2.845

2023影响因子

(CJCR)

  • 中文核心
  • EI
  • 中国科技核心
  • Scopus
  • CSCD
  • 英国科学文摘

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于图像的空气质量等级检测

杨本芊 徐琳 陈强

赵志甲, 任志刚. 针对执行器非光滑反向间隙 − 饱和的柔性立管边界控制. 自动化学报, 2019, 45(11): 2050−2057 doi: 10.16383/j.aas.c190126
引用本文: 杨本芊, 徐琳, 陈强. 基于图像的空气质量等级检测. 自动化学报, 2020, 46(11): 2404−2416 doi: 10.16383/j.aas.c180041
Zhao Zhi-Jia, Ren Zhi-Gang. Boundary control of a flexible marine riser subject to nonsmooth actuator backlash-saturation constraints. Acta Automatica Sinica, 2019, 45(11): 2050−2057 doi: 10.16383/j.aas.c190126
Citation: Yang Ben-Qian, Xu Lin, Chen Qiang. Air quality grade detection based on image. Acta Automatica Sinica, 2020, 46(11): 2404−2416 doi: 10.16383/j.aas.c180041

基于图像的空气质量等级检测

doi: 10.16383/j.aas.c180041
基金项目: 

国家自然科学基金 61671242

国家自然科学基金 61501522

详细信息
    作者简介:

    杨本芊  南京理工大学计算机科学与工程学院硕士研究生.主要研究方向为图像处理, 机器学习, 图像质量与空气质量相关性分析. E-mail: yangbenqian 7@163.com

    徐琳  南京理工大学计算机科学与工程学院硕士研究生.主要研究方向为图像处理. E-mail: 13813376047@163.com

    通讯作者:

    陈强  南京理工大学计算机科学与工程学院教授.主要研究方向为图像处理和分析.本文通信作者. E-mail: chen2qiang@njust.edu.cn

Air Quality Grade Detection Based on Image

Funds: 

National Natural Science Foundation of China 61671242

National Natural Science Foundation of China 61501522

More Information
    Author Bio:

    YANG Ben-Qian   Master student at the School of Computer Science and Engineering, Nanjing University of Science and Technology. Her research interest covers image processing, machine learning, and correlation analysis between image quality and air quality

    XU Lin   Master student at the School of Computer Science and Technology, Nanjing University of Science and Technology. Her main research interest is image processing

    Corresponding author: CHEN Qiang   Professor at the School of Computer Science and Engineering, Nanjing University of Science and Technology. His research interest covers image processing and analysis. Corresponding author of this paper
  • 摘要: 目前国内主要依靠各种精密仪器检测空气中的污染物浓度.由于仪器的成本较高, 国家通过在每个城市设立监测站来检测空气质量, 这种空气质量检测方法是粗粒度的, 不能覆盖城市的每个角落.本文提出了一种基于图像的空气质量等级检测方法, 旨在通过移动设备采集的图像检测空气质量等级, 移动设备的普及使得通过图像细粒度检测空气质量成为可能, 该方法利用空气污染对图像颜色通道和灰度通道局部信息熵的影响构建空气质量等级检测模型.在本文构建的空气质量图像库进行了模型测试和比较分析, 实验结果表明:本文方法能够准确地评估空气质量等级, 比其他已有相关方法更适用于空气质量等级检测.
    Recommended by Associate Editor JIN Lian-Wen
  • 在深海勘探开发生产中, 海洋柔性立管作为连接海面作业平台与海床井口的关键构件[1].在风、浪、洋流等外部载荷作用下, 海洋立管会产生振动现象, 而长期的振动则是造成柔性立管疲劳破损的主因[2-4].因此, 开展先进的海洋柔性立管振动主动控制系统研究, 对延长立管使用寿命、提高生产效率和保证海洋油气生产安全具有重要的理论和实际意义.

    从数学的观点看, 具有振动的海洋柔性立管系统可认为是典型的无限维分布参数系统[5-11].其动力学往往建模为耦合的偏微分–常微分方程, 这使得现有许多对传统刚性系统成熟的方法不能直接应用.对海洋柔性立管振动控制的研究主要包括模态控制和边界控制.模态控制是基于提取的有限维受控子系统进行控制设计, 而忽略掉的高频模态可能导致系统产生控制溢出效应.边界控制能克服上述方法的缺点, 且容易由系统机械能相关的Lyapunov函数得出, 因此边界控制与其他控制技术如PID控制、鲁棒控制、自适应控制、反步控制、输出反馈控制等相结合的方法广泛应用于柔性立管系统的振动控制领域[12-16].上述研究仅仅局限于柔性立管系统的振动控制, 而这些方法将不适用于具有输入非线性特性的柔性立管系统.

    在实际的海洋油气生产环境中, 柔性立管系统除了受到风浪扰动和海洋洋流分布式扰动影响外, 其面临的情况可能会比之前研究的问题更加复杂.如系统固有的物理约束和执行器的约束将使得系统产生死区、饱和、磁滞、反向间隙等不光滑的非线性特性[17-20].而这些不光滑的非线性特性将会限制系统的瞬态性能, 更为甚者, 将会致使系统不稳定.因此, 需要将这些不光滑的非线性约束特性考虑在控制设计中.为了解决海洋柔性立管系统的输入非线性约束问题, 一些学者基于立管原始无限维模型探索了不同的边界控制方法[13, 21-24].文献[13]面向具有系统不确定性、输出约束和输入饱和的海洋立管系统, 基于反推技术研发了障碍边界控制策略以抑制振动、补偿系统不确定性以及处理系统的输入输出限制.文献[21]针对具有执行器输入饱和非线性约束和外部海洋扰动的海洋柔性立管系统, 在顶端构建边界控制器以稳定其在平衡位置的小邻域并利用辅助系统补偿执行器饱和的影响.文献[22]设计了鲁棒自适应控制器用以稳定具有参数不确定性和输入受限的海洋柔性立管系统.文献[23]采用光滑的双曲正切函数、Nussbaum函数和辅助系统设计边界控制器以抑制立管振动并限制控制输入在给定范围内, 该方法解决了文献[2122]中应用符号函数限制控制输入所带来的震颤问题.文献[24]引入辅助函数和变量设计边界控制器来实现立管的振动减弱并消除混合的死区−饱和非线性约束影响.然而, 这些成果仅仅解决了柔性立管系统执行器输入饱和或输入饱和−死区非线性约束问题, 而对于具有输入反向间隙−饱和非线性约束的柔性立管系统, 上述方法将不能适用.

    本文针对执行器非光滑反向间隙−饱和约束特性的深海柔性立管系统(如图 1所示), 首先将反向间隙−饱和约束转换成虚拟的输入饱和约束, 其后引入辅助系统并采用Lyapunov理论, 构建边界控制以抑制柔性立管的振动并消除饱和非线性约束的影响.随后, 证明了闭环系统在Lyapunov意义下的一致有界稳定性.最后, 通过数值仿真, 验证了本文所提出控制能处理非光滑反向间隙−饱和约束非线性影响, 也能有效抑制立管系统振动.

    图 1  柔性立管系统
    Fig. 1  Flexible riser system

    注1.本文作如下简写: $ (\cdot)(x, t) = (\cdot) $, $ (\cdot)' = \dfrac{\partial(\cdot)}{\partial{x}} $, $ \dot{(\cdot)} $ = $ \dfrac{\partial(\cdot)}{\partial{t}} $.

    深海柔性立管系统如图 1所示, 其中$ l $为立管的长度, $ y(z, t) $为立管在位置$ z $时刻$ t $的偏移量, $ f(z, t) $为海洋洋流分布式扰动, $ d(t) $为外部环境扰动, $ u(t) $为边界控制输入.

    本研究所考虑立管系统动力学描述如下[1]:

    $\begin{split} \rho\ddot{y}(z,&t)-\left\{T[z, y'(z,t)]+\right.\\ & \left.3\psi(z)y'^2(z,t)\right\}y''(z,t)-\\ & \ T'[z, y'(z,t), y''(z,t)]y'(z,t)+c\dot{y}(z,t)-\\ & \ \psi'(z)y'^3(z,t)+ EIy''''(z,t)-\\ & \ f(z,t) = 0,\ \ \ 0<z<l \end{split} \hspace{33pt} $

    (1)

    $ \begin{align} y(0,t) = y'(0,t) = y''(l,t) = 0 \end{align} \hspace{78pt} $

    (2)

    $ \begin{split} m\ddot{y}(l,t)+& T[l, y'(l,t)]y'(l,t)+\psi(l)y'^3(l,t)-u(t)+\\ & d_a\dot{y}(l,t) = EIy'''(l,t)+d(t) \end{split} \hspace{5pt}$

    (3)

    其中, $ \rho $, $ c $和$ EI $分别为立管的单位长度质量、阻尼系数和弯曲刚度, $ d_a $和$ m $为船的质量和阻尼系数, $ T[z, y'(z, t)] $为立管的时空变化张力, 表示为

    $ \begin{align} T[z, y'(z,t)] = T_0(z)+\psi(z)y'^2(z,t) \end{align} $

    (4)

    其中, $ T_0(z) > 0 $为初始张力, $ \psi(z)\ge 0 $为非线性弹性模量.

    执行器输入饱和非线性描述为[25]

    $ \begin{align} \varphi(t) = sat(\varrho(t)) = \begin{cases} a , \qquad\quad\ \varrho(t)\ge a \\[2mm] \varrho(t) , \qquad -a < \varrho(t) < a \\[2mm] -a, \qquad\ \ \, \varrho(t)\ -a \end{cases} \end{align} $

    (5)

    其中, $ a > 0 $为饱和界限.

    执行器输入反向间隙非线性描述为[24]

    $\begin{array}{l} u(t) = D(\varphi (t)) = \\ \qquad\;\;\;\left\{ {\begin{aligned} &{\varphi (t) - b,\;\qquad \dot \varphi }{ > 0\;\text{且}\;u(t) = \varphi (t) - b}\\ &{\varphi (t) + b,\;\qquad \dot \varphi }{ < 0\;\text{且}\;u(t) = \varphi (t) + b}\\ &{u(t\_), \qquad\quad\;\; \text{其他}}&{} \end{aligned}} \right. \end{array}$

    (6)

    其中, $ b > 0 $为反向间隙参数.

    由输入饱和与反向间隙的表达式(5)和式(6)可知, 系统的非线性特征是相当复杂的, 因此很难直接对其处理.根据文献[25], 可知输入饱和与反向间隙可转换并表示为一个虚拟的输入饱和.因此, 为解决虚拟的输入非线性问题, 我们引入$ D $的右逆$ D^+ $为

    $ \begin{align} \varrho(t) = D^+(\tau(t)) = \left\{ \begin{aligned} & \tau(t)+b, \; \; \dot{\tau}(t)>0 \\ & \tau(t)-b, \; \; \dot{\tau}(t)<0 \\ & \varrho(t\_), \; \;\;\;\;\; \dot{\tau}(t) = 0 \end{aligned} \right. \end{align} $

    (7)

    根据上面的分析和文献[25], 我们可得混合的输入饱和−反向间隙非线性特性可描述为

    $ \begin{split} u(t) = & D(sat(D^+(\tau(t)))) = \\ &\left\{ \begin{aligned} & \,a-b, \qquad\;\;\, \tau(t)\ge a-b \\ & \, \tau(t), \qquad\quad\; |\tau(t)|<a-b \\ & -a+b, \quad\;\;\tau(t)\le-a+b \end{aligned} \right. \end{split} $

    (8)

    由式(8)可知, 我们可将系统的输入饱和−反向间隙非线性视为一个输入饱和来处理.

    引理1[26].设$ \chi_1(z, t) $, $ \chi_2(z, t)\in {\bf{R}} $, $ \varphi > 0 $, 其中$ (z, t)\in$ $[0, l]\times[0, +\infty) $, 则

    $ \begin{align} \chi_1(z,t)\chi_2(z,t)\le \frac{1}{\varphi}\chi^2_1(z,t)+\varphi\chi^2_2(z,t) \end{align} $

    (9)

    引理2[26].设$ \chi(z, t)\in {\bf{R}} $为定义在$ (z, t)\in[0, l]\times $ $[0, +\infty) $的函数, 且满足$ \chi(0, t) = 0, \forall t\in[0, +\infty) $, 则

    $ \begin{align} \chi^2(z,t) \le l\int^l_0\chi^{{\prime}2}(z,t){\rm{d}}z \end{align} $

    (10)

    假设1.假定存在常数$ {F} $, $ {D}\in {\bf{R}}^+ $, 使得$\mid f(z, t)\mid \leq $ $ {F, } $ $ \forall{(z, t)}\in{[0, l]\times[0, +\infty), } $ $\mid d(t)\mid \leq {D, } $ $ \forall{t}\in[0, +\infty). $这个假设是合理的, 由于$ f(z, t) $和$ d(t) $是有限能量的, 因此是有界的[21-24].

    假设2.假定存在正常数$ \underline{T}_0 $, $ \overline{T}_0 $, $ \underline{\psi}_0 $, $ \overline{\psi}_0 $, 使得$ \underline{T}_0\le T_0(z) \le \overline{T}_0 $, $ \underline{\psi}_0\le \psi(z)\leq \overline{\psi}_0 $.

    假设3.对于新的输入饱和表达式(8), 假定存在一个正常数$ \varpi $使得$ |\triangle u|\le \varpi $, 其中, $ \triangle u = u(t)-$ $\tau(t) $.

    本节将引入辅助函数和辅助系统用于构建边界控制器以抑制立管振动并消除输入非线性影响.

    首先, 设计辅助系统为

    $ \begin{split}\! \dot{\nu}(t) =&\ \frac{1}{m}\left(-k_1\nu(t)-\triangle u+T[l, y'(l,t)]y'(l,t)+ \right. \\ & \left. \psi(l)y'^3(l,t)+d_a\dot{y}(l,t)-EIy'''(l, t)\right) \end{split} $

    (11)

    其中, $ \nu(t) $为辅助系统的状态变量, $ k_1 $为正常数.

    为便于分析闭环立管系统的稳定性, 定义如下辅助变量

    $\begin{split} \mu(t) =\;& \dot{y}(l,t)-k_2y'''(l, t)+y'(l,t)+\\ &k_3y'^3(l,t)+\nu(t) \end{split}$

    (12)

    其中, $ k_2, k_3 $为正常数.

    对式(12)求导, 代入式(3)和式(11), 可得

    $ \begin{aligned} \dot{\mu}(t) =\;& \frac{1}{m}(\tau(t)+d(t)-mk_2\dot{y}'''(l, t)+m\dot{y}'(l,t)+\\ & 3mk_3y'^2(l,t)\dot{y}'(l,t)-k_1\nu(t)) \end{aligned} $

    (13)

    根据上述分析, 提出控制律$ \tau(t) $为

    $ \begin{aligned} \tau(t) = & -k_4\mu(t)+k_1\nu(t)+mk_2\dot{y}'''(l, t)-m\dot{y}'(l,t) -\\ & \ 3mk_3y'^2(l,t)\dot{y}'(l,t)-{\rm{sgn}}(\mu(t)){D} \end{aligned} $

    (14)

    其中, $ k_4 $为正常数.

    注2.所设计的控制器(14)是由可获得的边界信号组成的, 其中$ y'''(l, t) $、$ y'(l, t) $和$ y(l, t) $分别可由剪切力传感器、倾角计和位移传感器获得.此外, 控制器中这些信号的一阶时间微分信号$ \dot{y}'''(l, t), $ $ \dot{y}'(l, t) $和$ \dot{y}(l, t) $分别可对已获得信号进行后向差分算法得到[21-24].

    选取如下Lyapunov函数为

    $ Y(t) = {{Y}_{e}}(t)+{{Y}_{f}}(t)+{{Y}_{g}}(t) $

    (15)

    其中,

    $ \begin{align} {{Y}_{e}}(t) = \frac{\varsigma}{2}\rho\int_{0}^{l}{{{{\dot{y}}}^{2}}(z,t){\rm{d}}z} +\frac{\varsigma}{2}\int_{0}^{l}T_0(z){{{ {y}^{\prime2}\left( z,t\right) }}{\rm{d}}z}+\\ \frac{\varsigma}{2}\int_{0}^{l}\psi(z){{{ {y}^{\prime4}\left( z,t\right) }}{\rm{d}}z}+\frac{\varsigma}{2}EI\int_{0}^{l}y^{\prime\prime 2}(z,t){\rm{d}}z \end{align} $

    (16)

    $ \begin{align} {{Y}_{g}}(t) = \frac{\varsigma m}{2}\nu^2(t)+\frac{\varsigma m}{2}\mu^2(t) \end{align} \hspace{78pt}$

    (17)

    $ \begin{align} {{Y}_{f}}(t) = \lambda\rho\int_{0}^{l} z \phi(z){\dot{y} (z,t){y}'(z,t){\rm{d}}z} \end{align} $

    (18)

    其中, $ \varsigma, \lambda > 0 $.

    引理3.选取的Lyapunov函数(16)是一个正定的函数:

    $ \begin{split} 0\le\; & \delta_1[Y_e(t)+Y_f(t)]\le Y(t)\le \\ &\delta_2[Y_e(t)+Y_f(t)] \end{split} $

    (19)

    其中, $ \delta_1 > 0, \; \delta_2 > 1 $.

    证明.根据引理1, 式(18)可放缩为

    $ \begin{split} \mid Y_g(t)\mid\ \le\ & \frac{\lambda\rho \overline{\phi}l}{2}\int^l_0[\dot{y}^2(z,t)+\\ &\ y^{{\prime}2}(z,t)]{\rm{d}}z \le \delta_0{Y_e(t)} \end{split} $

    (20)

    其中

    $ \begin{align} \delta_0 = \frac{\lambda \rho \overline{\phi}l}{\min\left({\varsigma}\rho, {\varsigma}\underline{T_0}\right)} \end{align} $

    (21)

    通过恰当地选取$ \varsigma $和$ \beta $得出

    $ \begin{align} \delta_1 = 1-\delta_0>0, \;\delta_2 = 1+\beta_0>1 \end{align} $

    (22)

    式(22)表明$ 0 < \delta < 1 $, 应用式(21)可得

    $ \begin{align} {\varsigma}>\frac{\lambda \rho \overline{\phi}l}{\min\left(\rho, \underline{T_0}\right)} \end{align} $

    (23)

    重排式(20), 有

    $ \begin{align} -{\delta}Y_e(t)\le Y_g(t)\le {\delta}Y_e(t) \end{align} $

    (24)

    将式(22)代入式(24)得出

    $ \begin{align} 0\le \delta_1 Y_e(t)\le Y_e(t)+Y_g(t)\leq \delta_2 Y_e(t) \end{align} $

    (25)

    结合式(15), 有

    $ \begin{aligned} 0\le\;& \delta_1[Y_e(t)+Y_f(t)]\le Y(t)\leq\\ &\delta_2[Y_e(t)+Y_f(t)] \end{aligned} $

    (26)

    其中, $ \delta_1 > 0, \; \delta_2 > 1 $.

    引理4.选取Lyapunov函数(16)的导数是有上界的:

    $ \begin{align} \dot{Y}(t)\le -\delta Y(t)+\alpha \end{align} $

    (27)

    其中, $ \delta, \alpha > 0 $.

    证明.对式(16)求导, 可得:

    $ \begin{align} \dot{Y}(t) = \dot{Y}_e(t)+\dot{Y}_f(t)+\dot{Y}_g(t) \end{align} $

    (28)

    将式(16)求导, 代入式(1)并应用引理1, 可得

    $ \begin{aligned} \dot{Y}_e(t)\leq \; &\frac{\varsigma T_0(l)}{2}\mu^2(t)-\frac{\varsigma T_0(l)}{2}\nu^2(t)-\frac{\varsigma T_0(l)}{2}\dot{y}^2(l,t)-\\& \frac{\varsigma T_0(l)k^2_2}{2}y'''^2(l,t)-\frac{\varsigma T_0(l)}{2}y'^2(l,t)-\\ & \frac{\varsigma T_0(l)k^2_3}{2}y'^6(l,t)+{\varsigma T_0(l)}{k_2}\nu(t){y}'''(l,t)-\\ & ({\varsigma EI}-{\varsigma T_0(l)}{k_2})y'''(l,t)\dot{y}(l,t)-\\ & \varsigma k_3T_0(l)y'^4(l,t)-{\varsigma}(c-{\sigma_1})\int^l_0\dot{y}^2(z, t){\rm{d}}z+\\ & (2\varsigma\psi(l)-{\varsigma k_3T_0(l)})y'^3(l,t)\dot{y}(l,t)+\\ &{\varsigma k_2k_3T_0(l)}{y}'''(l,t)y'^3(l,t)-{\varsigma T_0(l)}\nu(t)\dot{y}(l,t)+\\ &{\varsigma k_2T_0(l)}y'''(l,t){y}'(l,t)-{\varsigma k_3T_0(l)}y'^3(l,t)\nu(t)-\\ &{\varsigma T_0(l)}\nu(t){y}'(l,t)+\frac{\varsigma}{\sigma_1} \int^l_0f^2(z,t){\rm{d}}z \end{aligned} $

    (29)

    其中, $ \delta_1 > 0 $.

    对$ Y_f(t) $求导, 代入式(11)和式(14), 应用引理1, 可得

    $ \begin{split} \dot{Y}_g(t)\le& -\varsigma k_4\mu^2(t)-\varsigma \nu(t)\triangle u-\varsigma k_1\nu^2(t)+\\& \varsigma T_0(l)\nu(t)y'(l,t)-\varsigma EI \nu(t)y'''(l, t)+\\& 2\varsigma \psi(l)\nu(t)y'^3(l,t)+\varsigma d_a \nu(t)\dot{y}(l,t) \end{split} $

    (30)

    对$ Y_g(t) $求微分, 代入式(4)并利用引理1, 有

    $ \begin{aligned} \dot{Y}_f(t)\le & -l\lambda EI\phi(l) y'''(l,t){y}'(l,t)+\frac{\lambda \rho l\phi(l)}{2}\dot{y}^2(l,t)-\\ &\frac{3\lambda EI}{2}\int^l_0(\phi(z)+z\phi'(z)){y}^{{\prime\prime}2}(z, t){\rm{d}}z-\\ &\left[\frac{\lambda \rho}{2}(\phi(z)+z\phi'(z))-\frac{l\lambda c}{\sigma_2}\right]\int^l_0\dot{y}^2(z, t){\rm{d}}z-\\ &\bigg[\frac{\lambda }{2}(\phi(z)T_0(z)+z\phi'(z)T_0(z)-z\phi(z)T_0'(z))-\\ & {\lambda\sigma_2cl\phi^2(z)}-{\lambda\sigma_3l\phi^2(z)}\bigg]\int^l_0{y}^{{\prime}2}(z, t){\rm{d}}z-\\ & \frac{\lambda }{2}\int^l_0[3\phi(z)\psi'(z)+3z\phi'(z)\psi(z)-\\ &z\phi(z)\psi'(z)]{y}^{{\prime}4}(z, t){\rm{d}}z+\frac{3\lambda \phi(l)\psi(l)l}{2}y'^4(l,t)+\\ & \frac{l\lambda}{\sigma_3} \int^l_0f^2(x,t){\rm{d}}x+\frac{\lambda \phi(l)T_0(l) l}{2}y'^2(l,t) \end{aligned} $

    (31)

    其中, $ \sigma_2, \sigma_3 > 0 $.

    将式(29)和式(30)代入式(28), 应用引理1, 可得

    $ \begin{aligned} \dot{Y}(t)\le\;& -\varsigma\left( k_1+\frac{ T_0(l)}{2}-\frac{1}{\sigma_4}-\frac{|T_0(l)k_2-EI|}{2\sigma_5}-\right.\\ &\left.\frac{|T_0(l)-d_a|}{2\sigma_6}-\frac{| k_3T_0(l)-2 \psi(l)|\sigma_9}{2}\right)\nu^2(t)-\\ & \frac{3\lambda EI}{2}\int^l_0(\phi(z)+z\phi'(z)){y}^{{\prime\prime}2}(z, t){\rm{d}}z +\\ &{\varsigma}{\sigma_4}\triangle u^2-\varsigma\left( k_4-\frac{ T_0(l)}{2}\right)\mu^2(t)-\left(\frac{\varsigma T_0(l)}{2}-\right.\\ &\left.\frac{{|\varsigma T_0(l)k_2-l\lambda{EI}\phi(l)|}{\sigma_8}}{2}-\frac{\lambda \phi(l)T_0(l) l}{2}\right)\times\\ &y'^2(l,t)-\left(\varsigma k_3T_0(l)-\frac{3\lambda \phi(l)\psi(l)l}{2}\right)y'^4(l,t)-\\ &\left(\frac{\varsigma T_0(l)}{2}-\right.\frac{{\varsigma|T_0(l)-d_a|}{\sigma_6}}{2}-\\ &\left.\frac{{\varsigma|T_0(l)k_2-EI|}{\sigma_7}}{2}-\frac{{\varsigma|k_3T_0(l)-2\psi(l)|}{\sigma_{10}}}{2}-\right.\\ &\left.\frac{\lambda \rho l\phi(l)}{2}\right)\dot{y}^2(l,t)-\varsigma\left(\frac{ T_0(l)k^2_3}{2}-\right.\\ &\left.\frac{| k_3T_0(l)-2 \psi(l)|}{2\sigma_9}-\frac{ k_2k_3T_0(l)}{2\sigma_{11}}-\right.\\ &\left.\frac{|k_3T_0(l)-2\psi(l)|}{2\sigma_{10}}\right)y'^6(l,t)-\left(\frac{\varsigma T_0(l)}{2}-\right.\\ &\left.\frac{{\varsigma|T_0(l)k_2-EI|}{\sigma_5}}{2}-\frac{{\varsigma|T_0(l)k_2-EI|}}{2{\sigma_7}}-\right.\\ &\left.\frac{{|\varsigma T_0(l)k_2-l\lambda{EI}\phi(l)|}}{2{\sigma_8}}-\frac{\varsigma k_2k_3T_0(l)\sigma_{11}}{2}\right)\times\\ &\left.y'''^2(l,t)-\left[\frac{\lambda }{2}(\phi(z)T_0(z)+z\phi'(z)T_0(z)-\right.\right.\\ &\left.z\phi(z)T_0'(z))-\right.{\lambda\sigma_2cl\phi^2(z)}-{\lambda\sigma_3l\phi^2(z)}\bigg]\\ &\left.\int^l_0{y}^{{\prime}2}(z, t){\rm{d}}z+\left(\frac{\varsigma}{\sigma_1}+\frac{l\lambda}{\sigma_3}\right)\int^l_0f^2(z,t){\rm{d}}z-\right.\\ &\left.\bigg({\varsigma}c-{\varsigma}{\sigma_1}+\frac{\lambda \rho}{2}(\phi(z)+z\phi'(z))-\frac{l\lambda c}{\sigma_2}\right)\times\\ &\int^l_0\dot{y}^2(z, t){\rm{d}}z-\frac{\lambda }{2}\int^l_0[3\phi(z)\psi'(z)+\\ &3z\phi'(z)\psi(z)-z\phi(z)\psi'(z)]{y}^{{\prime}4}(z, t){\rm{d}}z \end{aligned} $

    (32)

    其中, $ \sigma_4\sim\sigma_{11} > 0, $选择恰当的参数值$ \varsigma, $ $ \lambda, $ $ k_i, $ $ i = 1, $ $\cdots, 4, \delta_j, j = 1, \cdots, 11, $满足下列条件:

    $ \begin{split} \frac{\varsigma T_0(l)}{2}-\;&\frac{{|\varsigma T_0(l)k_2-l\lambda{EI}\phi(l)|}{\sigma_8}}{2}-\\ &\frac{\lambda \phi(l)T_0(l) l}{2}\ge 0 \end{split} \hspace{51pt}$

    (33)

    $ \begin{split} \frac{\varsigma T_0(l)}{2}-\;&\frac{{\varsigma|T_0(l)-d_a|}{\sigma_6}}{2}-\frac{{\varsigma|T_0(l)k_2-EI|}{\sigma_7}}{2}-\\ &\frac{{\varsigma|k_3T_0(l)-2\psi(l)|}{\sigma_{10}}}{2}-\frac{\lambda \rho l\phi(l)}{2}\ge 0 \end{split} \hspace{20pt}$

    (34)

    $ \begin{split} \frac{\varsigma T_0(l)}{2}-\;&\frac{{\varsigma|T_0(l)k_2-EI|}{\sigma_5}}{2}-\frac{{\varsigma|T_0(l)k_2-EI|}}{2{\sigma_7}}-\\ &\frac{{|\varsigma T_0(l)k_2-l\lambda{EI}\phi(l)|}}{2{\sigma_8}}-\frac{\varsigma k_2k_3T_0(l)\sigma_{11}}{2}\ge 0 \end{split} $

    (35)

    $ \begin{split} \frac{ T_0(l)k^2_3}{2}-\;&\frac{| k_3T_0(l)-2 \psi(l)|}{2\sigma_9}-\\ &\frac{|k_3T_0(l)-2\psi(l)|}{2\sigma_{10}}-\frac{ k_2k_3T_0(l)}{2\sigma_{11}}\ge 0 \end{split} \hspace{11pt}$

    (36)

    $ \begin{align} \varsigma k_3T_0(l)-\frac{3\lambda \phi(l)\psi(l)l}{2}\ge 0 \end{align} \hspace{86pt}$

    (37)

    $ \begin{split} \omega_1 =& \min\{ {\varsigma}c-{\varsigma}{\sigma_1}-\frac{l\lambda c}{\sigma_2}+ \\& \frac{\lambda \rho}{2}(\phi(z)+z\phi'(z))\}>0 \end{split} \hspace{78pt}$

    (38)

    $ \begin{aligned} \omega_2 = &\min\bigg\{\frac{\lambda}{2}(\phi(z)T_0(z)+z\phi'(z)T_0(z)-\\& z\phi(z)T_0'(z))-\lambda\sigma_2cl\phi^2(z)-\lambda\sigma_3l\phi^2(z) \bigg\}>0 \end{aligned} $

    (39)

    $ \begin{split} \omega_3 = &\min\{3\phi(z)\psi'(z)+3z\phi'(z)\psi(z)-\\ &z\phi(z)\psi'(z)\} >0 \end{split} \hspace{32pt}$

    (40)

    $ \begin{align} \omega_4 = \min\{\phi(z)+z\phi'(z)\} >0 \end{align}\hspace{67pt} $

    (41)

    $ \begin{split} \omega_5 =\;& k_1+\frac{ T_0(l)}{2}-\frac{1}{\sigma_4}-\frac{| k_3T_0(l)-2 \psi(l)|\sigma_9}{2}-\\ &\frac{|T_0(l)k_2-EI|}{2\sigma_5}-\frac{|T_0(l)-d_a|}{2\sigma_6}>0 \end{split} $

    (42)

    $ \begin{align} \omega_6 = k_4-\frac{ T_0(l)}{2} >0 \end{align} \hspace{105pt}$

    (43)

    $ \begin{align} \alpha = \left(\frac{\varsigma}{\sigma_1}+\frac{l\lambda}{\sigma_3}\right)lF^2+{\varsigma}{\sigma_4}\varpi^2<+\infty \end{align} \hspace{33pt}$

    (44)

    结合式(33) ~(44), 可得

    $ \begin{aligned} \dot{Y}(t) \le & \ \alpha-\omega_1\int^l_0\dot{y}^2(z, t){\rm{d}}z-\omega_2\int^l_0{y}^{{\prime}2}(z, t){\rm{d}}z-\\ & \frac{\lambda }{2}\omega_3\int^l_0{y}^{{\prime}4}(z, t){\rm{d}}z-\frac{3\lambda EI}{2}\omega_4\int^l_0{y}^{{\prime\prime}2}(z, t){\rm{d}}z-\\& \ \varsigma\omega_5\nu^2(t)-\varsigma\omega_6\mu^2(t)\le\\ & \ \delta_3[Y_e(t)+Y_f(t)]+\alpha \end{aligned} $

    (45)

    其中, $ \delta_3 = {\min}\left(\dfrac{2\omega_1}{{\varsigma}\rho}, \dfrac{2\omega_2}{{\varsigma}\overline{T}_0}, \dfrac{\lambda\omega_3}{\varsigma\overline{\psi}}, \dfrac{3\lambda\pi_4}{\varsigma}, \dfrac{2\pi_5}{m}, \dfrac{2\pi_6}{m}\right) $.

    根据式(26)和式(45), 有

    $ \begin{align} \dot{Y}(t)\le -\delta{Y}(t)+\alpha \end{align} $

    (46)

    其中, $ \delta = \delta_3/\delta_2 $.

    定理1.针对执行器非光滑反向间隙−饱和约束特性的深海柔性立管系统, 如果系统初始条件是有界的且所选取参数满足约束条件式(33) ~(44), 在设计控制器(14)、假设1和假设2作用下, 闭环系统是一致有界稳定的.

    证明.将式(27)乘以$ {\rm{e}}^{{\vartheta}t} $, 得出:

    $ \begin{align} \frac{\partial}{\partial t}\left({Y}(t){\rm{e}}^{\delta t}\right)\le \alpha {\rm{e}}^{\delta t} \end{align} $

    (47)

    积分上式并变换, 有:

    $ \begin{align} {Y}(t)\le Y(0){\rm{e}}^{-\delta t}+\frac{\alpha}{\delta}\left(1-{\rm{e}}^{-\delta t}\right)\le Y(0){\rm{e}}^{-\delta t}+\frac{\alpha}{\delta} \end{align} $

    (48)

    求助于$ Y_{e}(t) $, 式(19)和引理2, 可得

    $ \begin{split} \frac{{\varsigma}\underline{T}_0}{2l}y^2(z,t)\le &\frac{{\varsigma}}{2}\int^l_0T_0(z){y}^{{\prime}2}(z,t){\rm{d}}z\le\\ &{Y_e(t)}\le\frac{1}{\delta_1}Y(t) \end{split} $

    (49)

    将式(48)代入式(49), 产生

    $ \begin{split} \mid y(z,t)\mid \le \sqrt{\frac{2l}{{\varsigma}\delta_1\underline{T}_0}\left[Y(0){\rm{e}}^{-\delta t} +\frac{\alpha}{\delta}\right]}, \\ \forall (z,t) \in[0,l]\times[0,+\infty) \end{split} $

    (50)

    进一步得出

    $ \begin{split} \underset{t\to\infty}{\mathop{\lim }} \,\left| y(z,t) \right| \le\sqrt{\frac{2l\alpha}{\varsigma{\underline{T}_0}{\delta}_{1}\delta}}, \ \ \ \forall z\in[0,l] \end{split} $

    (51)

    为验证所设计控制器的性能, 本节在MATLAB软件中采用有限差分法[27-30]来近似闭环系统的数值解.柔性立管系统的参数为$ l = 1\; 000\, \rm{m}, $ $ \rho = 500\, \rm{kg/m}, $ $ c = 1.0\, \rm{Ns/m^2}, $ $ T_0(z) = 4.5\times10^5\times(1\; 000+z)\, \rm{N}, $ $\psi(z)=$ $ 1\times10^3 (1\; 000+z), $ $ EI $ = $ 1.5\times10^7\, {\rm N m^2}, ~{m}$ $=9.6\times10^6\, \rm{kg}, $ $ d_a = 1\; 000\, \rm{Ns/m}. $系统的初始条件描述为: $ y(z, 0) =$ $ \dfrac{12z}{l}, ~ \dot{y}(z, 0) = 0 $.

    外部环境扰动$ d(t) $为

    $ \begin{split} d(t) =\;& [3+0.8\sin(0.7t)+0.8\sin(0.5t)+\\& 0.8\sin(0.9t)]\times10^5 \end{split} $

    (52)

    柔性立管系统在自由振动时, 即$ u(t) = 0 $, 图 2给出了其时空的表示.在所示设计控制器(14)作用下, 选取控制设计参数$ k_1 $ = $ 1\times10^7 $, $ k_2 = {1}/{60}, $ $ k_3= {1}/{225}, $ $ k_4 $ = $ 5\times10^8, $ $ a $ = $ 1\times10^6 $, $ b = 5~\times $ $10^6 $, 立管三维响应显示在图 3中. 图 4则给出了立管中部顶端$ (x = 1\; 000\; {\rm{m}}) $的二维偏移图, 图 5图 6分别描绘了所设计的控制命令和反向间隙−饱和控制输入.

    图 2  未受控的立管偏移量
    Fig. 2  Displacement of the uncontrolled riser
    图 3  受控的立管偏移量
    Fig. 3  Displacement of the controlled riser
    图 4  立管的端点偏移量
    Fig. 4  Endpoint displacement of the riser
    图 5  设计的控制命令
    Fig. 5  Designed control command
    图 6  非线性的控制输入
    Fig. 6  Control input with nonlinearities

    仿真图 2图 3表明, 在外部扰动和执行器非光滑反向间隙−饱和约束条件下, 所设计控制器(14)能有效抑制立管振动; 由仿真图 4可得, 立管端点的偏移量稳定在平衡位置附近的小邻域; 仿真图 5图 6得出, 控制器的输入是非线性的, 执行器非光滑反向间隙−饱和约束特性也相当地明显.根据上述分析, 可得如下结论:由于混合的输入非线性影响, 立管的振动偏移量需要相对长的收敛时间; 本文所构建的控制策略能较好地处理执行器非光滑反向间隙−饱和约束并能有效地抑制立管振动.

    本文解决了具有执行器非光滑反向间隙−饱和约束特性的深海柔性立管边界控制问题.首先, 基于Lyapunov理论和边界控制技术, 采用辅助系统和函数在立管顶端构建了边界控制器以实现立管系统的振动抑制和输入非线性的补偿.其后, 应用严格的分析且没有离散化或简化系统的偏微分方程动力学, 证明了受控系统的一致有界性.最后所呈现的仿真结果验证了提出控制能较好地稳定立管系统并有效消除执行器非光滑反向间隙−饱和约束影响.下一步值得探索的研究方向可以为海洋柔性立管系统的有限时间稳定[31]以及基于不确定性和干扰估计[32]的控制设计.


  • 本文责任编委  金连文
  • 图  1  基于传统机器学习的空气质量估计模型构建流程

    Fig.  1  Air quality estimation model construction process based on traditional machine learning

    图  2  空气质量图像库中不同等级图像示例

    Fig.  2  Examples of images with different grades in the air quality image dataset

    图  3  空气污染对图像灰度通道和彩色通道的影响

    Fig.  3  The effect of air pollution on the gray and color channels of images

    图  4  不同空气质量等级下图像示意图

    Fig.  4  Examples of images at different air quality grades

    图  5  不同空气质量等级图像局部信息熵归一化直方图

    Fig.  5  Histogram of normalized local information entropy for images at different air quality grades

    图  6  不同失真效果图

    Fig.  6  Images under different kinds of distortion

    图  7  原图和各种失真图像局部信息熵归一化直方图

    Fig.  7  Histogram of normalized local information entropy for the original image and images with different kinds of distortions

    图  8  不同空气质量等级在局部信息熵均值和斜率两个特征上的分布

    Fig.  8  The average and slope distribution of the local information entropy with different air quality grades

    图  9  特征提取流程图

    Fig.  9  The flow chart of feature extraction

    图  10  基于图像的空气质量等级检测方法流程图

    Fig.  10  The flow chart of the image based air quality grade detection method

    图  11  数据集I测试图像及测试结果

    Fig.  11  The testing images and output results on Dataset I

    图  12  数据集Ⅱ样例图

    Fig.  12  Samples of Dataset Ⅱ

    图  13  数据集Ⅲ GOD直方图分布

    Fig.  13  The GOD histogram distribution on Dataset Ⅲ

    图  14  不适用图像示意图

    Fig.  14  Examples of inapplicable images

    表  1  空气质量图像库

    Table  1  Air quality image dataset

    空气质量等级 轻度污染 中度污染 重度污染 严重污染
    图像数量(幅) 15 13 15 16 16 25
    下载: 导出CSV

    表  2  基于图像检测空气质量等级通用模型所用特征总结

    Table  2  The summary of features used in the general model of air quality grade detection based on images

    特征序号 特征意义
    f1$ \sim $f2 灰度通道空间域局部信息熵均值和斜率
    f3$ \sim $f4 灰度通道频域局部信息熵均值和斜率
    f5$ \sim $f6 颜色通道频域局部信息熵均值和斜率
    下载: 导出CSV

    表  3  六种方法性能对比

    Table  3  The performance comparison of the six methods

    方法 $mean_{\rm LCC}$ $mean_{\rm SROCC}$ TIME (s) $var_{\rm LCC}$ $var_{\rm SROCC}$ $mean_{acc(0)}$ $mean_{acc(1)}$
    SSEQ [24] 0.8400 0.8384 1 345.3 0.0024 0.0035 0.7318 0.9400
    IQALE-a [25] 0.8283 0.7770 1 892.1 0.0038 0.0067 0.7342 0.9235
    IQALE-b [25] 0.8195 0.7791 1 912.6 0.0048 0.0075 0.7127 0.9336
    IQALE-a, b [25] 0.8142 0.7618 2 828.0 0.0041 0.0076 0.7218 0.9183
    Chen等[21] 0.84372 0.8145 26 485.1 0.0037 0.0049 0.7370 0.9450
    GIST [27] 0.8300 0.8136 32.69 0.0018 0.0021 0.7099 0.9344
    Alexnet [28] 0.8807 0.8743 16 290.0 0.0015 0.0019 0.6818 0.9250
    Our-a 0.9002 0.8598 966.9 0.0011 0.0023 0.8110 0.9728
    Our-b 0.8915 0.8595 971.5 0.0016 0.0028 0.7954 0.9730
    Our-a, b 0.8993 0.8596 1 343.8 0.0010 0.0025 0.8126 0.9744
    下载: 导出CSV

    表  4  局部块大小对方法性能的影响

    Table  4  The influence of the size of the local block on our method

    局部块大小 $mean_{\rm LCC}$ $mean_{\rm SROCC}$ TIME (s) $var_{\rm LCC}$ $var_{\rm SROCC}$ $mean_{acc(0)}$ $mean_{acc(1)}$
    $2\times 2$ 0.8662 0.8818 15 071.33 0.0008 0.0008 0.7074 0.9671
    $4\times 4$ 0.9093 0.8911 3 661.60 0.0005 0.0009 0.8150 0.9769
    $8\times 8$ 0.9002 0.8598 966.92 0.0011 0.0023 0.8110 0.9728
    $16\times 16$ 0.8865 0.8524 310.18 0.0018 0.0029 0.7955 0.9682
    $32\times 32$ 0.8551 0.8381 128.99 0.0035 0.0048 0.7670 0.9508
    下载: 导出CSV

    表  5  局部熵百分比对方法性能的影响

    Table  5  The influence of the percentage of the local entropy on our method

    局部熵百分比 $mean_{\rm LCC}$ $mean_{\rm SROCC}$ TIME (s) $var_{\rm LCC}$ $var_{\rm SROCC}$ $mean_{acc(0)}$ $mean_{acc(1)}$
    100 % 0.9002 0.8598 966.92 0.0011 0.0023 0.8110 0.9728
    90 % 0.8930 0.8635 952.17 0.0013 0.0027 0.8116 0.9697
    80 % 0.8889 0.8585 948.09 0.0015 0.0027 0.8073 0.9665
    70 % 0.8864 0.8528 945.01 0.0014 0.0029 0.8001 0.9636
    60 % 0.8834 0.8443 938.72 0.0013 0.0028 0.7974 0.9613
    下载: 导出CSV

    表  6  尺度个数对方法性能的影响

    Table  6  The influence of the number of scales on our method

    尺度 $mean_{\rm LCC}$ $mean_{\rm SROCC}$ TIME (s) $var_{\rm LCC}$ $var_{\rm SROCC}$ $mean_{acc(0)}$ $mean_{acc(1)}$
    1 0.9002 0.8598 966.92 0.0011 0.0023 0.8110 0.9728
    2 0.8810 0.8348 1272.96 0.0020 0.0041 0.7934 0.9656
    3 0.8646 0.8124 1363.92 0.0027 0.0057 0.7729 0.9511
    4 0.8390 0.7857 1393.75 0.0027 0.0054 0.7482 0.9313
    下载: 导出CSV

    表  7  适用性实验数据集

    Table  7  Applicability experiment datasets

    数据集 图像数量(幅) 采集设备
    21 iphone6s等
    326 未知
    247 OPPO R7s
    下载: 导出CSV

    表  8  本文方法在数据集Ⅱ和数据集Ⅲ上的测试结果

    Table  8  Testing results of the proposed method on Dataset Ⅱ and Dataset Ⅲ

    数据集 LCC SROCC ACC(0) ACC(1)
    0.6609 0.6827 0.6460 0.8497
    0.6411 0.6762 0.6032 0.8543
    下载: 导出CSV

    表  9  本文方法在空气质量图像库上的测试结果

    Table  9  The testing results of the proposed method on the air quality image dataset

    数据集 LCC SROCC ACC(0) ACC(1)
    空气质量图像库 0.8721 0.8872 0.6700 0.9300
    下载: 导出CSV
  • [1] 李旭红.构建符合我国国情的综合性环境税收体系.中国财政, 2017, 736(11): 26-28 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zgcz201711014

    Li Xu-Hong. A comprehensive environmental taxation system construction in line with Chinese national conditions. China State Finance, 2017, 736(11): 26-28 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zgcz201711014
    [2] Turner M C, Krewski D, Diver W R, et al. Ambient air pollution and cancer mortality in the cancer prevention study Ⅱ. Environmental Health Perspectives, 2017, 125(8): 087013-1-087013-10 doi: 10.1289/EHP1249
    [3] 郭尚书.基于数字摄像的大气能见度检测方法与系统实现.华中科技大学, 中国, 2014

    Guo Shang-Shu. Visibility Detection Method and System Design Based on Digital Photography[Master thesis]. Huazhong University of Science and Technology, China, 2014
    [4] 卓力, 胡笑尘, 姜丽颖, 等.一种基于暗原色先验的空气质量指数估计方法: CN. CN104809467A, 2015

    Zhuo Li, Hu Xiao-Chen, Jiang Li-Ying, et al. A Method of Air Quality Index Estimation Based on Dark Channel Prior: CN. CN104809467A, 2015
    [5] Zhang Z, Ma H, Fu H, et al. Outdoor air quality inference from single image. In: Proceedings of the 2015 International Conference on Multimedia Modeling. Sydney, Australia: MMM, 2015, 8936: 13-25
    [6] Zamora E. Using image processing techniques to estimate the air quality. McNair Scholars Research Journal, 2012, 189-194
    [7] Wong C J, Matjafri M Z, Abdullah K, et al. Temporal and spatial air quality monitoring using internet surveillance camera and ALOS satellite image. In: Proceedings of the 2009 IEEE Aerospace Conference Proceedings. Big Sky, MT, USA: IEEE, 2009. 1-7
    [8] Zhang X, Liu M C. System and method for image quality enhancement by reducing the effects of air pollution and haze: US. US8204329, 2012
    [9] Yang W M, Chen X, Liao Q M. Air quality evaluation based on image defogging. Applied Mechanics and Materials, 2014, 513-517: 3077-3080 doi: 10.4028/www.scientific.net/AMM.513-517.3077
    [10] Yang W M, Chen X, Liao Q M. Air quality evaluation based on local normalized image contrast. Applied Mechanics and Materials, 2014, 511-512: 413-416 doi: 10.4028/www.scientific.net/AMM.511-512.413
    [11] Wang H, Yuan X, Wang X, et al. Real-time air quality estimation based on color image processing. In: Proceedings of the 2015 Visual Communications and Image Processing Conference. Singapore: IEEE, 2015. 326-329
    [12] Wong C J, Lim H S, Matjafri M Z, et al. Image data transfer over the internet protocol for air quality studies. In: Proceedings of the 2006 SPIE Defense and Security Symposium. Stockholm, Sweden: SPIE, 2006. 6233: 62330Z–62330Z-14
    [13] Saleh N M, Lim H S, Matjafri M Z, et al. Air quality derivation utilizing Landsat TM image over Penang, Malaysia. In: Proceedings of the Third International Conference on Recent Advances in Space Technologies. Istanbul, Turkey: IEEE, 2007. 259-263
    [14] Xu-Wen L I, Niu Z C, Wang J S, et al. Scene visibility retrieved from remotely sensed image and its correspondence with ground air quality monitoring data. Administration and Technique of Environmental Monitoring, 2011, 23(1): 20-27 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=hjjcglyjs201101005
    [15] Lim H S, Matjafri M Z. Retrieval of air quality information using image processing technique. In: Proceedings of the 2007 SPIE - The International Society for Optical Engineering. San Diego, USA: SPIE, 2007. 6541(107): 287-291
    [16] Zhan Y, Zhang R, Wu Q, et al. A new haze image database with detailed air quality information and a novel no-reference image quality assessment method for haze images. In: Proceedings of the 2016 IEEE International Conference on Acoustics, Speech and Signal Processing. Shanghai, China: IEEE, 2016. 1095-1099
    [17] Wong C J, Matjafri M Z, Abdullah K, et al. Using image processing technique for the studies on temporal development of air quality. In: Proceedings of the 2007 Conference on Computer Graphics, Imaging and Visualisation. Bangkok, Thailand: IEEE, 2007. 287-291
    [18] Feng C, Wang W, Tian Y, et al. Estimate air quality based on mobile crowd sensing and big data. In: Proceedings of the 18th International Symposium on A World of Wireless, Mobile and Multimedia Networks. Macau, China: IEEE, 2017. 1-9
    [19] Liu X, Song Z, Ngai E, et al. PM2.5 monitoring using images from smartphones in participatory sensing. In: Proceedings of the 2015 Computer Communications Workshops. Hong Kong, China: IEEE, 2015. 630-635
    [20] He K, Sun J, Tang X. Single image haze removal using dark channel prior. In: Proceedings of the 2009 IEEE Conference on Computer Vision and Pattern Recognition. Miami, USA: IEEE, 2009. 1956-1963
    [21] Chen X, Li Y, Li D. An efficient method for air quality evaluation via ANN-based image recognition. In: Proceedings of theSecond International Conference on Artificial Intelligence and Industrial Engineering. Beijing, China: AⅡE, 2016. 253-256
    [22] Pan Z, Yu H, Miao C, Leung C. Crowdsensing air quality with camera-enabled mobile devices. In: Proceedings of the Twenty-Ninth AAAI Conference on Innovative Applications. San Francisco, USA: AAAI, 2017. 4728-4733
    [23] Sekine Y, Katori R. Indoor air quality monitoring via it network colorimetric monitoring of formaldehyde in indoor environment using image transmission of mobile phone. In: Proceedings of the 2009 ICCAS-SICE. Fukuoka, Japan: ICCAS-SICE, 2009. 4041-4046
    [24] Liu L, Liu B, Huang H, et al. No-reference image quality assessment based on spatial and spectral entropies. Signal Processing Image Communication, 2014, 29(8): 856-863 doi: 10.1016/j.image.2014.06.006
    [25] Gabarda S, Cristóbal G, Goel N. Anisotropic blind image quality assessment: survey and analysis with current methods. Journal of Visual Communication and Image Representation, 2018, 52: 101-105 doi: 10.1016/j.jvcir.2018.02.008
    [26] 徐琳, 陈强, 汪青.色彩熵在图像质量评价中的应用.中国图象图形学报, 2015, 20(12): 1583-1592 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zgtxtxxb-a201512003

    Xu Lin, Chen Qiang, Wang Qing. Application of color entropy to image quality assessment. Journal of Image and Graphics, 2015, 20(12): 1583-1592 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zgtxtxxb-a201512003
    [27] Oliva A, Torralba A. Modeling the shape of the scene: A holistic representation of the spatial envelope. International Journal of Computer Vision, 2001, 42(3): 145-175 doi: 10.1023/A:1011139631724
    [28] Krizhevsky A, Sutskever I, Hinton G E. ImageNet classification with deep convolutional neural networks. In: Proceedings of the 2012 International Conference on Neural Information Processing Systems. Doha, Qatar: ICONIP, 2012. 1097-1105
  • 期刊类型引用(18)

    1. 翟漪璇,宋丽梅,贺瑾胜,朱新军. 低重叠率人体点云拼接方法研究. 应用激光. 2024(03): 204-213 . 百度学术
    2. 毕淳锴,张远辉,付铎. 基于多视角热像图序列的物体表面温度场重建. 计量学报. 2024(07): 997-1006 . 百度学术
    3. 王耀南,谢核,邓晶丹,毛建旭,李文龙,张辉. 智能制造测量机器人关键技术研究综述. 机械工程学报. 2024(16): 1-18 . 百度学术
    4. 梁循,李志莹,蒋洪迅. 基于图的点云研究综述. 计算机研究与发展. 2024(11): 2870-2896 . 百度学术
    5. 冯站银. 三维点云语义分割方法综述. 电视技术. 2023(03): 140-143+148 . 百度学术
    6. 李颀,郭梦媛. 基于深度学习的休眠期苹果树点云语义分割. 江苏农业学报. 2023(05): 1189-1198 . 百度学术
    7. 黄淞宣,李新春,刘玉珍. 邻域多维度特征点结合相关熵的点云配准. 激光与红外. 2023(08): 1163-1170 . 百度学术
    8. 单铉洋,孙战里,曾志刚. RFNet:用于三维点云分类的卷积神经网络. 自动化学报. 2023(11): 2350-2359 . 本站查看
    9. 马洁莹,田暄,翟庆,王丞. 基于点到面度量的多视角点云配准方法. 西安交通大学学报. 2022(06): 120-132 . 百度学术
    10. 杨宜林,李积英,王燕,俞永乾. 基于NDT和特征点检测的点云配准算法研究. 激光与光电子学进展. 2022(08): 198-204 . 百度学术
    11. 鲁斌,范晓明. 基于改进自适应k均值聚类的三维点云骨架提取的研究. 自动化学报. 2022(08): 1994-2006 . 本站查看
    12. 陈亚超,樊彦国,樊博文,禹定峰. 基于相对几何不变性的点云粗配准算法研究. 计算机工程与应用. 2022(24): 233-238 . 百度学术
    13. 庄仁诚,陈鹏,傅瑶,黄运华. 列车车轮三维结构光检测中的点云处理研究. 中国测试. 2021(02): 19-25 . 百度学术
    14. 沈小军,于忻乐,王远东,程林,王东升,陈佳. 变电站电力设备红外热像测温数据三维可视化方案. 高电压技术. 2021(02): 387-395 . 百度学术
    15. 杨贵强,李瑞,刘玉君,汪骥,周玉松. 最大相关熵的船体分段扫描数据配准算法. 中国造船. 2021(01): 183-191 . 百度学术
    16. 元沐南,李晓风,李皙茹,许金林. 基于压缩感知的三维足型重建平台. 电子测量技术. 2020(09): 94-98 . 百度学术
    17. 林伟,孙殿柱,李延瑞,沈江华. 复杂型面约束的点云配准序列确定方法. 小型微型计算机系统. 2020(09): 2012-2016 . 百度学术
    18. 黄思捷,梁正友,孙宇,李轩昂. 单Kinect+圆盒的多视角三维点云配准方法研究. 现代计算机. 2020(31): 38-45 . 百度学术

    其他类型引用(17)

  • 加载中
  • 图(14) / 表(9)
    计量
    • 文章访问数:  1616
    • HTML全文浏览量:  533
    • PDF下载量:  319
    • 被引次数: 35
    出版历程
    • 收稿日期:  2018-01-17
    • 录用日期:  2018-07-02
    • 刊出日期:  2020-11-24

    目录

    /

    返回文章
    返回