基于改进U-net网络模型的煤矸识别方法

煤炭使用需要历经煤炭开采、煤矸识别(排矸)以及矸石处理,而目前唯一没有被自动化替代的环节就是煤矸识别。传统的排矸方法一般会采用人工排矸、风力排矸、激光检测排矸、声波排矸等等方式,这些方法有很多弊端,例如湿式排矸对水、土壤等环境造成破坏,人工排矸易引发危险事故,对人体有一定的危害[1-2]。因此,煤矸识别(排矸)作为采煤自动化的关键,一直是一个扼要解决的问题。近年来,机器视觉推动煤矸识别方向转移到煤矸图像的识别。

基于U-Net网络改进的混凝土裂缝检测方法

针对混凝土复杂背景下细小裂缝漏检和误检的问题,提出基于U-Net网络改进的混凝土裂缝检测方法。首先,将空洞卷积与普通卷积构成并联卷积模块,融合双重尺度特征使解码器更好地恢复原图信息。其次,在并联卷积模块中引入挤压与激励网络(Squeeze-and-Excitation Networks,SENet)结构,强化重要特征通道,弱化无用特征通道。最后使用二元交叉熵作为损失函数,以精确率、召回率和F1值作为评价指标。实验结果表明,该方法精确率提高了2.43%、召回率提高了4.24%、F1提高了3.36%,能够满足各种混凝土裂缝分割的需求。

提升农村小学数学学困生学习能力的探究

＂数学学困生＂是由非智力因素造成的,是可以转化的。在每天40分钟的数学课堂里,通过＂优先提问＂＂深度讲解＂＂变式提问＂等方式培养他们的思维能力,通过＂及时指导＂＂跟踪批改＂＂专题训练＂扫清他们的作业障碍,通过＂流动指导＂＂定题指导＂在考试中建立信心。最终提高课堂效率,提升学生学习能力。

基于改进EfficientNet的中草药识别技术

为了实现种类繁多的中草药识别,提升中草药识别效率,朝着快速、便捷、高效的方向发展,提出了改进Efficientnet卷积神经网络的中草药识别技术。首先选用EfficientNet-b0作为中草药特征提取网络,删减网络结构,并加入RFB模块和CBAM注意力机制,最后结合微信小程序,实现中草药在线识别技术。改进后的EfficientNet-b0相比于原网络,准确率从96.83%提升至97.31%。研究结果表明,该方法有助于中草药识别朝着更快、更准确的方法发展,并且结合微信小程序,实现了随走随用,方便检测。

基于改进YOLOv4网络的轻量化交通标志检测模型

针对在嵌入式车载交通标志识别系统对检测模型的大小以及实时性有着较高的要求,在基于原有YOLOv4的网络架构上,提出一种改进后的目标检测网络Mobilenetv2-YOLOv4-SAP。Mobilenetv2-YOLOv4-SAP通过使用轻量级卷积神经网络Mobilenev2对原YOLOv4网络的特征提取网络CSPDarknet53进行替换融合以及引入注意力机制SAP模块解决多通道池化层的信息冗余问题,从而在减少网络模型参数量和计算量的同时,保持较高的检测精度。通过实验表明,改进后的网络模型在Kaggle Road sign detection比赛数据集上的平均检测精度上达到了95.94%较原YOLOv4网络提升了0.34%,该网络模型的大小为48.97MB,仅为原YOLOv4模型大小的20%,且检测速率FPS达到了61帧/秒,相比于原YOLOv4网络模型提升了265%。