面向煤矿井下作业场景的安全帽佩戴识别算法

为提高煤矿井下作业场景的工人安全帽佩戴识别准确度,提出一种人体姿态分析的安全帽佩戴识别算法和机器视觉系统优化方法。首先,选择单步多框目标检测(SSD)作为多目标识别的基础模型,利用网络压缩模型(SqueezeNet)削减改进模型参数,以形成高效的识别模型,在提高对工人安全帽的识别准确度的同时,维持识别准确度与计算速度之间的平衡;然后,引入多人姿态估计算法,定位每个工人的人体关节点,判断工人的复杂行为状态;最后,基于多目标识别与多人姿态估计的融合模型,提取目标人员的上肢关节点,结合其与安全帽包围框的空间拓扑结构关系,判定安全帽的佩戴情况,选取3000条图像数据验证所提方法的有效性。结果表明:机器视觉系统优化方法能优化硬、软件配置,提高系统性能。该方法识别准确度达到91.1%,明显优于最新的安全帽佩戴识别算法,能够满足煤矿井下作业的工人安全帽佩戴识别准确度要求。

低成本MEMS惯性器件行人运动模式识别算法

针对行人正常行走、上楼、下楼等常见运动模式识别的问题,提出了一种低成本的足部MEMS惯性器件运动模式识别算法。首先,根据MEMS惯性器件的安装关系和实际采集的数据,分析了不同运动模式下的加速度计和陀螺仪的输出特征,然后,选取x轴方向的加速度计和y轴方向的陀螺仪输出的数据,利用输出波峰波谷的先后逻辑顺序,识别正常行走、上楼、下楼3种常见的行人运动模式,最后,对4名实验人员采集的10组数据进行分析。结果表明:采用该方法,正常行走状态识别的平均成功率可达到100%,上楼状态识别的平均成功率达到97.25%以上,下楼状态识别的平均成功率达到98.99%以上。从而验证了该方法的有效性。

基于三轴加速度计对阈值跌倒识别算法的优化

随着社会人口老龄化程度的不断提高,越来越多的人开始关注老年群体的身心健康。老年群体平衡能力较弱、反应较迟钝,失去平衡做出自我调整反应能力弱,非常容易出现意外摔跌的情况。市面上有三类跌倒检测装置[1]:基于视频监控的跌倒检测、基于声学的跌倒检测以及基于传感器的跌倒检测。前两种检测方法受制于环境场景,而现有的传感器检测方法对于跌倒判定准确性不高。本文通过真人多次跌倒实验获得跌倒数据,对数据多角度进行特征提取和分析,选取有价值的判断标准实现算法,最后通过实验验证该算法优于已有的跌倒识别算法。

基于路测图像与改进ResNet50网络的自动驾驶场景天气识别算法

为了充分利用自动驾驶汽车路测图像数据,增加行驶过程中对天气情况识别的准确性,提出了一种基于改进ResNet50网络的自动驾驶场景天气识别算法。该算法将SE模块与ResNet50网络相结合,通过在ResNet50网络4组模块内加入SE模块,以便更好地拟合通道间复杂的鲁棒性。基于自动驾驶汽车路测图像数据对所提算法进行Python编程实现,结果表明:SE模块的加入能够增加算法的鲁棒性和准确性,提高了自动驾驶的天气识别精度。

VOC危险化学品泄漏光谱视频识别算法研究

针对挥发性有机物(Volatile Organic Compounds, VOCs)气体特征微弱、视觉显著性差、形态多变等难题,本文基于时-空-频联合去噪、多模态视差匹配模型,提出了一种高精度气体泄漏光谱视频识别算法。通过挖掘时-空-谱高维数据的本征信息来实现VOC气体的高精度识别,并利用多模块级联联合优化将传统方法的可解释性与深度学习的强大表征能力有机结合。最后,通过与国际先进气体监测设备森西亚和锐百凌进行同等条件的对比,可知所提出的气体泄漏成像方法对于低浓度的甲烷气体识别准确率提升了46.25%,误报降低至原来的1/3,验证了所提算法的有效性和可行性,为石化行业危险化学品泄漏监测提供了有力保障。

面向多类型干扰的验证码目标识别算法研究

验证码是一种用来区分计算机与人类的技术,以避免出现自动化程序自动注册、登录、恶意投票、恶意尝试密码等安全问题。而验证码识别技术研究可以使人们及时发现和改正验证码的缺点,对加强网络安全性有着重要的意义。通过对验证码识别算法的研究,设计了验证码识别系统,分别以模板匹配、Hu不变矩和深度学习3种算法对验证码图像进行处理识别,最终对带有多类型干扰的验证码分别得到识别结果。结果表明,前2种验证码算法的识别准确率分别为60.3%、66.0%,而基于深度学习算法中2种形式的识别准确率分别为87.7%和95.58%,尤其在线干扰和混合干扰等复杂干扰方面,识别准确率的提高尤为突出,表现出深度学习算法应用于多类型干扰验证码识别的可行性。

基于LSTM预测误差的轨道交通弓网接触力异常识别算法

[目的]接触力是轨道交通弓网综合检测的重要内容,也是弓网系统性能的重要评价因素,但在检测过程中常受到外部环境的影响而出现异常检测数据。目前针对弓网接触力异常检测数据的剔除主要依赖于人工,影响数据分析效率,因此需深入研究弓网接触力异常识别算法。[方法]梳理了弓网接触力常见的异常形式,分析了不同异常形式下接触力检测数据的特征。提出了一种基于LSTM(长短期记忆网络)预测误差的弓网接触力异常识别算法,通过使用正常的接触力数据训练LSTM模型,使该模型能够对接触力变化趋势进行预测。为实现正常区段与异常点的精确划分,使用基于置信区间的异常检测数据识别方法。为降低长距离异常数据对LSTM模型预测效果的影响,提出了一种基于预测值置换的异常数据处理方式。通过高速综合检测列车测得的真实检测数据,分别对三种常见异常形式的弓网接触力识别效果进行验证。[结果及结论]提出的算法能够较好地实现对弓网接触力异常的识别。

基于图像目标识别算法的车位识别系统研究

随着社会经济的迅猛发展,我国私人汽车保有量逐年提高,停车位的供给已无法满足人们的需求。为解决当前小城市及欠发达地区停车场空余车位信息无法获取这一问题,通过采用无人机飞行器搭载倾斜摄影技术来捕获停车相关信息,基于Paddle Detection的图像目标识别算法建立FairMOT模型,最后借助多终端服务系统发布实时数据,实现空余车位识别,提高车位识别的精确率和出行效率。

基于深度学习的雷达目标识别算法评估系统设计

在雷达成像装备试验中,传统真实场景测试方法构建难度大、场景有限、试验风险高,急需解决目标识别算法测试不充分、评估不全面的问题本文针对现有问题设计了一套目标识别算法测试系统,可提供合成孔径雷达图像和逆合成孔径雷达图像的处理、标注以及目标识别算法的自动运行、环境配置、性能评估等功能。相较于传统的试验方法,该系统具备成本低、试验时间短、可控性强、可扩展等优点。

基于机器视觉技术的自动电器设备检测与识别算法研究

本研究旨在探索基于机器视觉技术的自动电器设备检测与识别算法,以提高电器设备的监测和管理效率。我们将深入研究机器视觉的基本原理,包括图像处理、特征提取和深度学习技术,以及目标检测和图像分类算法。同时,我们将关注数据采集和预处理的关键步骤,以确保算法的准确性和鲁棒性。此外,我们将提出改进和优化方法,以应对电器设备多样性和复杂性带来的挑战。最后,我们将讨论算法在实际应用场景中的潜在用途,并展望未来的发展趋势。通过本研究,我们期望为电器设备的自动检测与识别领域提供新的见解,为提高设备监测和维护的效率做出贡献。

改进YOLOv5s的清洁船水面漂浮垃圾识别算法

为解决水上漂浮垃圾种类繁多、移动端算力有限、现有识别模型较复杂等原因导致的水上清洁船识别垃圾精度低、速度慢等问题,提出一种基于YOLOv5s(you only look once version5 small)网络模型的水上漂浮垃圾识别算法。该算法采用K-means聚类算法调整边界框比例,提高检测精度;以渐进式学习方式EfficientNetv2模型替代YOLOv5s的主干部分,融合高效通道注意力(efficient channel attention,ECA)机制,减少模型复杂度,提高检测速度,同时增强模型的特征提取能力;引入平衡因子φ和归一化高斯Wasserstein距离(normalized Gaussian Wasserstein distance,NWD)度量对YOLOv5s的损失函数优化,降低模型对水上远距离漂浮垃圾的检测敏感性。自制数据集的测试实验结果显示,改进算法的mAP比YOLOv5s算法提高2.2%,模型的参数量下降20.34%,检测速度提高30.84%,表明改进算法具有优越性。

基于STM32的矩阵键盘识别算法研究与实现

矩阵键盘作为电子设备和仪器装置的人机交互重要媒介,针对数字密码锁、临时存取柜、电梯控制器等多按键应用场景的实际需求,本文采用STM32F103C8作为主控器,详细介绍了以行列扫描法、行列线反法识别5×4(5行4列)矩阵键盘的优化算法,并提出了以16位并行端口I2C扩展器PCA9555a为纽带的矩阵键盘识别方法。实验结果表明,本文识别方法稳定可靠、简洁清晰、通用性好以及效率更高,能够有效满足相关应用场景中对多按键识别的实际应用需求。

基于主星对的星图识别算法

星图识别是星敏感器确定卫星姿态的关键技术。在传统三角形识别算法的基础上 ,将星图中最亮的两颗星作为主星对 ,其它星作为辅助导航星 ,引入星对相对星等差信息 ,通过对主星对的识别提高识别速度 ,采用以主星对为公共边的多三角形模式匹配提高识别精度。并提出了一种将星对表拟合成曲线函数实现快速角距匹配的方法。

分子中芳香性自动识别算法

以图论为基础,从化合物的二维连接表出发,在环识别算法的约束下,对分子中的节点进行判断．结果表明,该算法能够识别大多数化合物中的芳香性．作为约束条件,把芳香性的识别算法应用于ＥＳＥＳＯＣ系统中结构的穷举生成,得到了较好的结果．

基于深度学习的变电设备缺陷检测与识别算法研究

提出了一种基于深度学习的变电设备缺陷检测与识别算法。针对变电站环境下采集图像质量差的问题,首先采用生成对抗网络进行预处理以改善图像质量。随后采用改进的单阶段目标检测算法用于检测与识别变电设备的缺陷。结果表明,所提算法在缺陷识别精度和效率方面显著提升,为智能化变电站的监控与维护提供了有效的技术支持。

基于深度学习的无线电信号调制方式识别算法研究

供电费控联动装置控制系统是包括继电器驱动电路、与控制输出端相连的继电器、被控负载回路、与控制输入端相连的中央控制单元。以上控制单元在信号监测与传输中,存在一定缺陷,难以有效识别无线电信号调制方式。本文基于深度学习提出基于Transformer网络的无线电信号调制方式识别模型,以提高信号调制方式的识别精度。仿真结果表明:采用RML2016.10a数据集进行测试,当信噪比为+5dB时,Transformer网络的预测精度比CNN2提高11.98%,比CLDNN提高11.45%,比LSTM模型提高4.1倍,证明Transformer网络具有较优的无线电信号调制方式识别性能。

基于深度学习的中文命名实体边界识别算法

为了解决中文命名实体边界识别产生歧义和识别不准确的问题,提出了基于深度学习的中文命名实体边界识别算法。对以“字”和“词”的中文实体边界识别方法存在的缺陷进行分析,根据句子中命名实体的位置编码原理,对每个命名实体的首尾位置添加标签,以划分每个实体的边界,同时用标签表示命名实体之间的关系,提出了基于位置标注的中文命名实体识别的词汇信息融合方法,并引入注意力机制对词汇信息融合模块进行改进。利用深度学习的优势,将深度学习与词汇信息融合相结合,构建基于深度学习的中文命名实体词汇信息融合模型和基于深度学习的中文命名实体边界识别算法。该算法在Resume等数据集上进行对比实验和消融实验,查准率为95.94%,查全率为96.46%,F1值为96.58%。实验结果表明,该算法与Lattice等算法相比,准确率、查准率、F1值分别提高了1.13%、2.35%、2.12%。该算法在解决目前中文命名实体识别存在的边界识别不准确和存在歧义的问题上更优。

基于本地数据特征的无人机巡检缺陷图像识别算法分析

阐述缺陷图像识别算法的现状与分类、本地数据特征在图像识别中的应用、常用图像特征提取方法。结合本地数据特征提取方法,设计算法框架,实现识别无人机巡检缺陷图像。

智能识别算法驱动下的配网台变全景监测系统设计研究

设计一种智能识别算法驱动的配网台变全景监测系统,以弥补现有系统在数据监测、故障检测等方面的不足。通过硬件升级和算法优化,构建一套高效、可靠、可扩展的监测系统。采用YOLO(You Only Look Once)和长短时记忆网络(Long Short-Term Memory,LSTM)联合算法,分别用于设备状态检测与时间序列分析。结果表明,该系统在数据采集准确率、数据传输延迟、异常检测准确率及系统响应时间等方面均优于现有标准。

一种基于多仪表的快速匹配识别算法

为解决工业机器人实际巡检中无法绑定多仪表目标问题,本文提出了基于图像匹配的多仪表工业巡检算法。针对工业场景中指针式仪表识别,提出了基于deeplabv3+的图像分割算法,通过对指针式仪表表盘进行像素分割,提取指针与刻度线位置,结合角度法计算仪表读数,提供给巡检人员。实验结果表明,该方法能够有效减少人工接触,提高工业多仪表巡检效率及指针式仪表读数识别准确率。