电磁大数据自动化标注补全算法

针对实际应用中电子侦察数据存在的数据质量差、标注率低等问题,将多传感器数据自动化标注问题抽象为稀疏矩阵恢复问题,在多平台多类型待标注监测数据与低秩稀疏矩阵之间建立正确的语义映射,进而转化为求解优化问题,并基于凸秩最小化算法对目标函数进行迭代以求得最优解。仿真实验结果表明,算法模型在目标特征信息缺失率40%~50%的恶劣情况下,恢复矩阵与原始矩阵的的最小均方根误差维持在0.06左右,能够有效实现矩阵恢复与数据的自动化标注。

多目标跟踪智能辅助分析及自动化标注系统

为解决多目标跟踪数据标注困难,对于常用的数据标注工具缺乏智能标注辅助、自动化多目标跟踪等功能的问题,设计并实现一个具备智能辅助和自动化标注功能的多目标跟踪自动化标注系统。人工标注方面该系统提供自动绘制跟踪轨迹、自动修改标签以及自动隐藏遮挡的智能辅助功能;自动化标注方面该系统部署多个深度学习算法,包括目标检测框架Faster R-CNN和YOLOX、多目标跟踪算法SORT、DeepSORT、MOTDT、ByteTrack。通过该系统与labelme、labelImg、VoTT、CVAT的足球场内球员多目标跟踪数据标注实验,验证了该系统在多目标跟踪数据标注工作上的优越性。

基于模型的移动应用功能场景自动标注方法

对于程序功能场景的识别一直是程序理解方面的难点之一,现有的方法主要还是依靠人工标注。针对该难点,对移动应用的执行过程进行研究,提出一种基于模型的功能场景自动化标注方法AFSLM。基于交互流建模语言IFML国际标准构造刻画移动应用执行特征的应用执行路径ARP动态模型,用于直接对应移动应用的测试脚本,设计用于度量功能场景相似度的模型匹配算法,提出基于模型的功能场景自动化标注方法AFSLM,实现将人工测试模型的功能场景标签泛化到自动化工具探索模型上,实现高效的功能场景自动化标注。通过实例研究和实验评估,展示方法的有效性。

基于CATIA的汽车三维GD&T自动标注的研究与实现

随着三维GD&T标注在汽车行业应用的日益普及,由于其专业性强且工作量巨大,令各大主机厂烦扰不堪。某公司通过VC++2008对CATIA进行二次开发,实现了三维GD&T的自动化标注。该工具大大提高了三维GD&T标注的正确性,在减少了人力资源的同时,还大大缩短了GD&T开发周期。文章阐述了三维GD&T自动化标注的实现策略和方法,对汽车行业MBD的发展起到了积极的推进作用。

深度学习技术在井区自然状况调查中的应用

随着地理信息系统(GIS)在各领域应用的深入,自动化的地理信息处理技术变得尤为重要。提出了一种结合深度学习技术与GIS的新型自动化井区自然状况调查方法。利用U形网络模型(U-Net)和分割任意物体模型(SAM)等先进的深度学习模型,实现了高分辨率正射影像中房屋、水系和道路等关键地理要素的高效识别和标注。实验结果显示,与传统手工标注方法相比,在识别准确率上达到95%~100%,大幅提升了标注效率并减少了时间成本。未来的研究方向包括提高模型在不同环境条件下的适应性,增强实时数据处理能力,以及改进用户交互体验。研究成果为GIS自动化处理技术在地理空间数据分析领域的应用提供了新思路,对推动相关技术的发展具有重要意义。

轴类零件智能化CAD/CAM

阐述了机械传动系统中 (如各类减速箱 )轴类零件智能化技术标注尺寸与公差的基本原理及专家知识 ,对轴进行分析、划分、接收CAD传递信息 ,智能化生成加工指令 ,从而实现轴类零件的CAD/CAM一体化。

基于深度学习和图像识别的数字式仪表读值研究

随着自动化程度的不断提升,变电所在巡视中使用的机器人越来越多,方便了数码仪器的图像获取。但是在采集到的大量变电所巡视的图像中,指针式仪表的读数和变压器零件的辨识精度仍较低,已成了一个研究的难点。近年来,基于海量信息的深度神经网络技术在图像辨识中的应用得到了极大的发展。文章结合电力设备图像的特点,基于深度学习算法重点研究了变电站数字式仪表读数的自动识别和变压器小部件的自动识别,提出了使用卷积神经网络YOLOv5模型识别图表的方法。该方法适用于对实时性、准确性要求高的场景,使用可扩展置标语言(EXtensible Markup Language,XML)解析手段获取数字式仪表位置及大小信息,可自动化标注数字式仪表。

连续变化钢筋尺寸快速翻样方法

讨论了目前连续变化钢筋尺寸翻样的几种方法,介绍了利用Autocad进行翻样的优势,并用lisp语言实现翻样的自动化,最后结合某桥墩实例详细的描述了利用lisp语言实现连续变化钢筋尺寸快速翻样的一般步骤。

面向遥感图像目标感知的群目标检测框架

光学遥感是航天侦察和地质勘测中的常用技术,拍摄得到的可见光图像能够提供非常丰富的信息,在目标监视、态势预判等方面都具有重要应用。近年来以轮船、飞机等物体检测为代表的光学遥感图像目标感知取得了显著进展,但对于目标尺度变化大,目标数量多而小的遥感图像目标感知场景中还存在巨大技术挑战,也就是在当前的光学遥感图像目标感知场景存在很多目标小并且多目标集中的情况,容易导致误检和漏检。为了解决现有遥感图像目标检测算法不同目标独立检测的内在低效性,本文提出了一种新的检测框架,即群目标检测,以期通过检测群目标的状态信息来缓解单一目标感知信息不足、可靠性差等问题,进而得到更为可靠的多目标检测结果。本文首先对群目标的概念进行定义,然后基于该定义提出了一种群目标自动化标注方案,在公开数据集上对原有标签进行分析,无需任何手动标注,就能得到含有群目标标注的注释信息。基于群目标自动化标注,本文提出了群目标检测算法,即在检测群目标的同时,利用群目标的空间约束提升单一目标检测结果。实验证明,与近年来的遥感图像检测算法相比,本文提出的群目标检测在最热门的大型遥感目标检测数据集DOTA上验证时,性能最佳。

基于ChatGPT和提示工程的查询式摘要数据集AMTQFSum构建研究

【目的】针对查询式摘要数据集稀缺问题,研究满足科研人员个性化查询需求的方法。【方法】通过构建生成与自我校验提示链,基于ChatGPT和提示工程提出一种以大语言模型为“数据标注员”的自动化数据标注方法,构建自然语言处理领域学术会议记录查询摘要数据集AMTQFSum。【结果】AMTQFSum在数据量和长度分布上更加优越,UniEval摘要评估模型语言显示AMTQFSum比现有QFS数据集平均得分提升85%和33%。在6个经典查询式摘要模型上验证AMTQFSum数据集的基准效果,结果显示基于BART的查询式摘要生成效果最佳,ROUGE-1/2/L达52.53%、35.61%、44.80%。【局限】未扩大数据集学科范围。【结论】基于提示链的大语言模型数据标注方法能为自动化数据标注提供可行方案,AMTQFSum数据集为查询式摘要生成任务提供了研究基础。