基于YOLOv3的公共场所口罩佩戴检测方法

针对公共场所人群口罩佩戴检测小尺度目标较多导致其检测精度不高的问题,本文改进YOLOv3的特征金字塔结构,利用跳跃连接和包含通道注意力的位置特征增强模块LFE,将低层特征图的丰富位置信息传递到中层和高层特征图中,加强了对小目标的识别,并使用CIoU损失函数进行边框回归,提高了算法定位精度。除佩戴和未佩戴口罩外,也对不规范佩戴口罩进行检测。实验结果表明,改进后的YOLOv3算法在自制的口罩佩戴数据集上mAP达到86.96%,较YOLOv3算法提高了3.30个百分点,该结果也同样优于Faster R-CNN、SSD300、DSSD321和YOLOv4等主流算法,且算法检测速度达到39.2 frame/s,相比YOLOv3仅下降2.2 frame/s,仍满足实时检测要求。

一种基于STI-YOLO的锌花背景干扰下带钢表面缺陷检测方法

针对有花镀层钢板表面缺陷检测过程中由于锌花底纹干扰导致缺陷识别率低的问题,提出一种以目标检测算法YOLOv5s为基础并通过引入通道注意力机制和金字塔卷积网络的Spangles Texture Interference-YOLO(STI-YOLO)算法模型.根据缺陷数据集重新聚类,优化先验框;在特征融合网络PANet之前引入通道注意力机制SENet,抑制锌花背景的干扰;在预测网络之前添加金字塔卷积网络,取得更加丰富的上下文特征.实验结果表明,STI-YOLO模型提升了带钢表面缺陷的检测精度,平均精度均值mAP达到了95.79%,较YOLOv3、YOLOv4和YOLOv5s算法分别提高了13.13个百分点、14.59个百分点和2.07个百分点.检测速度为54.14 frame/s,满足实时性要求,可见STI-YOLO模型具有较好的检测性能.

基于SSM框架的高校学生平时成绩管理系统的设计与实现

目前很多高校的学生平时成绩管理都是靠手工进行,大量的成绩信息需要通过教师手工录入和统计,这种管理手段存在查询速度慢和容易出错的缺点,已经不能适应时代的发展,因此高校应用一套完善的高校学生平时成绩管理系统是很有必要的。本系统基于Bootstrap框架和SSM框架实现,以高校教师和学生对平时成绩管理的功能需求为出发点,共设置了管理员、教师、教研室主任和学生四个角色,设计了一款基于Web端的操作简单、界面简洁、实用的高校学生平时成绩管理系统。

基于Mask-YOLO的复杂场景口罩佩戴检测

针对公共场所口罩佩戴检测存在遮挡、密集和小尺度的情况而导致检测精度不高的问题,以实时目标检测算法YOLOv3为基础提出一种Mask-YOLO算法。首先在特征融合过程中引入通道注意力机制以突出重要特征,减少了融合后冗余特征的影响,有效提高了特征利用率;然后以完全交并比(complete intersection over union,CIoU)损失代替均方差损失(mean square error,MSE)作为边框回归的损失函数,提高了定位精度;最后除了检测佩戴和未佩戴口罩的情况外,还对不正确佩戴口罩的情况进行了检测。实验结果表明:与YOLOv3算法相比,Mask-YOLO算法在每秒帧率(frame per second,FPS)仅下降1%的情况下使平均精度均值(mean average precision,mAP)提高了4.78%。与其他主流的目标检测算法相比,Mask-YOLO算法在复杂场景下对口罩佩戴检测也有更好的效果和鲁棒性。

一种基于SSA-BRF的网络入侵检测方法

针对随机森林(random forest,RF)超参数的选择会对RF的分类结果产生较大影响的问题,提出一种基于麻雀搜索算法(sparrow search algorithm,SSA)的RF超参数寻优方法,利用该方法帮助RF寻找一组优秀的超参数.并针对RF较难准确识别出少数类数据的问题,利用平衡随机森林(balanced random forest,BRF)来提高模型对少数类的召回率.综合SSA和BRF构建SSA-BRF模型,并在CIC-IDS-2017数据集对模型的分类效果进行验证.实验结果表明,SSA-BRF相较于RF在准确率、宏召回率和宏F 1分数上分别提升了9.57%、26.62%和0.17,该模型在一定程度上可以提高网络入侵检测系统的性能.