面向智慧生物实验室的弱外观多目标轻量级跟踪网络

基于监控视频的弱外观多目标跟踪是建设智慧生物实验室的一个重要内容。但是,由于遮挡、目标外观差别细微等因素的影响,容易出现漏检、误检等问题,导致跟踪失败。此外,基于深度学习的相关算法需要大量的计算量,在嵌入式平台上难以达到实时性。因此,本文提出了一种新的轻量级多目标跟踪算法,以YOLOv3作为基础目标检测网络,提出基于归一化层权重评价的层剪枝算法压缩检测网络计算量,以提高该算法在嵌入式平台上的运算速率。同时,基于已有的跟踪结果,对当前帧检测结果进行校正,实现对漏检目标的补偿校正,用于提高检测的准确性。最后利用卷积神经网络来提取目标特征,融合目标特征及候选框与预测框间的交并补(Intersection-over-union,IoU),进行数据关联。实验结果表明,本文提出的轻量级多目标跟踪算法与已有的多目标跟踪算法相比取得了较好的跟踪结果,且在仅损失较少精度的情况下保持较高的网络压缩率,适于嵌入式平台前端实现。

基于轻量级网络的人脸检测及嵌入式实现

尽管基于卷积神经网络(CNN)的人脸检测器在精度上已经有了很大提升,但所需的计算量和模型复杂度越来越高,如何在计算能力有限的嵌入式设备上应用人脸检测模型是一个很大的挑战。针对320×240分辨率输入图像的人脸检测在嵌入式系统上的应用问题,提出了一种基于轻量级网络的低分辨率人脸检测算法。该算法使用注意力机制、结合了Distance-IoU (DIoU)与非极大值抑制(NMS)、使用Mish激活函数,同时针对人脸特征比例设置合适的先验框,实现了精度和速度的平衡,并部署到嵌入式平台中。具体地,用深度可分离卷积替代普通卷积,并在卷积块后加入注意力模块(CBAM),使网络更关注待识别的目标物体;代替ReLU激活函数,采用了Mish激活函数来提高模型推理速度;通过结合DIoU与NMS,提高模型对小人脸的检测能力。实验在WIDERFACE数据集的结果证明,该方法不仅能实时高精度地进行人脸检测,而且在小分辨率输入上,精度高于传统算法。扩充数据集之后,模型在复杂光照下的泛化性得到提高。

风电项目建设过程中电气工程施工质量控制分析

电能是当前社会发展中不可缺少的重要能源,随着化石能源不断减少,利用风能、太阳能等可再生能源生产电能的方式逐渐受到重视。本文对风电项目建设过程进行分析,重点研究其中电气工程施工质量控制方式。通过研究了解工程施工过程中的影响因素,尝试提出相应的质量控制措施,不断加强工程质量控制力度,保障工程建设效果,提升风电项目建设质量。