融合深度学习的烟草品牌识别模型

为提升烟草品牌识别的效率和准确性,本文设计了基于目标检测和多分类模块的烟草品牌识别方案。首先采用Faster-RCNN目标检测模型优化主干网络,然后使用ResNeXt多分类模型对烟盒进行具体品牌的分类识别。实验的结果表明,本方案在烟草品牌识别方面具有较高的准确率,可以为烟草品牌管理者提供良好的品牌识别服务。

基于图注意力的烟草零售店监管路线优化研究

由于城市烟草零售店较为密集,传统路径规划算法求解最优监管路径将耗费大量的运算时间,在规定时间内无法保证运算效果。并且,现有方法较少考虑求解问题的网络特性及候选子集的可解释性。鉴于此,提出一种基于图注意力的节点选择及路径优化算法(GA-SGPO),迭代选择最优坐标节点子集,在子集上进行求解以减少计算时间。此外,通过计算节点间的结构相似性,降低子集样本稀疏性。实验数据包括东莞市4万家零售店的地理坐标。实验结果显示,所提出的GA-SGPO模型在保证求解精度的同时,求解时间平均提升48%。GA-SGPO算法可显著节省计算时间,更贴近实际应用场景。而注意力机制和节点相似度计算,可为最优节点选择提供可视化依据。

仿人机器人两步步态规划算法研究

为了进一步提高仿人机器人步行时的稳定性,通过对人类步行的研究,并从两足步行机的两步步态规划方法中得到启发,对仿人机器人步行也进行类似的两步规划,但由于结构上的不同,仿人机器人中采用加入上肢运动补偿的方式实现平衡。规划仿人机器人的运动姿态,然后根据零力矩点必须落在稳定区域的原则,对仿人机器人的上肢运动轨迹进行求解,通过这种加入上肢补偿的两步规划来实现仿人机器人的稳定步行。从实验结果可以看出,采用这种两足步态规划方法,在仿人机器人两足步行时,可以使机器人上肢与下肢协调运动,从而提高了步行的稳定性。