卷积神经网络结合子域适应的低采样率肌电手势识别

为了提升模型识别低采样率肌电手势的性能,提出新的识别方法.通过信息扩展层对预处理后的低采样率肌电信号信息进行扩展,增强关键特征的表示.在特征提取网络中,利用子域适应网络提取源域与目标域中的域不变特征后进行域不变特征分类.使用NinaPro数据库中的DB1和DB5子数据库对所提方法进行评估.实验结果表明,所提方法识别53种和52种手势的最高准确率分别为90.89%(DB1)、89.90%(DB5)和82.01%(DB1)、77.07%(DB5),能够降低电极移位、肌肉疲劳、皮肤阻抗的变化和肌肉相对电极的相对运动等因素对低采样率肌电手势识别的影响.

基于YOLOv5s改进模型的堆叠螺栓抓取研究

在当前工业的螺栓生产过程中,堆叠螺栓的分拣工作依然需要人工完成,不仅工作效率低,而且会导致大量人力资源的浪费。针对这一问题,对YOLOv5网络模型进行了改进,提出了SE_YOLOv5网络模型。首先,在原网络的Neck部分删除了P′1特征层,减小了网络对浅层信息的提取,在不影响对大尺寸目标检测的前提下,提高了网络检测的实时性;然后,改进了Backbone模块,通过添加压缩与激励(SE)注意力机制,使网络更高效地聚焦于图像中的重要部分,增强了网络对堆叠螺栓检测的准确性;最后,提出了检测框重叠最小法,减少了抓取时夹爪与非目标螺栓的碰撞,并对螺栓检测框进行了抓取点位姿优化,提高了抓取的成功率。研究结果表明:SE_YOLOv5网络对堆叠螺栓检测的平均精度为86.5%,平均速度为13.02 FPS;相比于原YOLOv5s网络模型,SE_YOLOv5网络在检测精度上提升了1.2%,在检测速度上提升了2.71 FPS;相比于其他检测模型,SE_YOLOv5也具有更高的检测精度和检测速度。抓取结果证明,该模型能用于有效地指导机械臂进行螺栓抓取操作。

农行服务绿色金融的思考

今年国务院决定在浙江、江西、广州、贵州、新疆五省区选择部分地方建设绿色金融改革创新试验区,江西作为首批国家生态文明试验区,在绿色金融发展上有着天然的优势。江西农行近年来在支持绿色金融方面采取了一系列措施,取得了较好的成效,但也遇到一些问题。本文以江西省农行为例,从内部金融服务和政府及外部监管部门角度提出利于绿色金融发展的建议。