-
题名适用于矿山遥感图像增强的改进对抗生成网络算法
- 1
-
-
作者
贾亚娟
戴二壮
王咏宁
-
机构
河南职业技术学院现代信息技术学院
青海民族大学智能科学与工程学院
-
出处
《金属矿山》
北大核心
2025年第9期272-278,共7页
-
基金
2024年河南省科技厅科技攻关项目(编号:242102210130)。
-
文摘
高分辨率遥感图像对于地质勘探、资源评估以及矿山安全管理具有重要意义。采用生成对抗网络(Generative Adversarial Networks,GAN)对矿山遥感图像进行单幅超分辨率重建,有助于提升图像质量、丰富图像细节。然而,该方法在实际应用中仍存在训练过程不稳定、生成图像细节与真实地物存在差异,以及容易产生伪影等问题。为此,提出了一种基于改进注意力机制的GAN矿山遥感图像增强算法。生成器融合了金字塔拆分注意力模块(Pyramid Split Attention,PSA)与稠密残差块(Residual Dense Block,RDB),显著增强了特征提取能力。金字塔拆分注意力模块能够有效捕捉多尺度的图像特征,提升了模型对细节的敏感度;稠密残差块则通过密集连接方式,促进信息在网络中的充分流动,进一步提升特征表示能力。判别器方面,采用了谱归一化(Spectral Normalization,SN)技术代替传统的批归一化层(Bath Normalization,BN),以增强对矿山遥感图像细节的学习能力,减少判别器对生成图像细节的忽视。此外,基于带梯度惩罚的Wasserstein生成对抗网络(Wasserstein Generative Adversarial Network with Gradient Penalty,WGAN-GP)理论,优化了对抗损失函数,通过引入梯度惩罚项,稳定了训练过程,加快了模型收敛速度。试验结果显示:所提算法在细节纹理丰富性和伪影减少方面优于原始GAN算法,处理后遥感图像峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)提升了0.536~1.897 dB,结构相似度(Structural Similarity,SSIM)提升了0.019~0.089。
-
关键词
矿山遥感图像
生成对抗网络
注意力机制
超分辨率
-
Keywords
mine remote sensing image
generative adversarial network
attention mechanism
super-resolution
-
分类号
TD67
[矿业工程—矿山机电]
-
-
题名基于分层强化学习的矿区无人驾驶车辆路径规划算法
被引量：3
- 2
-
-
作者
魏晓娟
李纪云
巩闯
-
机构
河南职业技术学院现代信息技术学院
华北水利水电大学电子工程学院
-
出处
《金属矿山》
CAS
北大核心
2024年第11期192-198,共7页
-
基金
2022年度河南省重点研发与推广专项(科技攻关)项目(编号:222102240049)
2022年度河南职业技术学院校级科研项目(编号:2022ZK35)。
-
文摘
在复杂而危险的矿区环境中,矿区无人驾驶车辆的路径规划涉及如何使车辆智能地选择最佳路径,以实现安全和高效运行。然而,传统的路径规划算法难以有效应对矿区内多变的路况和环境。提出了一种基于分层强化学习的矿区无人驾驶车辆路径规划算法,该算法通过分层强化学习技术训练图指针网络,求解矿区无人驾驶车辆路径规划问题。为将矿区无人驾驶车辆节点的向量映射成低维稠密向量,首先对图嵌入层的上下文向量进行均值化处理,用于保持网络的全局属性。再将交叉熵损失函数的范式加入分层强化学习的基准函数中,用于衡量2个不同驾驶车辆间的差异分布程度。试验结果表明:该算法在复杂的矿区环境下能够实现高效、安全、智能的路径选择,且模型收敛速度、时间花费上的优化效果优于传统算法和专业求解器,并具有良好的适应性和泛化能力。研究结果对于提高矿区无人驾驶的自主性、效率和安全性具有重要意义。
-
关键词
矿区无人驾驶车辆
分层强化学习
路径规划
图指针网络
-
Keywords
mining area driverless vehicle
hierarchical reinforcement learning
path planning
graph pointer network
-
分类号
TD67
[矿业工程—矿山机电]
-
-
题名基于机器视觉的农作物播种精度检测方法
- 3
-
-
作者
杨奥棋
李冰
-
机构
河南职业技术学院现代信息技术学院
-
出处
《智慧农业导刊》
2022年第12期1-3,共3页
-
基金
河南省高等学校重点科研项目计划支持(22A520031)
河南省科技厅科技攻关项目(222102110269)。
-
文摘
在对农作物播种精度检测中,由于外界环境干扰因素较多,加之检测方法本身存在精度低、相对误差较大等问题,严重影响检测结果可靠性。文章针对这一问题,引入机器视觉技术,开展对农作物播种精度检测方法的设计研究。通过农作物播种图像预处理、基于机器视觉的农作物播种目标区域提取、单粒种子下落精度检测、多粒种子同时下落精度检测等,提出一种全新的检测方法。再通过对比实验的方式证明,新的检测方法在应用中能够有效降低检测结果的相对误差,提高检测结果的精度,为农作物播种质量提升提供重要依据。
-
关键词
机器视觉
农作物播种
精度检测
-
Keywords
machine vision
crop sowing
accuracy detection
-
分类号
S35
[农业科学—作物栽培与耕作技术]
-
