基于改进EfficientDet的雪豹红外相机图像检测方法

针对红外相机图像中雪豹存在难检测、难辨认等问题,提出了一个基于域迁移和新型注意力机制的EfficientDet雪豹检测算法。该算法首先采用图像增强来扩充训练样本提高模型的鲁棒性,并添加非雪豹图像优化数据集结构;其次,使用生成式对抗网络对夜间红外灰度图像进行域迁移,融合图像迁移前后的预测结果解决夜间红外图像目标识别能力弱的问题;最后通过在主干特征提取网络中加入注意力机制细化特征图来提高RGB和红外图像中雪豹的视觉显著性,并且改进特征融合网络结构整合更多有效信息。分析对比实验和消融实验的结果表明,该方法相比Faster-RCNN、YOLOv3和SSD的检测速度和精度更好,改进后的算法平均精确度为97.4%且检测速度可达19张/s,该检测模型更适合定位识别雪豹RGB与红外图像。

基于多编码器的多模态MRI脑肿瘤分割

脑胶质瘤是起源于脑神经胶质细胞的原发性肿瘤,发病率约占全部颅内肿瘤的45%,其核磁共振图像(MRI)的精准分割有着非常重要的临床意义。文中提出了一种基于多编码器的脑肿瘤自动分割方法,模型采用U型网络结构,扩充单收缩路径为多路径以深度挖掘不同模态语义信息;提出结合空洞卷积的Inception模块作为网络基础卷积层以获取图像多尺度特征;在网络瓶颈层和解码器中引入轻量型通道注意力Efficient Channel Attention(ECA)模块,使得模型更多地关注与分割相关的信息,忽略通道维度的信息冗余,从而进一步提高网络分割的精确率。在Brain Tumor Segmentation Challenge 2018(BraTS 2018)数据集上进行验证,提出的网络在整体肿瘤、肿瘤核心、增强肿瘤3个区域的平均Dice系数分别为0.880,0.784,0.757,结果表明所提算法实现了准确有效的多模态MRI脑肿瘤分割。

基于改进EfficientNet的木材识别研究

木材是一种常见的可再生资源,不同品种的木材有着不同的用途和商业价值。传统的木材分类工作主要依靠人工完成,工作效率较低。为提高木材识别效率,提出一种基于改进EfficientNet的木材识别方法。该方法以EfficientNet作为基准模型,采用大核注意力模块代替部分移动翻转瓶颈卷积(Mobile Inverted Bottleneck Convolution,MBConv)模块中的压缩激励网络(squeeze-and-excitation networks,SENet),联合2种注意力机制使网络能更有效地提取木材细粒度信息。训练过程中引入渐进式学习策略,采用不同尺寸大小的图像和不同丢弃概率的Dropout层进行训练,进一步提升模型训练速度和识别准确率。试验结果表明,改进后的EfficientNet模型识别准确率达到99.83%,相比于未改进的EfficientNet模型提高了0.49%,且模型参数仅6.16 MB。该研究的模型能够很好地识别木材种类,为移动端部署木材种类识别模型提供参考。

基于颜色特征对木质板材分级的研究

给出几种基于颜色和纹理特征木质板材的分级算法,这几种方法通过主颜色和共生矩阵特征,分别利用神经网络中的RBF网络和K-近邻对木质板材样本图像进行处理,然后进行分类的方法。木质板材样本图像通过对木材加工处理采集而得到的。主颜色特征是反映一幅图像的基本面貌的,并通过HSV颜色模型、量化、颜色直方图和绝对距离而得到的;再加上共生矩阵特征。选取三种主颜色方案数据,经过Matlab7.0平台进行程序设计,对木质板材样本图像数据进行训练和测试,并加以验证。实验结果表明,这几种方法能够较好地解决木材分级的问题。

基于支持向量机的入侵检测研究

根据入侵检测和支持向量机的特点,提出基于最小二乘支持向量机异常检测方法,并建立基于支持向量机入侵检测的模型,对网络数据进行采集,提取特征,进行分类,分辨正常的数据和异常的数据。并在KDD CUP'99标准入侵检测数据集上进行实验,选取data_10_percent子集,把该数据集中的41个属性作为特征,将该子集最后一个属性label属性为:back,ipsweep,neptun,ports-weep和normal各200个数据进行测试。实证表明:该方法能获得较高检测率和较低误警率。

提升小波在木材颜色特征提取上的应用

在总结以往研究的基础上,结合图像分块理论,提出一种新的木材颜色特征提取方法。该方法基于提升小波变换提取木材表面的颜色信息,最终形成12个特征参数。为了验证特征提取的有效性,采用了径向基函数神经网络、概率神经网络和支持向量机三种分类器,最终实验仿真的分类效果很好,验证了这种新的颜色特征提取方法的有效性。

基于颜色特征对木材分级的研究

给出几种基于颜色特征木材的分级算法,这几种方法通过主颜色特征,分别利用神经网络中的RBF网络、K-近邻和最近邻对木材样本图像进行处理,然后进行分类。木材样本图像是通过对木材加工处理采集而得到的;主颜色特征是反映一幅图像的基本面貌,并通过HSV颜色模型、量化、颜色直方图和绝对距离而得到的。选取3种主颜色方案数据,经过Mat-lab7.0平台进行程序设计,对木材样本图像数据进行训练和测试,并加以验证。实验结果表明,这几种方法能够较好地解决木材分级的问题。

结合指导学习和特征擦除的东北虎重识别研究

东北虎(Panthera tigris altaica)重识别对于东北虎的行为研究以及保护具有重要意义,针对在自然环境中东北虎难以被重新识别的问题,提出了一种结合指导学习和特征擦除的东北虎重识别方法。设计了一个包括全局流和局部流的双流网络,局部流以分割后的前景图作为输入,使网络更关注前景部分,全局流以原图作为输入,通过局部流指导全局流学习细粒度特征,同时将模型最后全连接层(FC)的各类别权重参数之间的差异作为指导进行特征擦除,以擦除后的特征向量训练网络,从而增强特征向量中更多元素的辨别能力,最后在测试阶段只使用全局流。在野外东北虎重识别(ATRW)数据集上对该方法进行评估,在单摄像机条件下,m AP达到92.1%;在交叉摄像机条件下,m AP达到72.9%,试验结果表明方法有效。

基于神经网络和颜色特征对木材进行分级的分析

为了解决木材的分级问题,提出了利用神经网络和木材表面颜色特征对木材进行分级的方法。利用竞争神经网络对114种不同树种进行粗分,然后再用BP神经网络算法对此进行验证,又对四种木材进行分类验证。从计算机分类分级仿真效果上看,达到了预期的目的。

林业环境监测中无线传感网信号传播特性

基于无线信号衰减模型,分别研究了433 MHz和2.4 GHz频段的无线传感器网络信号在密林、疏林、林间小路和草坪4种不同环境下的信号接收强度与信号频率、环境因素以及通讯距离之间的关系.通过自制的GreenLab节点实地测量4种环境下的信号接收强度,使用对数距离衰减模型对试验数据进行拟合,得到4种环境下两频段信号的衰减指数为1.676~2.735.对模型进行回归分析,得出所有环境中信号接收强度值与距离之间的关系均符合对数距离衰减模型,拟合优度为0.904~0.956.通过对测量数据与模型之间的残差值和均方根值的分析,得出两种频段的无线传感器网络信号在不同环境中衰减的特点,可为林区无线传感器网络组网与部署提供参考.

基于改进蚁群算法的无线传感器网络路由的优化

为了延长无线传感器网络(wireless sensor network,WSN)的生命周期,均衡各个节点间能量消耗,针对现有的WSN路由优化算法存在的问题,提出了一种基于改进蚁群算法的路由优化算法;首先通过对蚁群算法和遗传算法的优劣性比较,在蚁群算法的基础上,结合遗传算法的选择、交叉和变异的操作,从而提高蚁群算法的搜索速度和寻优能力;最优路径评价函数综合考虑节点能耗及节点的剩余能量,使剩余能量多的节点优先参与数据转发,均衡节点间的能量消耗;通过与经典蚁群算法及遗传算法的对比实验表明,随着数据转发轮数增加,改进的蚁群算法能耗小,剩余能量多,网络生命周期明显延长;随着整个网络运行时间的增长,改进的蚁群算法,节点均衡能耗性好,最优路径搜索的成功率也明显优于其他两种算法。

基于OTSU算法与数学形态学的木材缺陷图像分割

在木材分选过程中,图像缺陷分割技术占有重要的地位,能否精确提取缺陷轮廓会直接影响到分选的准确率。本文讨论提取木材表面缺陷图像的方法,应用OTSU算法与数学形态学相结合的方法对缺陷图像进行分割,最终提取出缺陷边缘。实验表明,经过OTSU算法和数学形态学进行图像分割,最后得到的木材缺陷图像更加清晰、连贯,提高了图像的可视性和准确性。

与节点位置无关的WSNs节点休眠调度算法

针对无线传感器网络中节点调度算法存在的问题,提出一种与节点位置无关的休眠调度算法,该算法无需节点位置信息,以服务器为坐标原点,建立二维坐标系,根据Sink节点坐标构建数学模型,节点与Sink节点交换数据信息,计算出各个节点坐标.在节点调度过程中考虑两跳邻居节点产生的冗余覆盖,计算边界节点的有效感知面积,并据此提出一种适用于边界节点冗余判断的标准.仿真结果表明,该算法可以有效缓解边界节点过早死亡问题,在满足覆盖率情况下,网络冗余覆盖率低,工作节点分布均匀,休眠率较高,能量均衡有效提高网络服务质量,延长网络生命周期.

基于改进APIT算法的无线传感器网络节点定位

定位技术是无线传感器网络中一个比较重要的技术。近似三角形内点测试(APIT)算法是一种比较常用的算法,为了提高无线传感器网络(WSNs)定位精度,在APIT算法的基础上进行改进,将三角形进行中垂线分割成4个或者6个小区间,通过对各个节点接收到目标节点信号强度进行比较,判断目标节点位于哪一个小区域内。通过仿真可以得到,改进的APIT算法精度上有了很大的提高。

基于数学形态学和改进Otsu的单板缺陷检测

在经典检测算子中,针对单板灰度图像的缺陷检测存在缺陷边缘检测不清晰甚至出现伪边缘的问题,提出了一种Otsu改进算法与数学形态学相结合的单板缺陷检测算法.在HSI彩色空间中,对利用数学形态学滤波后的H、S、I分量采用本文算法进行分别处理,并将三分量的检测结果进行叠加.结果表明,该算法能够准确检测出单板的一个或多个缺陷边缘.与经典边缘检测算子的检测结果对比可知,该算法无论对于缺陷的定位还是边缘的提取均优于其他方法.

爱因斯坦的教育观

爱因斯坦作为一位伟大的科学家,一位富有哲学探索精神的科学思想家,特别是他的相对论思想人们是极其熟悉的.但是,他作为一位对社会有着高度责任感的人在其他领域的思想及其贡献,人们了解的就很少了.人们对他的教育观了解的程度就更不那普遍了.爱因斯坦关于教育的论述是极其深刻的和丰富的,对于今天仍有重要的与现实的指导作用.

基于四元数矩阵奇异值分解的木材缺陷检测分析

当前,木材彩色图像的缺陷检测主要是通过分离彩色空间的3个分量分别进行灰度处理,然后再合成为缺陷的图像。将基于RGB彩色空间的木材图像作为一个整体,提出四元数矩阵奇异值分解(QSVD)的木材缺陷检测。把RGB的彩色空间图像转换为四元数矩阵,利用四元数奇异值分解得到不同奇异值的特征图像,通过对特征图像的分析,得到不同的木材缺陷图像,并通过对奇异值特征图像的分析得到木材彩色图像的缺陷检测,并做分析。

基于遗传神经网络的入侵检测研究

入侵检测技术是计算机网络信息安全检测的重要手段之一,入侵检测作为一种动态的安全防护技术,提供了对内部攻击、外部攻击和误操作的实时保护,在网络系统受到危害之前拦截和响应入侵。对计算机网络数据进行特征提取,提出了采用遗传算法和神经网络相结合入侵检测技术。遗传算法具有计算简单、优化效果好的特点。利用遗传算法来避免BP算法的局部极小点,从而达到均方根误差全局最小点,也解决了BP算法的收敛慢的问题;同时也解决了单独利用GA往往不能在短时间内寻找到接近最优解的这一问题。通过计算机实验验证了入侵检测的效果,提高了识别率,使得误报率和漏报率降低。

基于MATLAB鸟叫声特征提取方法的研究

脊椎动物中最重要的生物类群之一的鸟类不仅在维持和保护生态平衡和生物防治等多方面起着十分重要的作用,而且对人类来说鸟类在很多方面还具有极高的经济价值。鸟叫声作为研究鸟类的生物学最重要的特征之一,因此主要采用MATLAB2010a对鸟类的叫声进行相应的特征提取并对其进行仿真,主要包括对鸟叫声的预处理、线性预测分析(LPC)、美尔频率倒谱系数(MFCC),并用MATLAB2010a设计一款软件实现对鸟叫声的特征提取。

基于HSI三分量独立性木材缺陷图像分割

HSI模型的彩色图像分割方法具有传统的RGB彩色图像分割所不具有的出色的分量独立性和色彩的真实性,具备良好的易分割的特点。提出首先将图像转化为HSI图像,然后根据各分量的特点单独进行分割,最后融合处理后的分量,得到准确的缺陷图样。该方法克服了单纯使用灰度图像分割不能准确定位缺陷边缘的弊端,同时对于木材图像纹理等细节信息具有较好的鲁棒性。试验的结果表明该方法即时准确有效。