采用改进的SqueezeNet模型识别多类叶片病害

为实现作物叶片病害的准确识别,该研究以PlantVillage工程开源数据库中14种作物38类叶片为研究对象,从网络规模小型化和计算过程轻量化需求的角度出发,对经典轻量级卷积神经网络SqueezeNet提出改进措施,包括修改最后一层卷积层的输出、删除经典模型中的后3个fire模块并修改fire模块5的参数、调节fire模块中expand层中1×1和3×3的卷积核数目的比例、移动部分fire模块在模型中的位置等措施,共获取5种改进的病害叶片检测模型,并运用迁移学习和随机梯度下降算法进行训练。试验结果表明,在不过多损失网络性能的前提下,改进后5种模型的参数内存需求及模型计算量均呈现大幅减小,模型收敛迅速,其中最优模型参数内存需求仅为0.62 MB,模型运算量仅为111 MFLOPs,其平均准确率达到98.13%,平均查全率达到98.09%,平均查准率达到97.62%,在与已有相关研究的对比中表现出较高的性价比。该研究提出的改进模型在大幅减少参数内存要求和计算量的同时使模型性能保持在一个较高的水平,较好地平衡了这3项指标,适合将模型部署在移动终端等嵌入式资源受限设备上,有助于实现对作物病害的实时准确识别。

改进SqueezeNet卷积神经网络机械零件表面缺陷检测算法

提出了一种改进的SqueezeNet卷积神经网络算法,可以实现对机械零件表面缺陷准确快速的检测。采用了残差网络架构来增加层与层之间的信息交流,优化了内部卷积通道数,增强了对细节特征的提取能力,搭建了机械零件表面缺陷检测实验平台,验证了算法的准确性和实时性。实验结果表明,改进后的SqueezeNet卷积神经网络算法的准确率为98.91%,检测时间约为3.34ms,相比经典SqueezeNet算法,在检测的准确率和检测速度上都有一定的提高。

基于改进SqueezeNet算法的VBE设备电路板元件失效识别研究

在直流输电系统中,换流阀阀基电子VBE(valve base electronics)设备的稳定运作对维护直流系统安全至关重要。传统的阀基电子设备电路板(VBE板)元件失效检测方法依赖于耗时的人工检查或基于规则的自动化系统,这些方法通常检测效率低下且准确性有限。针对该问题,提出一种基于改进的SqueezeNet深度学习模型的VBE板元件失效区域识别方法。通过引入深度可分离卷积和残差连接,所提改进SqueezeNet模型旨在提高元件失效检测的准确性,同时降低计算资源的需求。在VBE板元件失效数据集上的实验结果表明,所提方法在元件失效检测准确率和运算效率方面均优于传统方法和标准SqueezeNet模型,准确率达到了95.27%,比原模型高出4.45%。不仅提升了VBE板元件失效检测的效率和准确性,而且为电力系统中类似设备的元件失效诊断提供了新的技术参考。

在智慧教育背景下改进教学

智慧教育背景下,先进教育理念和信息技术被广泛应用到小学科学课程教学中,推进了课程改革进程,赋予了小学科学课堂开放、共享、交互的特征,对于强化学生信息素养和科学素养、培养学生创新精神有显著成效。本文探讨了智慧教育在小学科学课程改革中的应用价值,包括使小学科学课堂趣味化、使小学科学课堂无限化、使小学科学课堂重难点简单化,然后重点论述在智慧教育背景下如何改进小学科学教学。

基于改进神经网络的医院通信安全态势感知方法

针对医院通信安全态势感知不及时,易导致医院信息系统重要信息受到损害的问题,提出基于改进神经网络的医院通信安全态势感知方法。使用基于小波消噪的通信信号去除噪声并保留关键信息,输入基于改进RBF神经网络的医院通信安全态势感知模型。利用花朵授粉算法完成改进RBF神经网络训练。通过径向基函数对输入数据进行非线性变换,将得到的权值进行加权求和,得到当前通信网络信号的安全态势预测结果。实验结果显示,应用该文方法的医院通信网络异常信息可在1 s内完成感知。

基于改进SqueezeNet的火焰识别算法

针对现有火焰识别算法在效率上的不足,设计1种轻量高效的深度学习模型。模型基于SqueezeNet进行优化,引入双分支注意力机制以强化对火焰特征的识别能力,提升模型分类性能;同时,加入残差连接,提高网络的训练稳定性和特征表达能力;通过使用批通道归一化技术提高网络的泛化性能;此外,通过将Fire模块中的3×3标准卷积核替换为深度可分离卷积,进一步降低参数数量和计算复杂度,并通过多个公开的火焰图像数据集来评估所提算法的性能。研究结果表明:相较于原始的SqueezeNet算法,改进后的SqueezeNet模型不仅提升检测速度,同时也获得更高的识别准确率和更好的泛化能力。研究结果可为实时火灾监测系统和智能消防设备的开发提供理论基础和技术支持。

让评课更有利于教师改进教学

评课是我国教研工作的重要形式。无论是校本教研、区域教研,还是各级各类课例研讨活动,评课都是促进教师间思维碰撞的重要活动。每位教师都可能或多或少地对他人的课进行评价。那么,如何评课更有利于教师改进教学呢?

基于改进SqueezeNet的油气管道泄漏检测算法

我国石油和天然气的运输方式主要是依靠管道进行运输,根据浴盆曲线,目前我国现存的运输管道处于事故高发期,近些年来全国各地油气管道泄漏事故频发。近些年,如何实时高效检测油气管道泄漏成为了研究热点。本文探索一种改进的基于SqueezeNet神经网络的轻量化模型检测算法,通过将SqueezeNet网络中的Fire模块中的扩展层更换为Ghost模块,再引入SE注意力机制形成G-S-SqueezeNet网络。在实验中对管道泄漏的音频数据集进行预处理并转化为梅尔倒谱进行训练,并进行验证。结果表明在模型缩小的情况下,其鲁棒性和准确性明显改善,准确率相比未改进的网络提升了1.58%,模型大小降低了4 MB,检测速度提升了1.1 s。

基于改进YOLOv5的红花目标检测算法研究

为实现农业非结构环境下采摘机器人对红花的准确识别,提出了一种基于改进YOLOv5的红花目标检测算法。将CBAM注意力机制嵌入到YOLOv5网络,提高了小尺寸目标物在高层次特征中的表现力;建立一种Alpha-IoU目标位置损失函数对原损失函数GIOU存在的梯度消失问题进行改进,提高了被遮挡红花的预测率,并通过在目标检测网络中增加分割检测模块,提高宽和高小于最低像素的小目标物检测精度,利用图像扩增数据集对改进后的YOLOv5算法进行训练,再分别与改进前后YOLOv5网络和Faster R-CNN网络在不同红花品种、不同自然光照情况、不同天气条件和不同遮挡情况下进行对比。试验结果表明:改进后的YOLOv5算法P值、R值分别为90.45%和0.90,对非结构环境下盛开期的未采摘红花mAP值达到94.48%,在不同影响因素下都可以准确识别出红花且置信度较高,可为红花采摘机器人自动化作业中的红花识别提供技术支持。

基于改进YOLOv5的复杂场景电动车头盔检测方法

佩戴电动车头盔是安全骑行的重要保障,对电动车驾乘人员佩戴头盔进行有效检测在保障驾乘人员安全方面具有重要意义。电动车头盔检测中存在目标之间相互遮挡、复杂背景干扰、头盔目标小等问题,现有方法尚不能满足复杂场景下电动车头盔检测的要求,因此,提出一种改进YOLOv5的复杂场景电动车头盔识别方法。首先,提出一种新的主干网络结构ML-CSPDarknet53,增强网络的特征提取能力,引入轻量级上采样算子CARAFE,利用特征图语义信息扩大感受野;其次,搭建坐标卷积CoordConv模块,增强网络对空间信息的感知能力,并将WIoU v3作为边界框损失函数,降低低质量样本对模型性能的不利影响;最后,构建了内容丰富的头盔检测数据集对改进算法进行验证。实验结果表明,改进后算法相较于原算法在精确度、召回率、mAP@0.5、mAP@0.5:0.95上分别提升了2.9%、3.0%、3.4%和2.2%,并且性能优于其他主流检测算法,满足复杂道路交通场景下电动车驾乘人员头盔检测的任务要求。

基于改进引力模型的成渝地区双城经济圈城市经济联系网络演变研究

借助改进的引力模型,结合社会网络分析方法,以成渝地区双城经济圈132个区县为例,从综合网络、“双核”网络和廊道网络3个视角探索成渝地区双城经济圈区县经济联系的网络特征与变化,结果表明:1)2005—2019年间区县间经济联系总量显著增长,一级联系的数量和占比大幅度增加,但四川省、重庆市之间仍旧缺乏高质量的一级联系.2)综合网络的网络密度和网络可达性明显提升,层级性下降趋势明显,区县间等级结构依旧分明;“双核”网络均属于同配性核心-边缘网络,小世界特性逐步明显;廊道网络属于韧性网络,网络密度和网络可达性整体提高.3)网络中心度水平整体较高,呈现明显的圈层结构,成都市和重庆市主城区始终处于核心地位,掌握着网络权,相较于重庆市,四川省部分区县差距仍较大,省内发展不均衡问题依旧明显.4)2005—2019年15 a间,绝大多数区县都融入了相近模块的发展趋势,截至研究期末仅存在古蔺县、芦山县、宣汉县和仪陇县4个孤立区县.

基于改进附着能量模型的TNBA晶体在二元溶剂中的形貌预测

TNBA作为一种新型含能材料,其具有高爆速,低敏感性的特点,为了研究TNBA在二元溶剂中的生长形貌,本研究采用附着能(AE)模型来预测TNBA在真空中的晶体形貌,同时采用改进附着能(MAE)模型和分子动力学(MD)方法,预测了TNBA晶体在四种不同二元溶剂中二甲基甲醇(IPA)/丙酮(AC)、IPA/二甲基亚砜(DMSO)、IPA/乙酸乙酯(EA)和IPA/水(H_(2)O)的晶体形貌.结果表明,TNBA晶体在真空中的形态为不规则的多面体,由六个重要的主生长晶面构成,分别为(100)、(110)、(011)、(11-1)、(10-2)和(002),其中(100)面所占比例最大,达到33.766%.在IPA/DMSO和PA/EA溶剂中重结晶得到的晶体为块状,在IPA/AC和IPA/H_(2)O为棒状.总而言之,IPA/DMSO和IPA/EA溶剂更适合TNBA晶体重结晶选择.

关于高职高专院校国际商务专业课程教学改进的几点思考——以《国际商务英语函电》课程的项目化教学实践为例

高职高专院校传统教学模式的改进是提升人才培养质量的重要一环。为了应对社会和企业对人才的需求,高职高专院校必须持续探索提升人才培养质量、提升教学质量的有效方法。然而,在高职高专院校的人才培养和日常教学工作中,仍然存在着一些可改进之处,其中教学目标、教学内容、教学方法都存在一些可改进的空间。本文以国际商务专业为例,总结了近年来本校国际商务专业课程教学改进的实践经验,以国际商务英语函电课程的项目化教学设计为例,提出了对高职高专院校专业课程教学改进的几点思考。

新课标背景下改进初中物理实验教学的探索

在新课标背景下,物理实验教学的重要性更加凸显,为了能够充分发挥实验教学的最大化作用,教师需要在新课标理念引领下,对物理实验教学方法进行改进和优化,以便为学生创造更好的学习环境。文章阐述了新课标背景下初中物理实验教学应遵循的原则,分析了初中物理实验教学实施的重要性,提出了新课标背景下初中物理实验教学的改进策略,旨在为初中物理教学提供有益参考。

改进暗通道原理下视觉图像光晕消除算法

在光晕区域附近进行光晕消除操作可能会降低图像的对比度、清晰度和细节。因此,需要开发有效的方法来恢复和增强光晕消除后的图像细节,以确保整体图像质量的提高,为此设计一种改进暗通道原理下视觉图像光晕消除算法。建立大气散射模型深度分析光晕产生条件,根据图像中的像素强度值计算成像环境中的透射率,按照大气光照的散射系数建立光照条件研究模型。在较高的像素颜色通道条件下,根据图像中高亮度和强反射部分搭建无光晕图像亮通道定义,聚类图像亮通道特征,利用快速双边滤波器细化透射率,建立光晕图像的成像模型。在改进暗通道原理的过程中通过调整多个计算参数,包括改变权重函数,设置光晕消除的恢复指令,完成对视觉图像的光晕消除处理。经过实验分析可以证明,所提方法具备良好的光晕消除性能,光晕消除效果较好。

基于改进卷积神经网络的机器人避障路径规划

由于机器人在运动过程中,无法及时更新机器人位置方向和坐标,使得目标不是全局最小点,导致机器人无法有效避障。为此,提出了基于改进卷积神经网络的机器人避障路径规划方法。使用基于改进卷积神经网络的双线性内插方法,计算目标点坐标。通过动态窗口法评估函数,计算扩展距离。构建极大值损失函数,通过递减学习,使类别内的特征聚合度和类别间差异性达到最大。通过机器人在环境中的运动来估计机器人位置,计算机器人的平移速度、角速度,并更新机器人位置方向和坐标。构建改进后排斥函数,计算神经元中心点到目标神经元中心点的距离,规划避障路径。实验结果表明,该方法能够避过全部障碍物,且规划的起始点和目标点之间距离与实际距离一致。

基于改进布谷鸟算法的集卡路径优化

在集装箱公路运输中,合理规划集卡路径以提高运输效率具有重要的现实意义。本文以最小化总运输时间为目标,构建了集卡路径优化问题的数学模型,并设计了改进布谷鸟算法进行求解。为了提升算法性能,本文根据问题的特点构造了局部搜索策略来改善布谷鸟算法的局部寻优能力。实验结果表明,改进布谷鸟算法在优化性能上明显优于标准的布谷鸟算法、差分进化算法和粒子群算法,因此是解决该类问题的有效算法,能为集装箱公路运输方案的规划提供重要的决策支持。

麦克纳姆轮农业机器人路径跟踪——基于改进野马算法

针对麦克纳姆轮农业机器人在智能大棚中的路径跟踪问题,建立了运动学模型和动力学模型,设计了一种新型的双环比例微分-分数阶比例积分导数(Proportional Derivative-Fractional Order Proportional-Integral Derivative,PD-FOPID)控制器对全局路径进行动态跟踪控制。对于控制器参数多且整定困难的问题,首先采用帐篷映射初始化种群策略、精英主义记忆策略、动态余弦权重策略和柯西—高斯变异策略对原始野马算法进行改进,然后利用略改进野马算法(Improved Wild Horse Optimizer,IWHO)对控制器最优增益参数优化。实验结果表明:所开发的算法在探索和开发阶段方面性能优异,且PD-FOPID控制器在整定工作中表现突出。路径跟踪仿真证明,设计的双环PD-FOPID控制器比FOPID控制器更具显著的优势,能够避免动态误差累积,快速响应调整到规划路径,在提高农业大棚机器人路径跟踪控制质量方面具有巨大的潜力。

基于改进CPMs和SqueezeNet的轻量级人体骨骼关键点检测模型

针对目前的人体骨骼关键点检测模型参数多、训练时间长和检测速度慢的问题,提出了一种将人体骨骼关键点检测模型CPMs与小型卷积神经网络模型SqueezeNet相结合的检测方法。首先,采用4个Stage的CPMs(CPMsStage4)对人物图像进行关键点检测;然后,在CPMs-Stage4中引入SqueezeNet的Fire Module网络结构,利用Fire Module结构大大压缩模型参数,得到一种新的轻量级人体骨骼关键点检测模型SqueezeNet15-CPMs-Stage4。在扩展的LSP数据集上的验证结果显示,与CPMs相比,SqueezeNet15-CPMs-Stage4模型在训练时间上减少86.68%,在单张图像检测时间上减少44.27%,准确率达到90.4%;与改进的VGG-16、DeepCut和DeeperCut三种参照模型相比,SqueezeNet15-CPMs-Stage4模型在训练时间、检测速度和准确率方面均是最优的。实验结果表明,所提模型不仅检测准确率高,而且训练时间短、检测速度快,能够有效降低人体骨骼关键点检测模型的训练成本。

面向番茄病害识别的改进型SqueezeNet轻量级模型

针对番茄病害识别中深度神经网络参数过多、识别精度较低的问题,从网络轻量化和提取特征精准化的角度出发,对SqueezeNet结构进行改进。为精简fire模块,对其中Expand层的卷积核大小、网络层数以及通道数进行调整。同时,将模型与ECA模块结合,利用局部跨通道交互的方式获得各通道的注意力值,强化网络对关键特征的学习能力。实验结果表明,与LeNet、MobileNet和SqueezeNet模型相比,改进型SqueezeNet的模型大小和识别准确率均具有明显优势,为嵌入式设备在实际生产中的番茄病害识别提供一种技术方法。