锚点优化的矿井人员R-A混合定位算法研究

为了解决煤矿井下安全监测系统对矿工跟踪定位困难的问题,该文提出了通过无线传感器网络的定位模型,对现有的RSSI算法与APIT算法的进行比较,结合RSSI、APIT两种算法各自存在的不足,提出用锚点优化算法减小矿井人员定位的误差。该算法适用于WSN井下安全监控,能耗低,能够满足对矿井人员的动态定位。

基于锚点集优化的硅片图像缺陷检测方法

为有效解决机器视觉算法识别硅片图像缺陷时存在检测速度慢、准确率低和稳定性差等问题,提出一种锚点集的优化方法。将Faster R-CNN检测网络与ResNet相结合进行特征提取;针对硅片缺陷数据集的特点,从理论上通过期望的定位精度推导一种优化的锚点集;利用优化后的锚点集训练缺陷检测模型。实验结果表明,所提检测模型识别精度提升至94.1%,检测时间达到160 ms,满足工业检测的需求。

4/5G协同中NSA锚点站的规划与优化

锚点站是NSA组网模式下5G网络的重要组成部分,且锚点问题对5G性能影响较大,需要在5G网络规划与优化的初期予以充分考虑。文章介绍了网优岗位对锚点站的规划策略、配置开通要求、以及性能优化策略;将锚点站优化的整个工作细分成三个阶段九个工作细项,旨在为5G网络优化工作提供参考。

基于改进YOLO v4的单环刺螠洞口识别方法

针对养殖池塘内单环刺螠自动采捕和产量预测应用需求,提出一种基于深度学习的单环刺螠洞口识别方法,以适用于自动采捕船的嵌入式设备。该方法通过将YOLO v4的主干网络CSPDarkNet53替换为轻量型网络Mobilenet v2,降低网络参数量,提升检测速度,并在此基础上使用深度可分离卷积块代替原网络中Neck和Detection Head部分的普通卷积块,进一步降低模型参数量;选取带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration,MSRCR)增强算法进行图像增强;利用K-means++算法对数据集进行重新聚类,对获得的新锚点框尺寸进行线性缩放优化,以提高目标检测效果。在嵌入式设备Jetson AGX Xavier上部署训练好的模型,对水下单环刺螠洞口检测的平均精度均值(Mean average precision,mAP)可达92.26%,检测速度为36 f/s,模型内存占用量仅为22.2 MB。实验结果表明,该方法实现了检测速度和精度的平衡,可满足实际应用场景下模型部署在单环刺螠采捕船嵌入式设备的需求。

基于改进YOLOX的遥感图像目标检测

为解决遥感图像目标检测中存在的密集小目标易被漏检以及结构复杂目标检测精度低等问题,设计了一种基于YOLOX的检测器.首先,构建一种基于全局平均池化金字塔结构的注意力网络(convolutional block spatial net,CBSPNet),并将CBSPNet插入锚点优化空洞卷积改进的残差块内,以增强特征的提取能力和优化对目标边缘的检测;其次,在主干网络中新增一个浅层的输出尺度,使得网络对小目标更为敏感;最后,引入跳跃连接构建优化的特征融合网络,提高特征在多尺度空间中的融合能力.实验结果表明:改进的YOLOX模型(R-YOLOX)对遥感密集小目标和不规则大目标均具有良好的检测性能,在多场景的检测任务中展现了较强的鲁棒性;R-YOLOX网络在RSOD遥感图像数据集上的平均检测精度较YOLOX提高了1.15%,且检测速率达31帧·s^(-1),满足实时检测的要求.

基于改进YOLO v3模型的奶牛发情行为识别研究

为提高复杂环境下奶牛发情行为识别精度和速度,提出了一种基于改进YOLO v3模型的奶牛发情行为识别方法。针对YOLO v3模型原锚点框尺寸不适用于奶牛数据集的问题,对奶牛数据集进行聚类,并对获得的新锚点框尺寸进行优化;针对因数据集中奶牛个体偏大等原因而导致模型识别准确率低的问题,引入DenseBlock结构对YOLO v3模型原特征提取网络进行改进,提高了模型识别性能;将YOLO v3模型原边界框损失函数使用均方差(MSE)作为损失函数度量改为使用FIoU和两框中心距离Dc度量,提出了新的边界框损失函数,使其具有尺度不变性。从96段具有发情爬跨行为的视频片段中各选取50帧图像,根据发情爬跨行为在活动区出现位置的不确定性和活动区光照变化的特点,对图像进行水平翻转、±15°旋转、随机亮度增强(降低)等数据增强操作,用增强后的数据构建训练集和验证集,对改进后的模型进行训练,并依据F1、mAP、准确率P和召回率R指标进行模型优选。在测试集上的试验表明,本文方法模型的识别准确率为99.15%,召回率为97.62%,且处理速度达到31 f/s,能够满足复杂养殖环境、全天候条件下奶牛发情行为的准确、实时识别。