一种基于 SVMD 去噪与时空特征融合的多传感器永磁同步电机故障诊断混合深度学习框架

《Sensors》：A Hybrid Deep Learning Framework for Multi-Sensor PMSM Fault Diagnosis Based on SVMD Denoising and Spatiotemporal Feature Fusion

　　

摘要

在复杂的多人场景中，跌倒检测面临着视觉遮挡和尺度变化的挑战。为解决这些问题，本文提出了 MTC-DETR，这是一种端到端的多任务协同检测框架。在特征提取骨干网络之后，MTC-DETR 构建了一个动态尺度路由与任务调优编码器以适应尺度变化，该编码器集成了用于尺度内长程特征增强的可变形大核注意力，以及用于自适应多尺度聚合和特定任务特征校准的动态跨尺度融合与任务感知分发。然后，设计了一个拓扑引导双分支解码器用于目标检测和关键点检测。拓扑引导局部 - 全局协同注意力通过多跳图卷积重建被遮挡的关键点，跨分支姿态先验引导对象检测分支中的可变形交叉注意力采样，以增强定位鲁棒性。最后，引入同方差不确定性动态联合损失以解决多任务优化过程中的梯度冲突。实验结果表明，MTC-DETR 在 CAUCAFall、DiverseFall10500 和 MT-Fall 数据集上分别取得了 92.7%、88.9% 和 90.4% 的 mAP@0.5 分数。所提出的框架优于 14 种最先进的方法，证明了其在现实世界跌倒检测应用中的鲁棒性和潜力。该模型已部署在乐聚夸沃 5 机器人上。部署实验结果表明，该模型在边缘计算平台上实现了 44.2 FPS (INT8) 的推理速度，满足了跌倒检测的实时性要求。