独立学院电气工程及其自动化实践教学探索

实践教学是培养学生实践能力、创新能力和综合能力的关键环节,对于增强学生的综合能力以及社会适应力都有重要作用。独立学院作为应用型人才的培养基地,发挥实践教学的作用显得尤为重要。该文总结广州大学松田学院现行实践教学中存在的主要问题,逐步分析问题形成的原因,在此基础上结合电气工程及其自动化专业本身特点,在实验教学、毕业论文等多个方面提出新的改革方式,进而开展多层次、多渠道的实践教学改革,对促进独立学院教学工作具有重要意义。

基于深度学习的序列交通图像去雾方法

受大气散射影响,序列交通图像的细节特征损失较大,图像像素较低,为此提出基于深度学习的序列交通图像去雾方法。根据雾化图像表达式和相同大气密度下光线载体传输图定义式,构建大气散射模型,运用该模型获取图像特征序列。利用深度学习自编码网络中的网络层,建立输出定义式与特征损失函数式,在样本中引入图像特征序列,得到特征块序列,依据雾特征图和散射率的非线性映射关系获取散射率图。采用修正函数调整卷积层输出像素值为正,将局部块代入自编码网络,并添加特征块序列至卷积神经网络的输入层,对输出的散射率图进行导向滤波处理,实现序列图像雾特征的去除。仿真结果表明,去雾后图像的细节特征更加突出,大幅度提升了图像的对比度。

深度学习在模式识别中的应用

本文首先对机器学习和模式识别下了定义,强调它们之间的主要区别位研究的核心问题不同,机器学习研究重点是在于模型上,模式识别的研究重点是在于输入数据上。然后介绍了机器学习中的深度学习的研究方法,并应用在模式识别的任务上,获得良好的结果。

轻量化卷积神经网络技术综述

卷积神经网络(CNN)以其高准确率、适应性强等特点,在机器学习领域上具有得天独厚的优势,发展非常迅猛,准确率不断提升,代价就是网络无论在模型大小还是计算数量上,都达到令人难以接受的程度,直接导致了卷积神经网络智能停留在实验室中的困境。轻量化卷积神经网络是在卷积神经网络的基础上,通过各种方法降低其模型大小和计算数量,使其可以在移动设备中运用。本文首先通过文献阅读法与对比分析法,阐述了传统CNN网络的限制,针对传统CNN网络臃肿的问题,针对性地对现有的几种轻量化卷积神经网络进行详细的介绍分析,通过归纳总结,最后得出了出自构建形轻量化卷积神经网络的构建原则,对需要在移动设备构建CNN网络的应用场景提供一定的指引方向。

基于轻量化的卷积神经网络技术研究现状

卷积神经网络(CNN)以其高准确率、适应性强等特点,在机器学习领域上具有得天独厚的优势,发展非常迅猛,准确率不断提升,代价就是网络无论在模型大小还是计算数量上,都达到令人难以接受的程度,直接导致了卷积神经网络智能停留在实验室中的困境。轻量化卷积神经网络是在卷积神经网络的基础上,通过各种方法降低其模型大小和计算数量,使其可以在移动设备中运用。本文首先通过文献阅读法与对比分析法,阐述了传统CNN网络的限制,针对传统CNN网络臃肿的问题,针对性地对现有的几种轻量化卷积神经网络进行详细的介绍分析,通过归纳总结,最后得出了出自构建形轻量化卷积神经网络的构建原则,对需要在移动设备构建CNN网络的应用场景提供一定的指引方向。

四轴飞行器的建模与仿真分析

四轴飞行器具有可以垂直升降、任意角度灵活移动等特点,并且可以在其机身上搭载不同的器件,如摄像头、机械手臂等进行功能拓展。现在理想条件下建立了四轴飞行器的动力学模型,从飞行位置和飞行姿态方面反解四轴电机的实际转速,并通过PD算法控制提高飞行器控制速率,使用Matlab软件对其进行了仿真。仿真结果表明,该四轴飞行器在理想状态下能达到精确控制的效果。

一种改进型的Canny边缘检测算法

针对传统Canny边缘检测算法中固定双阈值的问题,本文提出一种改进的Canny算法,运用动态双阈值代替传统Canny算法固定双阈值,在不损失边缘图像准确度和清晰度的前提下,大大减少了边缘数据量。仿真结果表明改进Canny算法对于边缘检测效果较好,数据量较小,是一种具有实用价值的边缘检测算法。

基于霍夫变换与最小二乘法的车道线检测方法

基于传统图像处理方法,利用图像预处理、ROI分割、霍夫变换和最小二乘法等技术进行车道线检测。对图像进行预处理,图像预处理包括对图像二值化;然后通过高斯滤波对图像进行边缘检测。为提高执行效率和和提高准确性,使用15°俯视角度下显现的ROI区域进行检测,并利用霍夫变换检测车道线。通过设置阈值和参数调整,得到车道线的峰值点,并使用最小二乘法拟合直线。在图像中绘制检测结果,包括车道线和霍夫变换峰值点。使用该方法,对高速道路、城市道路、省道等3种路线上的5个实验组进行实验,其中高速道路和省道的准确率分别为95%、98%,城市道路的准确率为75%。结果表明:所提方法在特定环境下能够较为有效地检测车道线,具有较好的鲁棒性和准确性。

基于亮度均衡化和仿射变换的交通标志图像修复研究

自动驾驶技术是当前人工智能的研究热点,其中交通标志的正确识别是机器的重要判断依据,但是在自然场景中交通标志图像具有颜色偏差、形状变形、遮挡等一系列问题,导致识别不准确。对于这个问题,提出了亮度均衡化和仿射变化的方法,首先采用HSV颜色空间,提取对应的颜色,再针对亮度信息进行直方图均衡化方法,解决颜色偏差问题,随后使用仿射变换,分别对三角形和圆形的图像进行形状的矫正,并实现背景的去除。实验部分采用占用机器资源较低的HOG+SVM检测方法进行检测,结果表明,和传统的方法相比,该方法在识别率上有20%左右的提升。由此证明,对交通标志图像进行有针对性的修复,对于识别率的提高有着比较大的意义,因为其占用机器资源较低,也给当前深度学习等占用机器资源较多的交通标志识别方法提供了新的思路。

自适应冲击滤波图像可逆信息隐藏方法仿真

针对当前相关研究成果可嵌入容量低,且解决图像失真等问题,提出基于IPVO-k的自适应冲击滤波图像可逆信息隐藏方法。首先通过自适应冲击滤波图像预处理,减少图像边缘的扩散情况,并提高图像清晰化程度。同时分别通过图像预测、像素块选取、嵌入操作和提取操作完成图像可逆信息隐藏和提取。计算获取像素之间水平方向、垂直方向、对角线以及反对角线四个不同方向上梯度,基于梯度趋势识别获取预测值。然后考虑到要在预测误差相对小时开展嵌入操作,选取平滑块当作待嵌入块,并将待嵌入块在不同嵌入规则下进行嵌入操作。最后,通过嵌入的逆过程实现信息的提取,完成自适应冲击滤波图像可逆信息隐藏。通过实验验证,结果显示所提方法可有效控制图像失真情况,且可嵌入容量占据了显著性优势,图像处理准取率较高,是一种可靠性很强的可逆信息隐藏方法。

压缩神经网络在交通标志识别上的应用

概述随着计算机技术与人工智能技术的飞速发展,深度学习技术在各行各业中有着越来越广泛的应用,尤其是图像、语音信号识别等领域上,更是技术上的首选。其中一项重要应用技术就是深度神经网络,网络识别的能力与网络的层数有着密切的联系,在一定的范围内,随着网络层数的增加,模型的识别能力会得到加强。

自纠正智能人体工学椅的研发设计

随着社会经济的发展,人们的生活水平不断提高,生活节奏不断加快,人们对身体健康也越来越重视。与此同时,更多的人需要久坐完成工作学习,对于人们来说,一把舒适度高及功能丰富的椅子格外重要。因此,文章自主研发了一款自纠正智能人体工学椅,是基于单片机、触摸屏、语音模块、蓝牙控制系统和人体工学结合设计的一款智能座椅,区别于当下市场上在售的手动调节型人体工学椅,此款创新智能座椅不仅满足现代科技在高品质生活方面的发展需求,还突破了现有单一手动控制产品的束缚,能够在用户操作便捷、使用灵活的前提下实现座椅控制自由。

新工科背景下基于OBE理念的创新应用型人才培养的研究

新工业革命的发展和创新型国家战略的实施促使全国各大院校重新探索应用型人才培养路径。基于OBE教育理念,从传统的学科导向转变为目标导向,结合政府、用人单位、行业企业以及应用型本科院校的教育特色协同育人,通过多方调研构建以社会需求为目标的人才培养目标、分解成对应的毕业要求,建立起课程支撑矩阵、不断改进教学过程、质量评价体系评价课程设置是否合理,培养目标是否达成,不断持续改进,调整优化培养目标。力求解决传统培养中实践教学课程单一,生产与教学相对脱节等问题。为应用型本科院校产教融合人才培养模式的创新升级提供解决方案。