应用空洞卷积的神经网络轻量化方法

为了深度卷积神经网络能够更好地应用于边缘设备,减少深度神经网络的模型参数量,降低网络复杂度,对于轻量化卷积神经网络的研究日益增多。将常用于多尺度融合的卷积——空洞卷积首次应用于神经网络轻量化领域研究。利用空洞卷积采样与扩大感受野的结构特性,实现了模型参数量的减少与计算复杂度的降低。将空洞卷积单纯作用于残差网络结构,达到轻量化目的,并进一步与逐点卷积结合,提高轻量化效果,形成改进型空洞卷积轻量化方法。为减少准确率衰减,将改进型空洞卷积与普通卷积相融合,提出一种融合型空洞卷积轻量化方法。实验结果表明,改进型空洞卷积轻量化方法具有最显著的轻量化效果,融合型空洞卷积轻量化方法使模型参数量减少同时具有最佳速度与精度的权衡。

重力称重式充填机三段式加料系统原理的研究

从重力称重式充填机加料方式的角度探讨其对充填精度与速度的影响机理,分析了常见重力充填机的工作原理与存在问题,提出了三段式加料系统原理,着重阐述了加料斗加料和变速快加料的实施方法。

太阳能无人机中光伏发电最大功率点跟踪算法的研究

本文提出了变步长混沌萤火虫算法(VS-CLSFA)和免疫粒子群算法(IM-PSO),并对比了粒子群算法(PSO)、萤火虫算法(FA)及改进萤火虫算法(MFA)用于太阳能无人机光伏组件在局部阴影下最大功率点的跟踪结果。同时,研究上述算法在太阳能无人机飞行高度、速度等因素影响下的跟踪效果。研究结果表明:VS-CLSFA和IM-PSO都克服了FA、MFA和PSO陷于局部最优或者过早收敛的缺点,并且快速、稳定地追踪到太阳能无人机光伏组件产生功率的最大功率点;对于输出特性愈复杂的光伏组件,上述5种算法都需要增加迭代次数并牺牲跟踪时间来提高跟踪精度和稳定性;与VS-CLSFA相比,IM-PSO的跟踪精度提高约0.229%,跟踪时间减少约0.108 s。

快速人脸检测系统的综合研究

主要介绍了通过基于肤色信息的彩色图像分割的方法,利用预先设定的肤色建模知识进行人脸区域的检测及区域标定。在此基础上,利用给定的人的眼睛、嘴巴的先验色度信息进行眼睛和嘴巴的匹配检测,并最终实现双眼中心的标定。通过对大量图片的实验证明,此种方法速度快,实时性高,算法简单,运算量小,从而达到精度和速度相平衡的人脸以及特征信息检测的目的。