基于改进YOLOv5的拥挤行人检测算法

针对密集场景下行人检测的目标重叠和尺寸偏小等问题,提出了基于改进YOLOv5的拥挤行人检测算法。在主干网络中嵌入坐标注意力机制,提高模型对目标的精准定位能力;在原算法三尺度检测的基础上增加浅层检测尺度,增强小尺寸目标的检测效果;将部分普通卷积替换为深度可分离卷积,在不影响模型精度的前提下减少模型的计算量和参数量;优化边界框回归损失函数,提升模型精度和加快收敛速度。实验结果表明,与原始的YOLOv5算法相比,改进后YOLOv5算法的平均精度均值提升了7.4个百分点,检测速度达到了56.1 f/s(帧/秒),可以满足密集场景下拥挤行人的实时检测需求。

基于机器学习的冷水机组早期故障诊断

本文针对冷水机组故障诊断中存在故障数据少、早期故障诊断能力弱等问题,提出了结合多策略改进麻雀搜索算法(HSISSA)与最小二乘法支持向量机(LSSVM)的冷水机组故障诊断方法,并在ASHRAE RP-1043典型的故障样本上,对所提出的故障诊断模型进行了训练和验证。结果表明,与LSSVM、PSO-SVM和SSA-LSSVM相比,本文提出的方法在早期故障诊断方面具有明显优势,准确率达到了99.70%。