很难高效地用于柴油更多品质参数同时检测的问题,提出一种基于NIR的机器学习策略对柴油密度、粘度、凝点、沸点、十六烷值和总芳烃六种物理化学性质进行同时定量检测。该方法设计一种新的非线性的灰狼优化算法（IGWO）和差分进化与灰狼优化相混合（DEGWO）的算法来解决灰狼算法在寻优SVR预测模型最佳参数时容易陷入局部最优解的问题。然后通过加权方法改进XY共生距离（ISPXY）划分样本集方法以增强光谱可解释性。对比多种模型并计算评估各算法的RMSE、平均绝对百分比误差（MAPE）和R2,所提出模型简单、精度高、泛化能力强、不需要任何NIR的知识与经验,实用性强,在燃油工业检测领域有望成为一种更实用的方法。 （3）为解决单一分类模型在光谱重叠和共线性严重以及样本不均衡的影响下识别精度低,稳定性差的问题,提出将Boosting集成学习的思想引入NIR领域实现柴油牌号的识别。结合基于树的特征选择和合成少数类过采样技术（SMOTE）,分别构建极端梯度增强（XGBoost）和其改进版本轻量级梯度提升机（Light GBM）两种集成学习柴油牌号识别模型。对比多种模型并计算评估各算法的分类准确率、灵敏度、特异性、精度和F1分数,所提出模型分类性能最佳,稳定性强,为光谱重叠严重以及常见的样本不均衡NIR数据的多模式识别提供了新思路。 （4）为解决不能直接利用更为成熟的深度学习图像处理方法对一维NIR光谱进行高性能定性定量分析的关键性技术问题,提出频域范围内的格拉姆角场（GAF）和马尔可夫变迁场（MTF）两种数学方法将一维NIR光谱重构成二维图像。基于获得的图像构建二维深度卷积神经网络（CNN）对醇类柴油进行类别识别以及甲醇和乙醇含量检测。对比多种模型并计算评估各算法的分类和预测指标,所提出方法在分类和预测任务中表现的整体性能强,灵敏度高。该研究策略为深度学习图像处理在NIR数据分析领域充分发挥强大优势提供了可能,具有巨大的应用潜力和前景。

关键词： 隧道掘进机   多源异构数据   异常值处理   聚类分析   岭回归  

摘要： 隧道掘进机是用于隧道掘进盾构施工的核心装备,主要由刀盘系统、螺旋输送机、渣土输送系统、控制系统等多个子系统组成。隧道掘进机具有技术附加值高、系统复杂、关联度高等特点,是对国民经济和国家安全具有重大影响的机电液一体化高端装备。当前,隧道掘进机实测数据在地质环境感知、装备运行状态感知和关键性能指标预测,特别是掘进速度预测中取得了成功运用,但大多为既有成熟数学建模方法在隧道掘进机实测数据上的直接应用,如何根据隧道掘进机实测数据特点构建有效准确的数据处理方法成为亟待解决的工程问题。为解决该问题,本文通过研究隧道掘进机数据特点,研究改进了隧道掘进机数据处理方法,实现了隧道掘进机数据的高效处理与存储。并以深圳市地铁某段的实测数据为基础,进行了数值实验,验证了所提算法的实用性,为后续的数据挖掘与分析提供了便利。本论文的主要研究工作如下: (1)调研隧道掘进机数据处理方法的研究现状,探究课题研究的背景与意义,设计隧道掘进机多源异构数据处理方案与路线。 (2)研究隧道掘进机数据特点,研究设计隧道掘进机分布式存储方案与数据库。并通过性能测试实验,验证了设计方案的准确性,所设计的海量数据分布式数据库系统,具备较高的性能。 (3)针对隧道掘进机实测数据中的异常情况,提出了一种基于随机森林特征提取的数据异常值检测方法,将随机森林算法中提取出的属性权重融入到异常值检测算法中,并进行数值实验验证了所提算法的有效性。 (4)针对普通的算法无法解决隧道掘进机实测函数型数据的聚类以及预测问题,提出了一种基于岭回归的改进模糊聚类算法。将岭回归计算思想融入传统模糊聚类中,在数据聚类过程中综合考虑了样本数据的函数关联性,提高了准确率和运算效率。数值试验结果表明,所提算法模型能够给出较为合理的数据划分结果。通过盾构机实测数据验证了所提算法的工程可用性。 (5)基于SpringBoot和React框架,搭建了隧道掘进机多源异构数据处理系统。

关键词： 大数据   员工绩效   指标体系   数据处理   绩效评估   优化策略  

摘要： 文章以员工绩效为研究对象，运用大数据技术，构建员工绩效指标体系，通过数据收集、处理、分析和评估，探讨员工绩效评估的方法和模型选择，以及绩效优化策略的设计与实施。研究发现，员工绩效评估应该综合考虑多种指标，包括工作完成情况、工作质量、工作态度和个人素质等。同时，对于绩效优化策略的设计，应考虑多方面因素，包括员工个人因素、管理因素、组织因素等。文章的研究成果有望为企业提供科学合理的员工绩效管理方法和指导。