基于改进MobileNet V2的多视图三维人脸重建

针对多视图三维人脸重建时,由于图像特征提取能力有限而导致三维人脸模型重建效果不佳的问题,本文提出了一种基于改进MobileNet V2网络的三维人脸重建方法。首先在MobileNet V2网络中引入多路径结构,使不同子路径的特征能够进行交互,从而增强网络的表达能力;然后在通道维度上加入压缩激励(Squeeze and Excitation,SE)模块,在空间维度上加入空间分组增强(Spatial Group-wise Enhance,SGE)模块,从而有效提取人脸形状参数和表情参数;最后使用三维可形变模型(3D Morphable Model,3DMM),并根据形状参数和表情参数完成三维人脸重建。在300W-LP数据集上,与基于卷积神经网络(Convolutional Neural Network,CNN)的重建方法以及基于Visual Geometry Group Batch Normalization(VGG-BN)改进网络的重建方法进行对比实验,实验结果表明平均重建精度分别提升约0.46%和0.31%。

基于MobileNet V2模型迁移学习的垃圾图像分类算法

垃圾分类结合人工智能图形识别技术,是对传统垃圾处理方式的改革,旨在实现垃圾的有效分类处置,是一种科学管理方法[1]。本文基于MobileNet V2网络结构,使用迁移学习提高模型特征表达的能力,改进并选择合适的损失函数和优化方案,使得模型能够区分不同种类的垃圾,训练完毕的模型导出后可以部署在嵌入式系统或者APP中。

基于改进ShuffleNet V2的柑橘病害识别研究

大型卷积神经网络因模型复杂难以部署于实际应用,而轻量级网络因优化模型结构而导致精度往往不如前者理想。针对上述问题,对ShuffleNet V2进行改进,提出一种轻量化MAM-ShuffleNet柑橘病害识别模型。首先,在ShuffleNet V2中引入混合注意力模块(Mixed attention module,MAM),提升模型对病害特征提取能力。其次,利用Ghost模块优化网络中卷积层,有效降低网络模型参数量和计算成本。最后,调整网络结构中ShuffleNet V2单元堆叠次数,进一步简化网络参数。结果表明,在自建柑橘叶片数据集中,MAM-ShuffleNet模型平均识别准确率达到97.7%;与原始ShuffleNet V2相比,其参数量降低了45.7%,识别准确率提升了1.2百分点;综合性能明显优于ResNet50、DenseNet121等模型。

基于改进MobileNet v2的服装图像分类算法

针对现有服装图像分类算法参数量较多、识别精度低的问题,提出了一种基于注意力机制和迁移学习的改进型MobileNet v2算法。首先,选取MobileNet v2作为特征提取网络,确保服装分类算法的整体轻量性。其次,将通道与空间注意力机制嵌入特征提取单元,自适应地选择和强化有用的特征信息,从而提高服装图像分类算法的识别精度。最后,通过迁移学习方法对模型进行参数初始化,使得模型能够从源域中获得先验知识。在Fashion MNIST数据集上的实验结果表明:所提算法的分类精度为93.28%,相较于ResNet50、EfficientNet v2_l、ShuffleNet v2和MobileNet v2模型,分别提高了1.85%、1.34%、3.86%和3.17%;在DeepFashion数据集上的准确率为88.24%。此外,该算法参数量低至2.35M,单张图像推理速度仅为7.5 ms,在参数量基本不变的的情况下提升了分类精度与推理速度。

基于DCNv2和Transformer Decoder的隧道衬砌裂缝高效检测模型研究

为解决因衬砌裂缝性状随机、分布密集、标注框分辨率低所导致的现有模型识别精度低、检测速度慢及参数量庞大等问题,以第2版可变形卷积网络(DCNv2)和端到端变换器解码器(Transformer Decoder)为基础对YOLOv8网络框架进行改进,提出了面向衬砌裂缝的检测模型DTD-YOLOv8。首先,通过引入DCNv2对YOLOv8主干卷积网络C2f进行融合以实现模型对裂缝形变特征的准确快速感知,同时采用Transformer Decoder对YOLOv8检测头进行替换以实现端到端框架内完整目标检测流程,从而消除因Anchor-free处理模式所带来的计算消耗。采用自建裂缝数据集对SSD,Faster-RCNN,RT-DETR,YOLOv3,YOLOv5,YOLOv8和DTD-YOLOv8的7种检测模型进行对比验证。结果表明:改进模型F1分数和mAP@50值分别为87.05%和89.58%;其中F1分数相较其他6种模型分别提高了14.16%,7.68%,1.55%,41.36%,8.20%和7.40%;mAP@50分别提高了28.84%,15.47%,1.33%,47.65%,10.14%和10.84%。改进模型参数量仅为RT-DETR的三分之一,检测单张图片的速度为16.01 ms,FPS为65.46帧每秒,对比其他模型检测速度得到提升。该模型在面向运营隧道裂缝检测任务需求时能够表现出高效的性能。

基于多角度Kinect v2的羊只三维模型重构方法研究

羊只的体尺参数是衡量其生长发育状况、生产性能和遗传特性的关键指标。重建羊只的三维模型可以为自动化获取多种羊只体尺参数提供数据基础,因此提出一种基于多角度Kinect v2的羊只三维模型重构方法。该方法通过放置在羊只顶部和左右两个侧面的Kinect v2设备,获取羊只的三维点云数据;利用这些数据中的点云之间的相对位置关系,进行点云坐标的转换和初始配准;采用ICP算法进行精确配准建立三维模型。结果表明:当Kinect v2深度相机高度为120 cm、俯视角为30°时,获取的点云质量较高,自动配准的平均误差为0.233 cm,平均耗时为12.89 s。根据模型计算出的羊只体高、体斜长、十字部高和腰脚宽等体尺参数与实际测量平均误差均在5%以内。

基于Point Transformer v2的点云枝叶分离方法研究

准确高效的点云枝叶分离对精确计算森林树木的垂直参数至关重要。然而,当前的研究方法计算成本高,且依赖先验知识导致泛化能力不足。针对以上问题,文章提出利用基于点特征的Transformer网络进行自动化的森林场景三维点云的枝叶分离研究。该方法使用Point Transformer v2网络,首先利用网格编码模块提取可学习的局部结构关系,保留点云的几何拓扑结构;其次使用分组注意力实现多通道联合学习,降低特征的冗余度,提高计算的效率;最后构建了基于点的Transformer网络实现高精度森林树木三维点云语义分割,降低了对于先验知识的需求。使用地基激光扫描仪获取的加拿大和芬兰7个不同树种样地的三维点云数据,进行枝叶分离实验和精度评价。实验结果表明,网络整体精度(OA)为94.42%,mIoU为78.89%,能够适应不同树种、不同点云密度的森林场景的枝叶分离。

基于改进轻量化EfficientNet-V2模型的小麦种子分类

小麦种子常混有燕麦、大麦等其他种子,如何分类足够纯度的种子是一个重要问题。为解决种子纯度问题,提出一种基于改进的EfficientNet-V2模型的种子分类方法,将其命名为CA-EfficientNet-V2_xs。首先,通过购买常用小麦种子(含有常见的燕麦、大麦等杂种),自制数据集;其次,为加快训练以及针对自制数据集数量不足的问题,采用迁移学习的方法;再次,为更好地帮助模型更加精准地定位和识别感兴趣的目标,将采用Coordinate Attention(CA)注意力机制来替换SE注意力机制;最后,通过精简网络结构使模型更小、训练速度更快。试验表明,改进后模型的分类准确率达到99.7%,比未改进之前的网络分类准确率提升1.3%;与EfficientNet-V2_s模型的78 MB相比,改进后模型大小降至3.8 MB,模型大小降低;改进后的模型速度比主流网络更快。

基于Kinect V2和Unity3D的机械臂人机交互系统

针对人机交互方式存在不直观、操作复杂等问题,论文利用手部追踪技术开发出一种基于Kinect V2和Unity3D的人机交互系统,用户可以直接挥动手部就可以控制机械臂运动,交互方式更加简单、直观和灵活。该系统是通过Kinect V2来获得手部移动轨迹来实现手部追踪,并在Unity3D平台上进行交互系统的开发。利用FABRIK算法和贝塞尔曲线分别实现了逆运动学求解和运动路径的记录,通过C#编写所需的脚本功能并开发出了两种交互模式,分别为实时控制模式和示教模式,两种模式均可通过UI面板进行选择。最后对两种模式分别进行实验,实验结果证明了该系统的可行性。

EfficientNet V2算法融合GCN和CA-Transformer的腐烂草莓分类方法

[目的]利用现代计算机视觉技术和深度学习方法,提升腐烂草莓分类的准确性和效率。[方法]提出了基于EfficientNet V2融合GCN和CA-Transformer的腐烂草莓分类方法。为基准模型添加了图卷积分支,通过聚合节点的周围信息来更新特征表示,更好地捕捉节点在图结构中的上下文信息;将带有注意力的Transformer结构融合到基准模型的主干中,用该结构替换部分卷积操作,实现全局和局部特征的融合,从而更好地识别草莓的腐烂情况;在传统残差结构的基础上引入学习参数,以实现特征的动态融合。[结果]GC-EfficientNet V2模型相比基准模型在准确率上提高了1.86%,召回率提升了1.49%。与Inception V3、ResNet50、VGGNet、Vision Transformer和EfficientNet V2-m模型相比,该模型的识别准确率分别提高了0.93%,2.08%,2.79%,3.26%,0.47%。[结论]该模型能够准确地对腐烂草莓进行分类。

一种改进的基于Inception-ResNet v2的眼疾病识别算法

该文旨在解决传统方法在眼疾病识别中分类准确率低的问题,提出了一种改进的眼疾病识别算法,基于Inception-ResNet v2架构,并引入SENet注意力机制、Ghost模块和空洞空间金字塔池化等技术。通过学习通道相关性和加强对重要特征的关注,显著提高了眼疾病分类的准确率,有效区分常见四种眼疾病数据集。为了进一步提高模型的泛化能力,还引入数据增强技术以减少过拟合。相比Efficient-Net、ResNet和Inception-ResNet等经典深度学习模型,该算法表现更优,为眼疾病早期诊断提供了更准确、高效的方法。

基于MobileNet-V2迁移学习的异常流量检测方法

针对越来越多的不同种类恶意流量给网络安全带来的巨大隐患,构建大规模机器学习系统复杂、昂贵和现今国内特定场景下快速搭建模型的研究较少的问题,论文提出了一种基于MobileNet-V2模型,采用迁移学习技术快速搭建异常流量检测模型的方法。首先,利用迁移学习的方式,基于MobileNet-V2模型,采用三通道变换与零填充等方式构建异常流量模型,使其符合实际流量异常检测分类的应用场景。其次,数据集采用USTC-TFC2016公开流量数据集,通过预处理将其转换为类似二维图片的数据格式,输入构建的模型中进行训练与测试。实验结果表明,该模型具有良好的检测性能,在精确度、查准率、查全率、F1分数等主要性能指标上均有很好的表现,可为防火墙等其他嵌入式设备提供一个高效的流量检测方案。

利用改进MobileNet V2网络识别水稻叶片病虫害的方法

针对传统水稻叶片病虫害分类效率不高、精度低和模型占用空间过大等问题,改进MobileNet V2网络,并结合迁移学习策略对水稻叶片病虫害进行识别。实验以4种常见水稻叶片病虫害作为研究对象,利用注意力机制对MobileNet V2进行改进,通过修改模型残差结构引入通道注意力机制,并采用迁移学习策略对改进模型进行训练。实验表明,相比于原始模型,引入注意力机制并采用迁移学习的改进模型CAM_qianyi的准确率提升了0.82个百分点,达到了84.32%,其准确率也高于轻量化卷积神经网络ResNet18(82.54%)和未采用迁移学习的改进模型CAM(73.65%)。改进模型能准确提取水稻叶片病虫害特征,有效提高了识别效率和精度。

V^2控制Buck变换器分析

该文在简要介绍开关变换器的V2控制方法的基础上,建立了V2控制Buck变换器的小信号模型,得到了对应的y参数模型,在此基础上对该y参数模型进行了改进,利用改进的y参数模型对V2控制Buck变换器和电流型控制Buck变换器进行了分析、比较,分别对V2控制和电流型控制Buck变换器进行了频域和时域仿真,仿真结果验证了V2控制方法比电流型控制方法具有更好的动态响应的研究结果。

缩泉丸对肾阳虚多尿大鼠肾脏AQP-2 mRNA与AVPR-V2 mRNA表达的影响

目的:观察缩泉丸对肾阳虚多尿模型大鼠肾脏AQP-2 mRNA和AVPR-V2 mRNA表达的影响。方法:用腺嘌呤250mg/kg灌服大鼠4w,造成肾阳虚多尿模型,分别给予缩泉丸或去氨加压素治疗4w,用实时荧光定量PCR法观察缩泉丸对肾阳虚多尿模型大鼠肾脏水通道蛋白AQP-2 mRNA及加压素二型受体(AVPR-V2)mRNA表达的影响。结果:肾阳虚多尿模型组大鼠肾脏AQP-2 mRNA与AVPR-V2mRNA表达比正常对照组明显降低(P<0.01),dDAVP组和缩泉丸高剂量组AQP-2 mRNA表达与AVPR-V2 mRNA表达比模型组明显升高(P<0.05);其余给药各组与模型组相比无显著差异(P>0.05)。结论:缩泉丸能提高肾阳虚多尿模型大鼠肾脏AQP-2 mRNA与AVPR-V2 mRNA表达。

前驱体溶液pH值对V_2O_5-WO_3/TiO_2催化剂的低温NH_3-SCR性能的影响(英文)

采用调节前驱体溶液pH值的方法制备了用于低温NH3-SCR的V2O5-WO3/Ti O2催化剂。通过XPS、Raman光谱、H2-TPR、NH3-TPD、NH3-DRIFT、XRD及物理吸附等手段对催化剂进行了表征分析,并对其脱硝催化活性进行了测试。结果表明,前驱体溶液酸性的增强能够提高催化剂表面聚合态钒物种和V4+(3+)/V5+的比值以及表面酸性,增加活性位数量、降低反应的活化能、提高其脱硝催化性能。因此,通过提高前驱体溶液的酸性,有助于制备出脱硝活性较好的NH3-SCR催化剂。

V^2C控制Buck变换器稳定性分析

在对比分析峰值电流控制、V2控制和V2C控制Buck变换器工作原理的基础上,揭示了V2C控制本质上是一种峰值控制技术,并指出峰值电流控制和V2控制都是V2C控制的特例。分别在时域和频域下详细分析了工作于连续导电模式(CCM)的V2C控制Buck变换器的稳定性问题。与峰值电流控制类似,可以通过采用斜坡补偿法解决占空比D>0.5时工作于CCM的V2C控制Buck变换器存在的次谐波振荡问题。仿真和实验研究结果验证了理论分析的正确性。

IEEE1588 V2在全数字化保护系统中的应用

通过分析IEEE1588 V2的特点,提出了支持IEEE1588 V2同步标准的全数字化保护系统组网测试方案。该方案针对网格型接线变电站的数字化保护系统设计,选用保护智能电子设备,建立网格角母线保护柜、馈线差动和距离保护柜、变压器高压/低压侧保护柜;提出以太网交换机的过程层应用方案,利用保护测试仪的时间码转换接口与上述以太网交换机配合完成时间同步。冗余时间源机制提高了过程层采样值时间同步的可靠性和准确性。

快离子导体Li_3V_2(PO_4)_3包覆LiFePO_4的结构和性能

通过机械活化将快离子导体Li3V2(PO4)3包覆在LiFePO4表面,制备了性能优异的复合正极材料9LiFePO4@Li3 V2(PO4)3.用XRD,SEM,HRTEM,EDS和电化学测试等手段研究了材料的物理化学性能.结果表明,包覆后的材料含有橄榄石结构的LiFePO4、单斜晶系的Li3V2(PO4)3和正交晶系的Li3PO4;LiFe-PO4颗粒表面包覆了一层Li3 V2(PO4)3,且部分V3+进入LiFePO4晶格内部,使其晶格参数减小,包覆后的LiFePO4的交换电流密度和锂离子扩散系数均提高了1个数量级.电化学测试结果表明,包覆后的LiFePO4的倍率性能及循环性能都得到显著改善,在1C和2C倍率下,包覆后的LiFePO4的首次放电比容量较包覆前分别提高了34.09%和78.97%,经150次循环后容量保持率分别提高了27.77%和65.54%;并且5C时容量为121.379 mA.h/g(包覆前LiFePO4在5C下几乎没有容量),循环350次后的容量保持率高达94.03%.

操作条件对V_2O_5/TiO_2催化剂选择性催化还原烟气脱硝性能的影响

采用浸渍法制备了V2O5/TiO2催化剂,考察了操作条件对该催化剂选择性催化还原(SCR)烟气脱硝性能的影响。结果表明:在典型的SCR反应温度范围(300～400℃)内,催化剂具有较高的脱硝率(92.7%～98.8%);当反应温度超过400℃时,N2O开始生成,催化剂的选择性下降。空速对催化剂脱硝率的影响与反应温度有关。n(NH3)/n(NO)与催化剂的脱硝率和氨逃逸密切相关。催化剂表现出较广的NO浓度适应性。当O2体积分数超过2%时,可以消除其对催化剂脱硝率的影响;O2是SCR反应过程中被还原活性位再氧化的主要氧源。