改进Center-Net网络的自主喷涂机器人室内窗户检测

室内自主喷涂机器人可以实现室内墙面喷涂的自动化以此提升喷涂的效率,减少人力物力的投入。而基于计算机视觉的室内窗户检测算法则是该机器人的关键技术。对于室内窗户检测,由于环境光照、窗户形状和窗户透光属性的存在,传统方法无法得到较好的效果。针对此问题,设计一种基于深度学习的室内窗户检测算法。该算法主要对中心点网络(CenterNet)的特征提取网络进行修改,减少部分卷积操作,使用Ghost模块替换原始的卷积模块,降低特征冗余,并引入注意力机制,让网络尽可能表达重要信息。实验结果表明,改进的CenterNet在不损失网络精度的前提下,大幅度提高了网络的运算速度,使得该检测算法即使在机器人端的嵌入式系统上也可以达到实时检测的效果。

基于影响力计算模型的股票网络社团划分方法

利用复杂系统的能量特性,引入影响力概念,研究动态复杂网络的社团划分方法,以有效地发现股票网络的社团结构.利用股票收盘价,通过引入影响力和结点中心性定义,构建以影响力为权值的股票网络,并提出一种基于影响力计算模型的股票网络中心结点层次聚类算法(based on the center node hierarchical clustering algorithm about the influence calculation model of stock network,BCNHC).BCNHC算法首先引入结点活跃性和影响力的定义,并给出网络中结点的影响力计算模型;然后,基于所引入的结点中心性的度量准则,选取结点中心性大的结点为中心结点,并利用结点间的亲密性和影响力模型确定相邻结点之间影响力关联度;进而,通过优先选择度值最小的结点向中心结点聚集,以降低因相邻结点所属社团不确定而导致的错误聚类;在此基础上,利用社团平均影响力关联度对相邻社团进行聚类,保证社团内所有结点的影响力关联度最大化,直至整个网络模块度最大.最后,在构建的股票网络上的实验比较和分析,验证BCNHC算法的可行性.

改进CenterNet的小目标安全帽检测算法

为实现对施工现场工人戴安全帽的有效检测,提升检测的精度和质量,提出了一种基于中心点网络(CenterNet)的安全帽检测方法。针对被检测目标大部分为小目标的情况,删除ResNet-50的最后一层卷积层;针对CenterNet对安全帽定位不准确的问题,使用CIoU损失函数替换了原有的损失函数;针对CenterNet对推理过程特征图信息利用不充分的问题,采用残差连接将主干网络得到的两个特征网络分别与上采样的特征图进行融合的方法;针对通道卷积没有融合不同感受野的问题,使用金字塔卷积核(PyConv)对特征图进行感受野和通道之间融合的方法。结果表明,在自制的安全帽数据集上,mAP共提升了6.5%,改进后的CenterNet方法能明显提升安全帽检测的精确度。

基于改进CenterNet的电力设备红外图像识别

由于受到变电站复杂背景的影响,所以传统目标检测算法无法准确识别和定位电力设备。提出了一种基于改进中心点网络(CenterNet)的电力设备红外图像识别模型。首先,针对复杂环境下目标特征信息不足的问题,使用特征提取能力更强的ResNeXt50作为CenterNet的主干网络,在保持原模型参数量不变的同时增加了网络宽度,使其能获取更加丰富的特征信息,从而提升检测的精度;然后,通过在预测层加入通道注意力机制来提升模型对重要目标的关注度,同时抑制无关信息干扰,保证了模型检测的鲁棒性;最后,为证明模型的有效性,在自制数据集上进行了实验验证。结果表明,改进后模型的均值平均准确率可达93.7%,相比原始模型提升了2.1%,优于现有的几种主流检测模型,有效提升了变电站复杂环境下电力设备红外图像识别的精度。

现代计算机局域网在建筑大楼中的设计模式探索

本文根据建筑大楼中计算机网络的实际综合布线工程组网设计模式，推导探索出“中心点布线式建筑大楼网络设计模式”的新一代演变式工程设计方法，以及在高校计算机网络的实践系统建设和设计应风为实际的互联网组网建设和高校计算机网络工程设计实践，提供了一种新型的、实用化的设计与建设模式。